PROMENADE ALÉATOIRE : Chaînes de Markov et martingales
|
|
- André Lesage
- il y a 8 ans
- Total affichages :
Transcription
1 PROMENADE ALÉATOIRE : Chaîes de Markov et martigales Thierry Bodieau École Polytechique Paris Départemet de Mathématiques Appliquées thierry.bodieau@polytechique.edu Novembre 2013
2 2
3 Table des matières I Chaîes de Markov 9 1 De la marche aléatoire aux jeux de cartes 11 2 Matrice de trasitio Propriété de Markov Exemples de chaîes de Markov Équatio de Chapma-Kolmogorov Chapma-Kolmogorov Processus décalé e temps Temps d arrêt et propriété de Markov forte Applicatios Équatio de la chaleur Ruie du joueur Méthode de Mote-Carlo pour u problème de Dirichlet Mesures Ivariates Mesures ivariates Irréductibilité et uicité des mesures ivariates Irréductibilité Uicité des mesures ivariates Costructio de la mesure ivariate Réversibilité et Théorème H Réversibilité Théorème H pour les chaîes de Markov Applicatio : modèle d Ehrefest Espaces d états déombrables Chaîes de Markov récurretes et trasitoires Applicatio : marches aléatoires Marches aléatoires symétriques sur Z d U critère aalytique Mesures ivariates Applicatio : brachemet et graphes aléatoires Arbres aléatoires de Galto-Watso Graphes aléatoires d Erdös-Réyi
4 4 TABLE DES MATIÈRES 5 Ergodicité et covergece Ergodicité Théorème ergodique Applicatio : algorithme PageRak de Google Covergece Apériodicité et covergece Distace e variatio et couplage Vitesses de covergece Applicatio aux algorithmes stochastiques Optimisatio Algorithmes stochastiques Algorithme de Metropolis-Hastigs Modèle d Isig Simulatio parfaite : algorithme de Propp-Wilso Algorithme de recuit simulé Problème du voyageur de commerce Traitemet d images Applicatio : la percolatio Descriptio du modèle Trasitio de phase Absece de percolatio pour p petit Percolatio pour p proche de Poit critique Dimesio II Martigales Espérace coditioelle Espérace coditioelle sur u espace d états discret Défiitio de l espérace coditioelle Propriétés de l espérace coditioelle Processus aléatoire Martigales e temps discret Martigales Théorème d arrêt Iégalités de martigales Décompositio des surmartigales Covergece des martigales Covergece des martigales das L Applicatio : loi des grads ombres Covergece des sous-martigales Applicatio : modèle de Wright-Fisher
5 TABLE DES MATIÈRES Martigales fermées Théorème cetral limite Théorème cetral limite pour les martigales Iégalité de Hoeffdig Théorème cetral limite pour les chaîes de Markov Applicatios des martigales Mécaismes de reforcemet Ure de Polya Graphes aléatoires de Barabási-Albert L algorithme de Robbis-Moro Processus de Galto-Watso Arrêt optimal et cotrôle stochastique Arrêt optimal Eveloppe de Sell Le problème du parkig Problème des secrétaires Cotrôle stochastique Équatio de la programmatio dyamique Cotrôle des chaîes de Markov A Théorie de la mesure 169 A.1 Espaces mesurables et mesures A.1.1 Algèbres, σ algèbres A.1.2 Mesures A.1.3 Propriétés élémetaires des mesures A.2 L itégrale de Lebesgue A.2.1 Foctio mesurable A.2.2 Itégratio des foctios positives A.2.3 Itégratio des foctios réelles A.2.4 De la covergece p.p. à la covergece L A.2.5 Itégrale de Lebesgue et itégrale de Riema A.3 Trasformées de mesures A.3.1 Mesure image A.3.2 Mesures défiies par des desités A.4 Iégalités remarquables A.5 Espaces produits A.5.1 Costructio et itégratio A.5.2 Mesure image et chagemet de variable A.6 Complémets au chapitre A A.6.1 π système, d système et uicité des mesures A.6.2 Mesure extérieure et extesio des mesures A.6.3 Démostratio du théorème des classes mootoes
6 6 TABLE DES MATIÈRES B Théorie des probabilités 189 B.1 Variables aléatoires B.1.1 σ algèbre egedrée par ue v.a B.1.2 Distributio d ue variable aléatoire B.2 Espérace de variables aléatoires B.2.1 Variables aléatoires à desité B.2.2 Iégalité de Jese B.2.3 Foctio caractéristique B.3 Espaces L p et covergeces foctioelles des variables aléatoires B.3.1 Géométrie de l espace L B.3.2 Espaces L p et L p B.3.3 Espaces L 0 et L B.3.4 Lie etre les covergeces L p, e proba et p.s B.4 Covergece e loi B.4.1 Défiitios B.4.2 Caractérisatio de la covergece e loi par les foctios de répartitio B.4.3 Covergece des foctios de répartitio B.4.4 Covergece e loi et foctios caractéristiques B.5 Idépedace B.5.1 σ algèbres idépedates B.5.2 Variables aléatoires idépedates B.5.3 Asymptotique des suites d évéemets idépedats B.5.4 Moyees de variables idépedates B.6 Espérace coditioelle B.6.1 Defiitio B.6.2 Propriétés de l espérace coditioelle
7 L aléa joue u rôle détermiat das des cotextes variés et il est souvet écessaire de le predre e compte das de multiples aspects des scieces de l igéieur, citos otammet les télécommuicatios, la recoaissace de formes ou l admiistratio des réseaux. Plus gééralemet, l aléa iterviet aussi e écoomie gestio du risque), e médecie propagatio d ue épidémie), e biologie évolutio d ue populatio) ou e physique statistique théorie des trasitios de phases). Das les applicatios, les doées observées au cours du temps sot souvet modélisées par des variables aléatoires corrélées dot o aimerait prédire le comportemet. L objet de ce cours est de formaliser ces otios e étudiat deux types de processus aléatoires fodametaux e théorie des probabilités : les chaîes de Markov et les martigales. Ces otes sot ispirées du cours de Nizar Touzi [20] qui a assuré cet eseigemet etre 2008 et E 1913, A. Markov posait les fodemets d ue théorie qui a permis d étedre les lois des probabilités des variables aléatoires idépedates à u cadre plus gééral susceptible de predre e compte des corrélatios. La première partie de ce cours décrit la théorie des chaîes de Markov et certaies de leurs applicatios. Le parti pris de ce cours est de cosidérer le cadre mathématique le plus simple possible e se focalisat sur des espaces d états fiis, voire déombrables, pour éviter le recours à la théorie de la mesure. Le comportemet asymptotique des chaîes de Markov peut être classifié et prédit. Nous verros que la structure de ces processus aléatoires corrélés est ecodée das ue mesure ivariate qui permet de redre compte des propriétés ergodiques, gééralisat aisi les suites de variables aléatoires idépedates. La covergece des chaîes de Markov vers leurs mesures ivariates costitue u aspect fodametal de la théorie des probabilités, mais elle joue aussi u rôle clef das les applicatios. Plusieurs exemples serot décrits pour illustrer le rôle majeur des chaîes de Markov das différets domaies de l igéierie comme les problèmes umériques méthodes de Dirichlet, optimisatio), la recoaissace de formes ou l algorithme PageRak de Google. Des exemples issus de la physique statistique irréversibilité e théorie ciétique des gaz, trasitios de phases) ou de la dyamique des populatios arbres de Galto Watso) permettrot aussi éclairer certais aspects des chaîes de Markov. D autres applicatios des chaîes de Markov sot présetées das le livre de M. Beaim et N. El Karoui [4] et das celui de J.F. Delmas et B. Jourdai [8]. L ouvrage de J. Norris [18] costitue aussi ue excellete référece sur la théorie des chaîes de Markov. La secode partie de ce cours porte sur la théorie des martigales qui permet d étudier d autres structures de dépedace que celles défiies par les chaîes de Markov. Les martigales sot commuémet associées aux jeux de hasard et ous verros commet des stratégies optimales peuvet être défiies à l aide de martigales et de temps d arrêt. Les martigales formet ue classe de processus aléatoires aux propriétés très 7
8 8 TABLE DES MATIÈRES itéressates. E particulier, les fluctuatios de ces processus peuvet être cotrôlées et leur covergece facilemet aalysée. Les martigales permettet aussi d étudier des mécaismes de reforcemet pour mieux compredre des comportemets collectifs, des algorithmes stochastiques ou des phéomèes issus de l écologie comme la dérive géétique. D autres aspects de la théorie des martigales figuret das les livres de J. Neveu [17] et D. Williams [22]. L ouvrage de M. Duflo [9] propose de ombreux développemets sur les applicatios des martigales aux algorithmes stochastiques. Des complémets sur la théorie de la mesure et des probabilités écrits par Nizar Touzi [20] figuret e aexe. Ces deux chapitres développet das u cadre théorique les cocepts abordés das le cours de première aée [16]. Ils permettrot d approfodir certaies otios fodametales de la théorie des probabilités et pourrot servir de référece. Sur la page web du cours de MAP 432 figuret des programmes e scilab réalisés par Floret Beaych-Georges pour illustrer certaies applicatios. Je souhaite exprimer toute ma recoaissace à Nizar Touzi pour m avoir permis de repredre des élémets de so cours [20] et e particulier l aexe. Je ties aussi à remercier chaleureusemet Stéphaie Allassoière, Djalil Chafai, Jea-Fraçois Delmas, Lauret Deis, Lucas Géri, Araud Guilli, Carl Graham et Marc Hoffma qui m ot aidé das la rédactio de ce cours par leurs précieux coseils et leur relecture attetive.
9 Première partie Chaîes de Markov 9
10
11 Chapitre 1 De la marche aléatoire aux jeux de cartes La loi des grads ombres et le théorème cetral limite sot deux théorèmes clef de la théorie des probabilités. Ils motret que la limite d ue somme de variables aléatoires idépedates obéit à des lois simples qui permettet de prédire le comportemet asymptotique. Preos l exemple classique d ue marche aléatoire symétrique cf. figure 1.1) X 0 = 0 et pour 1, X = ζ i 1.1) i=1 où les {ζ i } i 1 sot des variables idépedates et idetiquemet distribuées i 1, Pζ i = 1) = Pζ i = 1) = 1/2. La loi des grads ombres implique la covergece presque sûre 1 lim X = Eζ 1 ) = 0 p.s. 1.2) et le théorème cetral limite assure la covergece e loi vers ue gaussiee de moyee ulle et de variace 1 que l o otera γ 1 loi) X γ. 1.3) Pour de ombreuses applicatios, il est écessaire d ajouter des corrélatios etre ces variables et d erichir ce formalisme au cas de processus aléatoires qui e sot pas ue simple somme de variables idépedates. Par exemple, o voudrait décrire u mobile soumis à ue force aléatoire et à ue force de rappel qui le maitiet près de l origie comme u atome qui vibre autour de sa positio d équilibre das u cristal ou le prix d ue matière première soumise à la loi de l offre et de la demade) et représeter sa positio au cours du temps par Y. Ue faço simple de predre e compte ue force de rappel est de costruire récursivemet ue suite aléatoire Y 0 = 0 et 1, Y = Y 1 + sigey 1 )ξ, 1.4) 11
12 12 CHAPITRE 1. DE LA MARCHE ALÉATOIRE AUX JEUX DE CARTES FIGURE 1.1 À gauche, ue réalisatio de la marche aléatoire symétrique X représetée après pas. À droite, ue réalisatio de la trajectoire Y représetée après pas pour p = où les {ξ i } i 1 sot maiteat des variables idépedates de Beroulli de paramètre p [0, 1/2] i 1, Pζ i = 1) = Pζ i = 1) = p. Das 1.4), le sige de y est oté sigey) {±1} et pour éviter toute ambiguïté, le sige de 0 sera pris égal à 1. Si p = 1/2, Y est égal e loi à X. Par cotre si p < 1/2, le biais aléatoire déped du sige de Y et il a tedace à rameer Y vers 0 car Eξ 1 ) < 0. O voit sur la figure 1.1 que l amplitude et la structure des processus {X } et {Y } est très différete. Même pour u biais petit p = 0.45, la trajectoire Y reste localisée autour de 0. U des ejeux de ce cours sera de décrire le comportemet asymptotique de Y. Pour le momet, essayos de devier ce comportemet limite. La figure 1.2 motre ue trajectoire de Y dix fois plus logue que celle de la figure 1.1 et o costate que l amplitude de cette trajectoire reste sesiblemet ichagée. Ceci cotraste avec l amplitude de la marche aléatoire qui croît comme par le théorème cetral limite. L histogramme de la figure 1.2 représete la fréquece des passages de la trajectoire e u site, i.e. la mesure π défiie par y Z, π y) = 1 1 {Yk =y}. k=1 O motrera que π coverge vers ue mesure limite π qui ecode le comportemet asymptotique de Y y Z, 1 lim 1 {Yk =y} = πy) p.s. k=1 Cette covergece peut s iterpréter comme u aalogue de la loi des grads ombres. Ceci pose plusieurs questios auxquelles ous essayeros de répodre das ce cours Peut o décrire la mesure π? Quel est le temps écessaire pour que π soit proche de π? Le processus {Y } 0 e 1.4) a été obteu par ue récurrece aléatoire Y +1 = f Y, ξ +1 ) pour ue foctio f bie choisie. Sous cette forme, la structure additive de la marche aléatoire X a disparu et o peut aisi evisager de costruire des processus à valeurs das u espace gééral. Par exemple, o peut défiir ue marche aléatoire sur le graphe G de
13 FIGURE 1.2 À gauche, ue réalisatio de la trajectoire Y est représetée après pas. À droite, l histogramme correspodat au ombre de passages par chaque site pour la trajectoire. la figure 1.3 : le marcheur part d u site doé et évolue à chaque pas de temps e sautat uiformémet sur u des voisis du site occupé. FIGURE 1.3 U graphe aléatoire de Barabási-Albert) avec 50 sites. Pour costruire la récurrece aléatoire correspodate, o ote Vx) l esemble des voisis d u site x de G, i.e. les sites reliés à x par ue arête. O décrit maiteat ue procédure pour choisir uiformémet u des voisis à l aide d ue variable aléatoire uiforme sur [0, 1]. O ote degx) le degré de x, i.e. le cardial de l esemble Vx) qui peut varier e foctio du site x). O umérote ue fois pour toute) par u idice etre 0 et degx) 1 chaque arête etre x et ses voisis. Pour tout x G et u [0, 1], o défiit f x, u) comme le voisi de x dot l arête a le uméro degx)u, où représete la partie etière cette procédure est idetique à celle décrite das la remarque 1.1). O a aisi ue costructio explicite d ue marche aléatoire {Y } 0 sur le graphe G e géérat l aléa à partir d ue suite {ξ } 1 de variables aléatoires idépedates et uiformémet distribuées sur [0, 1] Y 0 = 0 et 1, Y +1 = f Y, ξ +1 ). La marche état costruite, o voudrait compredre so comportemet asymptotique : après u temps très log, quelle est la probabilité que la marche soit sur u site doé? O verra etre autres que cette probabilité est proportioelle au degré de chaque site.
14 14 CHAPITRE 1. DE LA MARCHE ALÉATOIRE AUX JEUX DE CARTES Remarque 1.1. Pour simuler ue variable aléatoire Z preat uiformémet les valeurs {1, 2,..., k}, o subdivise [0, 1] e itervalles de logueur 1/k umérotés de 1 à k. O choisit esuite au hasard ue variable U uiformémet sur [0, 1] et o attribue à Z le uméro de l itervalle coteat U. Si la variable Z est pas uiformémet distribuée PZ = i) = p i, il suffit de subdiviser [0, 1] e k itervalles de logueurs {p i } i k pour retrouver le biais das les probabilités par la même procédure. 1/4 1/4 1/4 1/4 p 1 p 2 p 3 p 4 FIGURE 1.4 Deux subdivisios de l itervalle [0, 1]. Le modèle peut ecore être erichi e orietat les arêtes du graphe cf. figure 1.5) et e autorisat seulemet les trasitios selo les arêtes orietées. La probabilité de chaque saut peut aussi être podérée selo les voisis, par exemple sur le graphe de la figure 1.5 : la marche peut passer du site 1 au site 2 avec la probabilité P1, 2) = 1/2, au site 3 avec la probabilité P1, 3) = 1/4 et rester sur place avec la probabilité P1, 1) = 1/4. La seule cotraite état d ajuster la somme des probabilités à 1. 1/2 1/4 1 1/4 2 3/4 1/4 1 3 FIGURE 1.5 U graphe orieté avec 3 sites. L essetiel des exemples cocrets que ous allos recotrer das ce cours peuvet se formaliser comme ue marche aléatoire sur u graphe orieté avec des probabilités de trasitio associées à chaque lie. Parmi les exemples de marche aléatoire sur u graphe traités das ce cours, ous évoqueros les robots d idexatio qui parcouret le World Wide Web pour collecter les doées et idexer des pages Web. Certais graphes peuvet être compliqués et il est importat de développer ue théorie géérale pour appréheder cette complexité. Termios ce tour d horizo sur les chaîes de Markov par le mélage de cartes. O représete u jeu de 52 cartes e umérotat leurs positios das le paquet de 1 à K = 52. Mélager les cartes reviet à appliquer des permutatios successives sur leurs positios. Mathématiquemet, cette procédure est rie d autre qu ue marche aléatoire sur le groupe symétrique S K des permutatios sur {1, 2,..., K}. Iitialemet les cartes sot ragées das l ordre et l état de départ est la permutatio idetité Id = {1, 2,..., K}. État doé ue mesure µ de référece, o choisit au hasard ue permutatio σ 1 sous µ et le jeu de carte est réordoé e σ 1 = σ 1 Id. Pour battre les cartes, o itère plusieurs
15 15 fois cette opératio e tirat au hasard des permutatios σ 1, σ 2,..., σ et e les composat σ σ 2 σ 1. O peut imagier différetes règles pour mélager le cartes et choisir les permutatio σ k. Par exemple, permuter à chaque fois deux cartes choisies aléatoiremet ou pour u modèle plus réaliste mais mathématiquemet plus compliqué) couper le jeu e 2 paquets et isérer l u das l autre riffle shuffle). O a aisi costruit ue récurrece aléatoire sur le groupe symétrique S K. Si o mélage suffisammet logtemps le paquet, o s atted à ce que les positios des cartes soiet réparties uiformémet parmi les 52! choix possibles. Pour le joueur de poker, le comportemet asymptotique e sert à rie. La véritable questio est de savoir combie de fois il faut mélager le jeu de cartes? E termes mathématiques, o veut évaluer la vitesse de covergece vers u état d équilibre. Cette questio est détermiate pour de ombreuses applicatios. Si o souhaite réaliser ue simulatio umérique par u algorithme stochastique, il faut pouvoir prédire à quel momet la simulatio peut être arrêtée. Das ce cours, des critères théoriques sur les vitesses de covergece serot présetés. Les modèles décrits précédemmet sot tous des chaîes de Markov et peuvet être traités das u formalisme uifié qui sera décrit das les chapitres suivats.
16 16 CHAPITRE 1. DE LA MARCHE ALÉATOIRE AUX JEUX DE CARTES
17 Chapitre 2 Matrice de trasitio Das ce chapitre, ous allos défiir les chaîes de Markov et préseter leurs premières propriétés. 2.1 Propriété de Markov Ue suite de variables aléatoires {X } 0 preat ses valeurs das u esemble E est appelée u processus aléatoire discret avec espace d états E. Das ce cours, o e cosidèrera que des espaces d états E fiis ou déombrables. Le poit commu des exemples de processus aléatoires discrets présetés au chapitre 1 est la propriété de Markov : la dépedace du processus au temps + 1 par rapport à so passé se résume à la coaissace de l état X. O peut le formaliser aisi Défiitio 2.1 Propriété de Markov). Soit {X } 0 u processus aléatoire discret sur u espace d états déombrable E. Le processus satisfait la propriété de Markov si pour toute collectio d états {x 0, x 1,..., x, y} de E P X +1 = y X 0 = x 0, X 1 = x 1,..., X = x ) = P X+1 = y X = x ) dès que les deux probabilités coditioelles ci-dessus sot bie défiies. Le processus {X } 0 sera alors appelé ue chaîe de Markov. Si le membre de droite de 2.1) e déped pas de, o dira que la chaîe de Markov est homogèe. Les coditioemets das 2.1) s iterprètet comme des probabilités coditioelles d évèemets PA B) = PA B). Das ce cours, o e cosidèrera que des chaîes PB) de Markov homogèes. La distributio d ue chaîe de Markov homogèe peut doc être ecodée simplemet par ue matrice de trasitio P = {Px, y)} x,y E. La matrice de trasitio décrit la probabilité de passer de x à y et elle satisfait 2.1) x, y E, Px, y) = P X +1 = y X = x ) 2.2) x, y E, Px, y) 0 et x E, Px, y) = 1. y E 17
18 18 CHAPITRE 2. MATRICE DE TRANSITION Comme la chaîe est homogèe les trasitios e dépedet pas du temps et la relatio 2.2) est valable pour tout. Motros maiteat que les processus défiis au chapitre 1 vérifiet la propriété de Markov. Théorème 2.2 Récurrece aléatoire). Soit {ξ } 1 ue suite de variables aléatoires idépedates et idetiquemet distribuées sur u espace F. Soit E u espace d états déombrable et f ue foctio de E F das E. O cosidère aussi X 0 ue variable aléatoire à valeurs das E idépedate de la suite {ξ } 1. La récurrece aléatoire {X } 0 est ue chaîe de Markov. 1, X +1 = f X, ξ +1 ) Démostratio. Nous allos établir la propriété de Markov 2.1) P X +1 = y X 0 = x 0,..., X = x ) = P f X, ξ +1 ) = y, X 0 = x 0,..., X = x ) P X 0 = x 0,..., X = x ) = P f x, ξ +1 ) = y, X 0 = x 0, X 1 = x 1,..., X = x ). P X 0 = x 0, X 1 = x 1,..., X = x ) L évèemet {X 0 = x 0, X 1 = x 1..., X = x } e déped que des variables {X 0, ξ 1,..., ξ } qui sot idépedates de l évèemet { f x, ξ +1 ) = y}. Par coséquet le umérateur est le produit de la probabilité de ces deux évèemets idépedats et o a P X +1 = y X 0 = x 0,..., X = x ) = P f x, ξ +1 ) = y) = P X +1 = y X = x ). O e déduit aussi que la matrice de trasitio s écrit x, y E, Px, y) = P f x, ξ 1 ) = y). Iversemet à toute matrice de trasitio P idexée par N, o peut associer ue chaîe de Markov e costruisat ue récurrece aléatoire. État doé u état X = x de N, o choisit au hasard ue variable aléatoire ξ +1 uiforme sur [0, 1] et o attribue à X +1 la valeur y 1 X +1 = y si ξ +1 [ k=0 Px, k), y k=0 Px, k)] avec la covetio Px, 1) = 0. La même procédure s applique pour ue matrice de trasitio sur u espace E déombrable.
19 2.2. EXEMPLES DE CHAÎNES DE MARKOV Exemples de chaîes de Markov Chaîe de Markov à 3 états. O cosidère ue chaîe de Markov à 3 états, otés E = {1, 2, 3}, dot le graphe de trasitio est représeté figure 2.1. Sa matrice de trasitio P = {Pi, j)} est doée par P = 1/4 1/2 1/4 1/4 3/ ) 1/2 1/4 1 1/4 2 3/4 1/4 1 3 FIGURE 2.1 U graphe de trasitios à 3 états. Marche aléatoire. Ue marche aléatoire sur Z de probabilités de saut p, q = 1 p sur les plus proches voisis aura pour matrice de trasitio p, si y = x + 1 x, y Z, Px, y) = q, si y = x 1 0, sio La matrice de trasitio est cette fois idexée par Z Z mais la majorité de ses coefficiets sot uls). O peut aussi cosidérer la marche aléatoire das u domaie fii {1,..., L} par exemple e supposat que le domaie est périodique. Das ce cas si la marche aléatoire est e L, elle sautera e 1 avec probabilité p et réciproquemet elle sautera de 1 à L avec probabilité q. La matrice de trasitio P sera ue matrice L L P = 0 p q q 0 p q 0 p p q )
20 20 CHAPITRE 2. MATRICE DE TRANSITION File d attete. Les files d attete itervieet das des cotextes variés : au Maga, pour gérer des avios au décollage, pour le stockage de requêtes iformatiques avat leur traitemet, etc. Le modèle le plus simple cosister à supposer que ξ cliets arrivet das la file au temps. O choisit les variables ξ idépedates et idetiquemet distribuées à valeurs das N. Le serveur sert exactemet 1 cliet à chaque pas de temps si la file est pas vide. Le ombre de cliets X das la file au temps vérifie doc X = X 1 1) + + ξ. Le processus {X } 0 est ue récurrece aléatoire sur N et doc ue chaîe de Markov. Sa matrice de trasitio est doée pour tous x, y das N par Px, y) = P ξ 1 = y x 1) +). 2.3 Équatio de Chapma-Kolmogorov Soit {X } 0 ue chaîe de Markov homogèe sur E dot la doée iitiale X 0 est choisie aléatoiremet sur E selo la mesure µ 0 qui attribue les probabilités {µ 0 x)} x E aux élémets de E. Après pas de temps, X sera distribuée selo ue mesure que l o otera µ. L équatio de Chapma-Kolmogorov décrit l évolutio de la distributio µ au cours du temps à l aide de la matrice de trasitio P Chapma-Kolmogorov Soit h ue foctio de E das R. O défiit x E, Phx) = Px, y)hy). 2.5) y E Si E est fii, il s agit simplemet du produit à droite P h etre la matrice P et h = {hx)} x E vu comme u vecteur dot les coordoées sot das R. Soit µ = {µx)} x E ue mesure de probabilité sur E, o défiit le produit y E, µpy) = µx)px, y). 2.6) x E Si E est fii, il s agit du produit à gauche µ P etre u vecteur trasposé et ue matrice. Par covetio, o omet le symbole trasposé das 2.6). Pour 1, le produit matriciel P s écrit x, y E, avec la covetio P 1 = P. P +1 x, y) = P P x, y) = Px, z)p z, y) = P x, z)pz, y) 2.7) z E z E Théorème 2.3. Soit {X } 0 ue chaîe de Markov sur E de matrice de trasitio P dot la doée iitiale X 0 est distribuée selo la loi µ 0. Alors P X 0 = x 0, X 1 = x 1,..., X = x ) = µ0 x 0 ) Px 0, x 1 ) Px 1, x 2 )... Px 1, x ). 2.8)
21 2.3. ÉQUATION DE CHAPMAN-KOLMOGOROV 21 La loi µ de X est détermiée par l équatio de Chapma-Kolmogorov O a aussi x E, µ x) = µ 1 Px) = µ 0 P x). 2.9) x, y E, P X = y X 0 = x ) = P x, y). 2.10) Pour toute foctio borée h de E das R, l espérace de hx ) s écrit E hx ) X 0 = x ) = P hx). 2.11) O iterprète l équatio de Chapma-Kolmogorov e disat que la probabilité d observer X e y est la somme des probabilités de toutes les trajectoires possibles de la chaîe de Markov partat de x 0 et arrivat e y au temps y E, µ y) = {x 0,x 1,...,x 1 } E µ 0 x 0 ) Px 0, x 1 ) Px 1, x 2 )... Px 1, y). Démostratio. Pour prouver 2.8), o procède par des coditioemets successifs et o applique la propriété de Markov 2.1) à chaque étape pour retrouver les probabilités de trasitio 2.2) P X 0 = x 0,..., X = x ) = P X 0 = x 0,..., X 1 = x 1 ) P X = x X0 = x 0,..., X 1 = x 1 ) = P X 0 = x 0,..., X 1 = x 1 ) Px 1, x ) = µ 0 x 0 ) Px 0, x 1 ) Px 1, x 2 )... Px 1, x ). À la derière étape, ous avos utilisé que X 0 est distribuée selo µ 0. Pour obteir la loi de X, o écrit que X 1 peut predre toutes les valeurs possibles µ y) = P X = y ) = P X 1 = x, X = y ) = P X 1 = x ) P X = y X 1 = x ) x E x E = x E µ 1 x)px, y) = µ 1 Py) = µ 0 P y) où la derière relatio s obtiet par récurrece. L idetité 2.10) est qu u cas particulier de l équatio de Chapma-Kolmogorov 2.9) pour ue mesure iitiale µ 0 = δ x cocetrée e x. Fialemet l espérace de hx ) peut se décomposer à l aide de 2.10) E hx ) X 0 = x 0 ) = y hy)p X = y X 0 = x ) = P x, y)hy) = P hx). y Repreos l exemple de la chaîe à 3 états dot la matrice de trasitio est doée par 2.3). Les probabilités de trasitio après 2 pas de temps sot obteues par produit matriciel PX 2 = y X 0 = x) = P 2 x, y) P 2 = 1/16 1/4 1/16 1/16 9/
22 22 CHAPITRE 2. MATRICE DE TRANSITION Exercice 2.4. Soit {X } 0 ue chaîe de Markov à valeurs das E de matrice de trasitio P. Motrer que Y = X 3 est ue chaîe de Markov de matrice de trasitio P 3. Notatio. O utilisera l abréviatio suivate pour décrire l espérace d ue chaîe de Markov partat d u site x de E E x hx ) ) = E hx ) X0 = x ) := hy)p X = y X0 = x ). y E Si X 0 est iitialemet distribué sous ue mesure µ 0, o otera E µ0 hx ) ) = µ 0 P h = Processus décalé e temps {x 0,x 1,...,x } E +1 µ 0 x 0 ) Px 0, x 1 )... Px 1, x )hx ). La propriété de Markov se gééralise pour toute collectio d états {x 0,..., x, y 1,..., y K } de E P X +1 = y 1,..., X +K = y K X0 = x 0,..., X = x ) = P X1 = y 1,..., X K = y K X0 = x ). 2.12) Ceci s iterprète e disat que coditioellemet à {X = x }, le processus décalé e temps {X +k } k 0 est ue chaîe de Markov de matrice de trasitio P partat de x au temps 0 et idépedate du passé. O prouve le résultat e utilisat le théorème 2.3 P ) X +1 = y 1,..., X +K = y K X0 = x 0,..., X = x = P X 0 = x 0,..., X = x, X +1 = y 1,..., X +K = y K ) P X 0 = x 0,..., X = x ) = Px, y 1 )Py 1, y 2 )... Py K 1, y K ) = P X 1 = y 1,..., X K = y K X 0 = x ) où o a utilisé la relatio 2.8) pour obteir la troisième égalité. La propriété de Markov forte, établie das la sectio suivate, gééralise ce résultat. 2.4 Temps d arrêt et propriété de Markov forte U temps d arrêt T associé à u processus aléatoire discret {X } 0 est ue variable aléatoire à valeurs das N { } telle que pour tout 0, l évèemet {T = } est etièremet détermié par les variables {X 0,..., X }, c est à dire que pour tout il existe ue foctio ϕ : E +1 R telle que 1 {T=} = ϕ X 0,..., X ). U temps d arrêt très souvet utilisé est le premier temps d atteite d u sous esemble A E par le processus {X } 0 T A = if { 0; X A }.
. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1
Premières propriétés des ombres réels 2 Suites umériques 3 Suites mootoes : à faire 4 Séries umériques 4. Notio de série. Défiitio 4.. Soit (u ) ue suite de ombres réels ou complexes. Pour N N, o ote S
Plus en détailChapitre 3 : Fonctions d une variable réelle (1)
Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s
Plus en détail[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =
[http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.
Plus en détailIntégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :
Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +
Plus en détailProcessus et martingales en temps continu
Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de
Plus en détailCHAPITRE 2 SÉRIES ENTIÈRES
CHAPITRE 2 SÉRIES ENTIÈRES 2. Séries etières Défiitio 2.. O appelle série etière toute série de foctios ( ) f dot le terme gééral est de la forme f ()=a, où (a ) désige ue suite réelle ou complee et R.
Plus en détailSéries réelles ou complexes
6 Séries réelles ou complexes Comme pour le chapitre 3, les suites cosidérées sot a priori complexes et les résultats classiques sur les foctios cotiues ou dérivables d ue variable réelle sot supposés
Plus en détailFEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI
FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue
Plus en détail1 Mesure et intégrale
1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios
Plus en détail20. Algorithmique & Mathématiques
L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus
Plus en détailLimites des Suites numériques
Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet
Plus en détail14 Chapitre 14. Théorème du point fixe
Chapitre 14 Chapitre 14. Théorème du poit fixe Si l o examie de plus près les méthodes de Lagrage et de Newto, étudiées au chapitre précédet, elles revieet das leur pricipe à remplacer la résolutio de
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Exo7 Topologie Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Exercice **
Plus en détailDénombrement. Chapitre 1. 1.1 Enoncés des exercices
Chapitre 1 Déombremet 1.1 Eocés des exercices Exercice 1 L acie système d immatriculatio fraçais était le suivat : chaque plaque avait 4 chiffres, suivis de 2 lettres, puis des 2 uméros du départemet.
Plus en détailEtude de la fonction ζ de Riemann
Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.
Plus en détailSTATISTIQUE : TESTS D HYPOTHESES
STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie
Plus en détailChaînes de Markov. Arthur Charpentier
Chaîes de Markov Arthur Charpetier École Natioale de la Statistique et d Aalyse de l Iformatio - otes de cours à usage exclusif des étudiats de l ENSAI - - e pas diffuser, e pas citer - Quelques motivatios.
Plus en détailExo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X
Exo7 Détermiats Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable T : pour
Plus en détailConvergences 2/2 - le théorème du point fixe - Page 1 sur 9
Au sommaire : Suites extraites Le théorème de Bolzao-Weierstrass La preuve du théorème de Bolzao-Weierstrass3 Foctio K-cotractate4 Le théorème du poit fixe5 La preuve du théorème du poit fixe6 Utilisatios
Plus en détailExercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1
Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a
Plus en détailSuites et séries de fonctions
[http://mp.cpgedupuydelome.fr] édité le 3 avril 5 Eocés Suites et séries de foctios Propriétés de la limite d ue suite de foctios Eercice [ 868 ] [correctio] Etablir que la limite simple d ue suite de
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Séries etières Eercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Eercice
Plus en détailSéquence 5. La fonction logarithme népérien. Sommaire
Séquece 5 La foctio logarithme épérie Objectifs de la séquece Itroduire ue ouvelle foctio : la foctio logarithme épérie. Coaître les propriétés de cette foctio : sa dérivée, ses variatios, sa courbe, sa
Plus en détailStatistique descriptive bidimensionnelle
1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets
Plus en détail4 Approximation des fonctions
4 Approximatio des foctios Ue foctio f arbitraire défiie sur u itervalle I et à valeur das IR peut être représetée par so graphe, ou de maière équivalete par la doée de l esemble de ses valeurs f(t) pour
Plus en détailDénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions
Déombremet ECE3 Lycée Carot 12 ovembre 2010 Itroductio La combiatoire, sciece du déombremet, sert comme so om l'idique à compter. Il e s'agit bie etedu pas de reveir au stade du CP et d'appredre à compter
Plus en détailEXERCICES : DÉNOMBREMENT
Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris
Plus en détailGroupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3
1 Groupe orthogoal d'u espace vectoriel euclidie de dimesio, de dimesio Voir le chapitre 19 pour l'étude des espaces euclidies et des isométries. État doé u espace euclidie E de dimesio 1, o rappelle que
Plus en détailComportement d'une suite
Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer
Plus en détailCours 5 : ESTIMATION PONCTUELLE
Cours 5 : ESTIMATION PONCTUELLE A- Gééralités B- Précisio d u estimateur C- Exhaustivité D- iformatio E-estimateur sas biais de variace miimale, estimateur efficace F- Quelques méthode s d estimatio A-
Plus en détailx +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.
EXERCICE 3 (6 poits ) (Commu à tous les cadidats) Il est possible de traiter la partie C sas avoir traité la partie B Partie A O désige par f la foctio défiie sur l itervalle [, + [ par Détermier la limite
Plus en détailSÉRIES STATISTIQUES À DEUX VARIABLES
1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1
Plus en détailLES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil.
Qu appelle-t-o éclipse? Éclipser sigifie «cacher». Vus depuis la Terre, deu corps célestes peuvet être éclipsés : la Lue et le Soleil. LES ÉCLIPSES Pour qu il ait éclipse, les cetres de la Terre, de la
Plus en détailProbabilités et statistique pour le CAPES
Probabilités et statistique pour le CAPES Béatrice de Tilière Frédérique Petit 2 3 jui 205. Uiversité Pierre et Marie Curie 2. Uiversité Pierre et Marie Curie 2 Table des matières Modélisatio de phéomèes
Plus en détailSTATISTIQUE AVANCÉE : MÉTHODES
STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN Table des matières 1 Itroductio 5 2 Modèle de desité 7 2.1 Estimatio par istogrammes............................
Plus en détailII LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009
M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted
Plus en détailCours de Statistiques inférentielles
Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios
Plus en détailTRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 )
RAIRO Operatios Research RAIRO Oper. Res. 34 (2000) 99-129 TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) Commuiqué par Berard LEMAIRE Résumé. L étude
Plus en détailLes Nombres Parfaits.
Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie
Plus en détailProcessus géométrique généralisé et applications en fiabilité
Processus géométrique gééralisé et applicatios e fiabilité Lauret Bordes 1 & Sophie Mercier 2 1,2 Uiversité de Pau et des Pays de l Adour Laboratoire de Mathématiques et de leurs Applicatios - Pau UMR
Plus en détailUNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4
UNVERSTE MONTESQUEU BORDEAUX V Licece 3 ère aée Ecoomie - Gestio Aée uiversitaire 2006-2007 Semestre 2 Prévisios Fiacières Travaux Dirigés - Séaces 4 «Les Critères Complémetaires des Choix d vestissemet»
Plus en détail55 - EXEMPLES D UTILISATION DU TABLEUR.
55 - EXEMPLES D UTILISATION DU TABLEUR. CHANTAL MENINI 1. U pla possible Les exemples qui vot suivre sot des pistes possibles et e aucu cas ue présetatio exhaustive. De même je ai pas fait ue étude systématique
Plus en détail2 ième partie : MATHÉMATIQUES FINANCIÈRES
2 ième partie : MATHÉMATIQUES FINANCIÈRES 1. Défiitios L'itérêt est l'idemité que doe au propriétaire d'ue somme d'arget celui qui e a joui pedat u certai temps. Divers élémets itervieet das le calcul
Plus en détailDeuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES
DEUXIEME PARTIE Deuième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES Chapitre. L assurace de capital différé Chapitre 2. Les opératios de retes Chapitre 3. Les assuraces décès Chapitre 4. Les assuraces
Plus en détailFormation d un ester à partir d un acide et d un alcool
CHAPITRE 10 RÉACTINS D ESTÉRIFICATIN ET D HYDRLYSE 1 Formatio d u ester à partir d u acide et d u alcool 1. Nomeclature Acide : R C H Alcool : R H Groupe caractéristique ester : C Formule géérale d u ester
Plus en détailUNIVERSITÉ DE SFAX École Supérieure de Commerce
UNIVERSITÉ DE SFAX École Supérieure de Commerce Aée Uiversitaire 2003 / 2004 Auditoire : Troisième Aée Études Supérieures Commerciales & Scieces Comptables DÉCISIONS FINANCIÈRES Note de cours N 3 Première
Plus en détailExercices de mathématiques
MP MP* Thierry DugarDi Marc rezzouk Exercices de mathématiques Cetrale-Supélec, Mies-Pots, École Polytechique et ENS Coceptio et créatio de couverture : Atelier 3+ Duod, 205 5 rue Laromiguière, 75005 Paris
Plus en détailUV SQ 20. Automne 2006. Responsable d Rémy Garandel ( m.-el. remy.garandel@utbm.fr ) page 1
UV SQ 0 Probabilités Statistiques UV SQ 0 Autome 006 Resposable d Rémy Garadel ( m.-el. remy.garadel@utbm.fr ) page SQ-0 Probabilités - Statistiques Bibliographie: Titre Auteur(s) Editios Localisatio Niveau
Plus en détailPolynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.
Polyésie Septembre 2 - Exercice O peut traiter la questio 4 sas avoir traité les questios précédetes Pour u achat immobilier, lorsqu ue persoe emprute ue somme de 50 000 euros, remboursable par mesualités
Plus en détailIntroduction : Mesures et espaces de probabilités
Itroductio : Mesures et espaces de probabilités Référeces : Poly cédric Berardi et Jea Michel Morel. J.-F. Le Gall, Itégratio, Probabilités et Processus Aléatoire J.-Y. Ouvrard, Probabilités 2, maîtrise-agrégatio,
Plus en détailBaccalauréat S Asie 19 juin 2014 Corrigé
Bcclurét S Asie 9 jui 24 Corrigé A. P. M. E. P. Exercice Commu à tous les cdidts 4 poits Questio - c. O peut élimier rpidemet les réposes. et d. cr les vecteurs directeurs des droites proposées e sot ps
Plus en détailChap. 5 : Les intérêts (Les calculs financiers)
Chap. 5 : Les itérêts (Les calculs fiaciers) Das u cotrat de prêt, le prêteur met à la dispositio de l empruteur, à u taux d itérêt doé, ue somme d arget (le capital) qu il devra rembourser à ue certaie
Plus en détailDETERMINANTS. a b et a'
2003 - Gérard Lavau - http://perso.waadoo.fr/lavau/idex.htm Vous avez toute liberté pour télécharger, imprimer, photocopier ce cours et le diffuser gratuitemet. Toute diffusio à titre oéreux ou utilisatio
Plus en détailStatistique Numérique et Analyse des Données
Statistique Numérique et Aalyse des Doées Arak DALALYAN Septembre 2011 Table des matières 1 Élémets de statistique descriptive 9 1.1 Répartitio d ue série umérique uidimesioelle.............. 9 1.2 Statistiques
Plus en détailUniversité de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent http://www.math.u-bordeaux.fr/ machaven/ 2014-2015
Uiversité de Bordeaux - Master MIMSE - 2ème aée Scorig Marie Chavet http://www.math.u-bordeaux.fr/ machave/ 2014-2015 1 Itroductio L idée géérale est d affecter ue ote (u score) global à u idividu à partir
Plus en détailSolutions particulières d une équation différentielle...
Solutios particulières d ue équatio différetielle......du premier ordre à coefficiets costats O cherche ue solutio particulière de y + ay = f, où a est ue costate réelle et f ue foctio, appelée le secod
Plus en détailChapitre 3 : Transistor bipolaire à jonction
Chapitre 3 : Trasistor bipolaire à joctio ELEN075 : Electroique Aalogique ELEN075 : Electroique Aalogique / Trasistor bipolaire U aperçu du chapitre 1. Itroductio 2. Trasistor p e mode actif ormal 3. Courats
Plus en détailLa France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe
1/5 Trois objectifs poursuivis par le gouveremet : > améliorer la compétitivité fiscale de la Frace > péreiser les activités de R&D > faire de la Frace u territoire attractif pour l iovatio Les icitatios
Plus en détailModule 3 : Inversion de matrices
Math Stat Module : Iversio de matrices M Module : Iversio de matrices Uité. Défiitio O e défiira l iverse d ue matrice que si est carrée. O appelle iverse de la matrice carrée toute matrice B telle que
Plus en détailPrincipes et Méthodes Statistiques
Esimag - 2ème aée 0 1 2 3 4 5 6 7 0 5 10 15 x y Pricipes et Méthodes Statistiques Notes de cours Olivier Gaudoi 2 Table des matières 1 Itroductio 7 1.1 Défiitio et domaies d applicatio de la statistique............
Plus en détailDes résultats d irrationalité pour deux fonctions particulières
Collect. Math. 5, 00, 0 c 00 Uiversitat de Barceloa Des résultats d irratioalité pour deux foctios particulières Richard Choulet 7, Rue du 4 Août, 40 Aveay, Frace E-mail: richardchoulet@waadoo.fr Received
Plus en détailcapital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3...
Applicatios des maths Algèbre fiacière 1. Itérêts composés O place u capital C 0 à u taux auel T a pedat aées. Quelle est la valeur fiale C de ce capital? aée capital e fi d'aée 1 C 0 + T C 0 = C 0 (1
Plus en détailMESURE DE L'INFORMATION
MESURE DE L'INFORMATION Marc URO TABLE DES MATIÈRES INTRODUCTION... 3 INCERTITUDE D'UN ÉVÉNEMENT (OU SELF-INFORMATION)... 7 INFORMATION MUTUELLE DE DEUX ÉVÉNEMENTS... 9 ENTROPIE D'UNE VARIABLE ALÉATOIRE
Plus en détailStatistiques appliquées à la gestion Cours d analyse de donnés Master 1
Aalyse des doées Statistiques appliquées à la gestio Cours d aalyse de doés Master F. SEYTE : Maître de coféreces HDR e scieces écoomiques Uiversité de Motpellier I M. TERRAZA : Professeur de scieces écoomiques
Plus en détailUniversité Victor Segalen Bordeaux 2 Institut de Santé Publique, d Épidémiologie et de Développement (ISPED) Campus Numérique SEME
Uiversité Victor Segale Bordeaux Istitut de Saté Publique, d Épidémiologie et de Développemet (ISPED) Campus Numérique SEME MODULE Pricipaux outils e statistique Versio du 8 août 008 Écrit par : Relu par
Plus en détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
1 / 9 Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Le cycle d exploitatio des etreprises (achats stockage productio stockage vetes) peut etraîer des décalages de trésorerie plus
Plus en détailUniversité Pierre et Marie Curie. Biostatistique PACES - UE4 2013-2014
Uiversité Pierre et Marie Curie Biostatistique PACES - UE4 2013-2014 Resposables : F. Carrat et A. Mallet Auteurs : F. Carrat, A. Mallet, V. Morice Mise à jour : 21 octobre 2013 Relecture : V. Morice,
Plus en détail3.1 Différences entre ESX 3.5 et ESXi 3.5 au niveau du réseau. Solution Cette section récapitule les différences entre les deux versions.
3 Réseau Le réseau costitue u aspect essetiel d u eviroemet virtuel ESX. Il est doc importat de compredre la techologie, y compris ses différets composats et leur coopératio. Das ce chapitre, ous étudios
Plus en détailc. Calcul pour une évolution d une proportion entre deux années non consécutives
Calcul des itervalles de cofiace our les EPCV 996-004 - Cas d u ourcetage ou d ue évolutio e oit das la oulatio totale des méages - Cas d u ourcetage ou d ue évolutio das ue sous oulatio das les méages
Plus en détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Les etreprises ot souvet besoi de moyes de fiacemet à court terme : elles ot alors recours aux crédits bacaires (découverts bacaires
Plus en détailLe marché du café peut être segmenté en fonction de deux modes de production principaux : la torréfaction et la fabrication de café soluble.
II LE MARCHE DU CAFE 1 L attractivité La segmetatio selo le mode de productio Le marché du café peut être segmeté e foctio de deux modes de productio pricipaux : la torréfactio et la fabricatio de café
Plus en détailChapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.
Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES PLAN DU CHAPITRE 2 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.1 Pla de sodage 2.2.2 Probabilités d iclusio 2.3 SONDAGE
Plus en détailPOLITIQUE ECONOMIQUE ET DEVELOPPEMENT
POLTQU ONOMQU T DVLOPPMNT TRUTUR DU MAR NATONAL DU AF-AAO T PR AU PRODUTUR MALAN Beïla Beoit osultat PD N 06/008 ellule d Aalyse de Politiques coomiques du R Aée de pulicatio : Avril 009 Résumé e papier
Plus en détailSommaire Chapitre 1 - L interface de Windows 7 9
Sommaire Chapitre 1 - L iterface de Widows 7 9 1.1. Utiliser le meu Démarrer et la barre des tâches de Widows 7...11 Démarrer et arrêter des programmes...15 Épigler u programme das la barre des tâches...18
Plus en détailExamen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot
Exame fial pour Coseiller fiacier / coseillère fiacière avec brevet fédéral Recueil de formules Auteur: Iwa Brot Ce recueil de formules sera mis à dispositio des cadidats, si écessaire. Etat au 1er mars
Plus en détailTerminale S. Terminale S 1 F. Laroche
Termiale S Exercices. Rappels et exercices de base 3.. QCM (P. Egel) 3.. QCM, Atilles 005 4. 3. QCM, Liba 009, 3 poits 4. 4. QCM, C. étragers 007. 5. QCM, Frace 007 5 6. 6. QCM, N. Calédoie 007 7. 7. QCM
Plus en détailLa fibre optique arrive chez vous Devenez acteur de la révolution numérique
2 e éditio Edité par l Autorité de régulatio des commuicatios électroiques et des postes RÉPUBLIQUE FRANÇAISE DÉCEMBRE 2010 La fibre optique arrive chez vous Deveez acteur de la révolutio umérique Petit
Plus en détailLes algorithmes de tri
CONSERVATOIRE NATIONAL DES ARTS ET METIERS PARIS MEMOIRE POUR L'EXAMEN PROBATOIRE e INFORMATIQUE par Nicolas HERVE Les algorithmes de tri Souteu le mai JURY PRESIDENTE : Mme COSTA Sommaire Itroductio....
Plus en détailRégulation analogique industrielle ESTF- G.Thermique
Chapitre 5 Stabilité, Rapidité, Précisio et Réglage Stabilité. Défiitio Coditio de stabilité. Critères de stabilité.. Critères algébriques.. Critère graphique ou de revers das le pla de Nyquist Rapidité
Plus en détailSimulations interactives de convertisseurs en électronique de puissance
Simulatios iteractives de covertisseurs e électroique de puissace Jea-Jacques HUSELSTEIN, Philippe ENII Laboratoire d'électrotechique de Motpellier (LEM) - Uiversité Motpellier II, 079, Place Eugèe Bataillo,
Plus en détailGUIDE METHODOLOGIQUE INDUSTRIES, OUVREZ VOS PORTES
GUIDE METHODOLOGIQUE INDUSTRIES, OUVREZ VOS PORTES SOMMAIRE Les visites d etreprises : pourquoi ouvrir ses portes?.... 8 1.1 Des motivatios variées pour les etreprises... 8 1.2 Les freis à l ouverture
Plus en détailMobile Business. Communiquez efficacement avec vos relations commerciales 09/2012
Mobile Busiess Commuiquez efficacemet avec vos relatios commerciales 9040412 09/2012 U choix capital pour mes affaires Pour gérer efficacemet ses affaires, il y a pas de secret : il faut savoir predre
Plus en détailFaites prospérer vos affaires grâce aux solutions d épargne et de gestion des dettes
Faites prospérer vos affaires grâce aux solutios d éparge et de gestio des dettes Quelques excelletes raisos d offrir des produits bacaires et de fiducie à vos cliets Vous avez la compétece écessaire pour
Plus en détailRéseaux d ondelettes et réseaux de neurones pour la modélisation statique et dynamique de processus
Réseaux d odelettes et réseaux de euroes pour la modélisatio statique et dyamique de processus Yacie Oussar To cite this versio: Yacie Oussar. Réseaux d odelettes et réseaux de euroes pour la modélisatio
Plus en détailINTRODUCTION AUX MATRICES ALÉATOIRES. par. Djalil Chafaï
INTRODUCTION AUX MATRICES ALÉATOIRES par Djalil Chafaï Résumé. E cocevat les mathématiques comme u graphe, où chaque sommet est u domaie, la théorie des probabilités et l algèbre liéaire figuret parmi
Plus en détailTempêtes : Etude des dépendances entre les branches Automobile et Incendie à l aide de la théorie des copulas Topic 1 Risk evaluation
Tempêtes : Etude des dépedaces etre les braches Automobile et Icedie à l aide de la théorie des copulas Topic Risk evaluatio Belguise Olivier Charles Levi ACM Guy Carpeter 34 rue du Wacke 47/53 rue Raspail
Plus en détailLe Sphinx. Enquêtes, Sondages. Analyse de données. Internet : http://www.lesphinxdeveloppement.fr/club/index.html
Equêtes, Sodages Aalyse de doées Le Sphix! Iteret : http://www.lesphixdeveloppemet.fr/club/idex.html Lagarde J. Aalyse statistique de doées, Duod. Réaliser vos equêtes Questioaire Traitemets et aalyses
Plus en détailRenseignements et monitoring. Renseignements commerciaux et de solvabilité sur les entreprises et les particuliers.
Reseigemets et moitorig. Reseigemets commerciaux et de solvabilité sur les etreprises et les particuliers. ENSEMBLE CONTRE LES PERTES. Reseigemets Creditreform. Pour plus de trasparece. Etreteir des rapports
Plus en détailMécanismes de protection contre les vers
Mécaismes de protectio cotre les vers Itroductio Au cours de so évolutio, l Iteret a grademet progressé. Il est passé du réseau reliat quelques cetres de recherche aux États-Uis au réseau actuel reliat
Plus en détailLa tarification hospitalière : de l enveloppe globale à la concurrence par comparaison
ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 58 2000 La tarificatio hospitalière : de l eveloppe globale à la cocurrece par comparaiso Michel MOUGEOT * RÉSUMÉ. Cet article cosidère différetes politiques de
Plus en détail16.1 Convergence simple et convergence uniforme. une suite de fonctions de I dans R ou C.
16 Suites de foctios Suf précisio cotrire, I est u itervlle réel o réduit à u poit et les foctios cosidérées sot défiies sur I à vleurs réelles ou complexes. 16.1 Covergece simple et covergece uiforme
Plus en détailÉchantillonnage et estimation
Stage «Nouveaux programmes de Termiale S» - Ho Chi Mih-Ville Novembre 202 Échatilloage et estimatio Partie C - Frédéric Barôme page Échatilloage et estimatio Partie C : Capacités et exercices-types. Rappelos
Plus en détailConsolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe
Cosolidatio La société THEOS, qui commercialise des vis, exerce so activité das trois villes : Paris, Nacy et Nice. Le directeur de la société souhaite cosolider les résultats de ses vetes par ville das
Plus en détailInitiation à l analyse factorielle des correspondances
Fiche TD avec le logiciel : tdr620b Iitiatio à l aalyse factorielle des correspodaces A.B. Dufour & M. Royer & J.R. Lobry Das cette fiche, o étudie l Aalyse Factorielle des Correspodaces. Cette techique
Plus en détailRESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *)
RESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *) *) Uiversité de Blida Faculté des scieces Départemet de Mathématiques. BP 270, Route de Soumaa. Blida, Algérie. Tel &
Plus en détailUne action! Un message!
Ue actio! U message! Cotact Master est u service exclusif de relaces automatiques de vos actes vers vos cliets, par SMS, messages vocaux, e-mails, courrier... Il se décleche lorsque vous réalisez ue actio
Plus en détailCréation et développement d une fonction audit interne*
Créatio et développemet d ue foctio audit itere* Ue démarche e 10 étapes [ Sommaire] Dix étapes pour réussir... 7 Étapes 1 à 4 Défiitio du cadre d itervetio... 9 1 Idetifier les attetes des parties preates...
Plus en détailGérer les applications
Gérer les applicatios E parcourat les rayos du Widows Phoe Store, vous serez e mesure de compléter les services de base de votre smartphoe à travers plus de 10 000 applicatios. Gratuites ou payates, ces
Plus en détailNeolane Leads. Neolane v6.0
Neolae Leads Neolae v6.0 Ce documet, aisi que le logiciel qu'il décrit, est fouri das le cadre d'u accord de licece et e peut être utilisé ou copié que das les coditios prévues par cet accord. Cette publicatio
Plus en détailMécanique non linéaire
M MN9 Mécaique o liéaire Zhi-Qiag FENG UFR Sciece et Techologies Uiversité d Evry Val d Essoe TABLES DES MATIERES INTRODUCTION Chapitre : CONCEPTS ELEMENTAIRES. Pricipales propriétés des matériaux. Coaissace
Plus en détail