Moments des variables aléatoires réelles
|
|
- Françoise Bourgeois
- il y a 8 ans
- Total affichages :
Transcription
1 Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles Définition et calcul appels et compléments sur les séries de nombres réels Propriétés Inégalité de Markov Variance et écart-type Définition et propriétés Inégalité de Tchebitcheff Calculs pour les lois usuelles Objectifs: Comprendre la notion d espérance et de variance d une variable aléatoire réelle. Savoir les calculer pour des variables discrètes et à densité. Mots-clés: espérance, variance. Outils: linéarité de l espérance: E(aX + by ) aex + bey. positivité de l espérance: si X Y alors EX EY. formule de calcul de E(f(X)) quand X est une v.a.discrète ou à densité (théorème de transfert). non-linéarité de la variance: en général var(x + Y ) varx + vary et var(ax + b) a 2 varx. Inégalités de Markov et de Tchebitcheff.
2 6.1 Espérance des variables aléatoires réelles Définition et calcul L espérance d une variable aléatoire réelle est ce qu on nomme en langage courant sa moyenne: Définition 6.1 Soit (Ω, F, P) un espace de probabilité, et X une variable aléatoire réelle définie sur Ω. 1. Si X est discrète, on dit qu elle est intégrable (ou qu elle admet une espérance) si et seulement si x Ω(X) x P(X x) < +. Dans ce cas, son espérance EX est définie par E(X) xp(x x). x Ω(X) 2. Si X a pour densité f, on dit qu elle est intégrable si et seulement si x f(x)dx < +. Dans ce cas, son espérance EX est définie par E(X) xf(x)dx. emarque: 1. Si X est une variable aléatoire réelle qui ne prend qu un nombre fini de valeurs, son espérance, définie par une somme finie de réels, a toujours un sens. Par contre, si X est une variable aléatoire réelle qui prend un nombre dénombrable de valeurs, l espérance est naturellement définie par une série, dont il faut étudier la convergence. Pour la condition d existence de l espérance, x Ω(X) x P(X x) est une série à termes positifs. Quand elle converge (c est-à-dire quand sa somme est finie), cela implique la convergence de la série x Ω(X) xp(x x) (en effet, cette dernière série est alors absolument convergente), et cette somme x Ω(X) xp(x x) est appelée espérance de X. 2. Si X est une variable aléatoire de densité f, x f(x)dx est une intégrale, éventuellement impropre. Comme dans le cas des séries, si cette intégrale converge, cela implique l absolue convergence de l intégrale xf(x)dx, et on appelle espérance de X la valeur EX xf(x)dx. 3. L espérance de X est une moyenne pondéreée des valeurs prises par X, le poids d une valeur étant la probabilité que X prenne cette valeur. On le voit bien sur des variables aléatoires ne prenant qu un nombre fini de valeur, on peut étendre cette intuition au cas d une variable aléatoire qui prend un nombre dénombrable de valeurs, et au cas d une variable aléatoire à densité. Exemple: Considérons une variable aléatoire X de loi uniforme sur {0,... n}. C est une variable aléatoire discrète, qui ne prend qu un nombre fini de valeurs, donc elle admet une espérance: n n 1 EX kp(x k) k. n n n(n + 1) k n + 1 2(n + 1) n 2. emarquons qu on pouvait s attendre à une telle valeur. Exercice: La roulette française comporte 37 numéros, de 0 à 36, équiprobables. Le 0 est vert, la moitié des numéros restant sont rouges, les autres noirs. 1. Je mise 1 euro sur rouge. Si un numéro rouge sort, je récupère mon euro et je gagne un euro supplémentaire, sinon je perds mon euro. On note X mon gain (différence entre ce que je possède avant de jouer et ce que je possède après le jeu). Donner la loi de X et calculer son espérance. 2. Je mise 1 euro sur mon numéro fétiche, le 25. S il sort, je gagne 36 fois ma mise. Soit Y mon gain dans ce cas. Donner la loi de Y et calculer son espérance. Exemple: On considère une variable aléatoire X qui suit la loi de Poisson de paramètre λ > 0, c est-à-dire que k1 X(Ω) N et k N P(X k) e λλk k!. 46
3 Comme la variable aléatoire ne prend que des valeurs positives, on regarde kp(x k) ke λλk k! e λ k1 On a donc montré à la fois que X est intégrable et que EX λ. λ λk 1 (k 1)! λe λ l0 λ l l! λe λ e λ λ. Exercice: Soit α > 0 et C α > 0. Soit X une variable aléatoire à valeurs dans N telle que k N, P(X k) C α k α. 1. A quelle condition sur α peut-on trouver C α > 0 telle que la probabilité soit bien définie? 2. A quelle condition sur α la variable aléatoire X est-elle intégrable? Exercice: Soit X une variable aléatoire de loi uniforme sur le segment [a, b]. Calculer son espérance. Exemple: Soit X une variable aléatoire de loi exponentielle de paramètre λ. Montrer qu elle est intégrable et calculer son espérance. La densité de la loi exponentielle de paramètre λ > 0 est x f(x) λexp( λx)1 x>0. Pour que X admette une espérance, il faut que x f(x)dx < + λ x exp( λx)1 x>0 dx < + Soit M > 0. Calculons, en intégrant par parties, M λx exp( λx)dx < +. M λxexp( λx)dx [ xexp( λx] exp( λx)dx M exp( λm) + 1 (1 exp( λm). 0 λ Cette quantité a une limite quand M tend vers +, donc l intégrale est convergente et X admet une espérance. Cette espérance vaut EX M lim λx exp( λx)dx lim M exp( λm) + 1 M + 0 M + λ (1 exp( λm) 1 λ. Exercice: Lois de Cauchy. Soit α et β > 0. La densité de la loi lorentzienne de paramètres α et β est f(x) 1 βπ (x α)2 β 2 Montrer que la loi de Cauchy de paramètres α 0 et β 1 n est pas intégrable appels et compléments sur les séries de nombres réels Soit (u n ) n N une suite de nombre réels. On pose, pour tout n N, S n n u k. On dit que la série de terme général (u n ) n N converge si et seulement si la suite (S n ) n N converge et on appelle S sa somme, définie par S lim n + S n. Dans le cas contraire, on dit que la série est divergente. 47
4 Proposition 6.2 Soit (u n ) n N une suite de nombre réels positifs ou nuls, et soit ϕ une bijection de N dans N. Alors les séries de terme général (u n ) n N et (u ϕ(n) ) n N sont de même nature. Dans le cas où elles convergent, elles ont même somme. Autrement dit, pour une série à termes positifs, on peut changer l ordre de sommation sans changer la nature de la série, ni la somme de la série si elle converge. Ce n est pas le cas pour une série de terme géréral quelconque. Exercice: Démonstration: Soit ϕ : N N une bijection de N dans N. Comme (u n ) n N est une suite de nombre réels positifs ou nuls, les suites S n n u k et T n sont croissantes et tendent (en croissant) respectivement vers S et T (ces deux valeurs pouvant éventuellement être infinies). On va montrer que S T. Posons, pour n N, M n max{ϕ(k) : 0 k n}. emarquons alors que, pour tout n N, T n S Mn S, et donc en passant à la limite, T S. De même, posons, pour n N, N n max{ϕ 1 (k) : 0 k n} et remarquons alors que, pour tout n N, n S n u ϕ(ϕ 1 (k) T Nn T, et donc en passant à la limite, S T. 1. Soit (u n ) n N et (v n ) n N des suites réelles telles que: (a) (u n ) n N est croissante et (v n ) n N est décroissante, (b) pour tout n, u n v n. Montrer que les suites (u n ) n N et (v n ) n N convergent vers une même limite réelle. 2. On considère la série de terme général u n ( 1)n n. En considérant les suites de sommes partielles (S 2k) k N et (S 2k+1 ) k N, montrer que cette série converge et que sa somme est strictement positive. 3. On somme maintenant dans l ordre n u 1 + u 3 + u 2 + u 5 + u 7 + u (deux termes impairs, un terme pair). Montrer que les sommes partielles de rang un multiple de 3 sont négatives. u ϕ(k) 4. Peut-on sommer cette série dansn importe quel ordre sans changer la somme? Proposition 6.3 Soit (u n ) n N une suite de nombre réels quelconque. On suppose qu il existe une bijection ϕ de N dans N telle que la série de terme général ( u ϕ(n) ) n N converge (autrement dit telle que la série de terme général (u ϕ(n) ) n N soit absolument convergente). Alors pour toute bijection ψ : N N, les éries de terme général (u ψ(n) ) n N et ont toutes la même somme. Démonstration: admis (voir cours sur les séries numériques). Ces propriétés justifient le fait qu on puisse changer l ordre de sommation dans les preuves des propriétés qui suivent. 48
5 6.1.3 Propriétés Proposition L espérance est linéaire: si a et b sont deux nombres réels et si X et Y sont deux variables aléatoires réelles définies sur le même espace de probabilité Ω et admettant une espérance, alors ax + by admet une espérance et: E(aX + by ) aex + bey. Cas particulier: si a est une constante réelle, E(a) a. 2. L espérance est une application positive: si X est positive (ce qui signifie que ω Ω, X(ω) 0 et qui est noté X 0), et qu elle admet un moment, alors EX 0: X 0 EX 0. Cas particulier: si X Y (ce qui signifie ω Ω, X(ω) Y (ω)) alors EX EY. On va faire la preuve dans le cas de variables aléatoires discrètes. Démonstration: 1. Montrons que si a et X est une variable aléatoire discrète admettant une espérance, alors ax admet une espérance et E(aX) aex. Notons Z ax. Si a 0 alors Z 0 et la propriété est claire. Supposons maintenant que a 0. Alors l application ϕ : X(Ω) x Z(Ω) ax est une bijection, donc Z est encore une variable aléatoire discrète. Maintenant, z P(Z z) ax P(Z ax) a x P(aX ax) a x P(X x), car a 0. Donc Z admet une espérance et le même calcul sans les valeurs absolues montre que E(aX) aex. Montrons que si X et Y sont des variables aléatoires discrètes définie sur le même espace de probabilité et admettant une espérance, alors X + Y admet une espérance et E(X + Y ) EX + EY. Posons Z X + Y. Montrons que Z est encore discrète: comme X(Ω) et Y (Ω) sont finis ou dénombrables, leur produit X(Ω) Y (Ω) est encore dénombrable. Maintenant, considérons ϕ : X(Ω) Y (Ω) (x, y) x + y. Alors Z(Ω) ϕ(x(ω) Y (Ω)) est aussi fini ou dénombrable. Donc Z est une variable aléatoire discrète. Maintenant soit z Z(Ω): regardons toutes les façons dont on peut l obtenir comme somme d une valeur x X(Ω) et d une valeur y Y (Ω): par la formule des probabilités totales z P(Z z) z P {X x, Y y} z (x,y):,y Y (Ω),x+yz (x,y):,y Y(Ω),x+yz (x,y):,y Y (Ω),x+yz (x,y):,y Y (Ω),x+yz (x,y):,y Y (Ω),x+yz P(X x, Y y) z P(X x, Y y) x + y P(X x, Y y) ( x + y )P(X x, Y y). 49
6 On découpe la somme en deux morceaux: z P(Z z) egardons le premier morceau: (x,y):,y Y (Ω),x+yz + (x,y):,y Y (Ω),x+yz (x,y):,y Y (Ω),x+yz x x P(X x), x P(X x, Y z x) x P(X x, Z z) P(X x, Z z) x P(X x, Y y) x P(X x, Y y) y P(X x, Y y). par la formule des probabilités totales (on utilise le système complet ({Z z}) ). Pour le second morceau, on obtient de même (x,y):,y Y (Ω),x+yz y P(X x, Y y) y Y (Ω) y P(Y y). Comme X et Y admettent une espérance, on en déduit que Z aussi. Pour la valeur de l espérance, on reprend exactement les mêmes calculs sans les valeurs absolues. 2. C est une simple conséquence de la définition de l espérance. On va aussi donner les formules pour calculer l espérance d une fonction d une variable aléatoire: Théorème 6.5 (Théorème de transfert) Soit (Ω, F, P) un espace de probabilité, et X une variable aléatoire réelle définie sur Ω, et soit ϕ une application de dans. Alors ϕ(x) : Ω est une variable aléatoire réelle. 1. Si X est discrète, alors ϕ(x) est intégrable si et seulement si x Ω(X) ϕ(x) P(X x) < +. Dans ce cas, E(ϕ(X)) x Ω(X) ϕ(x)p(x x) x Ω(X) ϕ(x)p X (x). 2. Si X est a pour densité f, alors ϕ(x) est intégrable si et seulement si ϕ(x) f(x)dx < +. Dans ce cas, E(ϕ(X)) ϕ(x)f(x)dx. Démonstration: Faisons la preuve dans le cas discret. Soit X une variable aléatoire discrète, ϕ une application de dans. Notons Z ϕ(x). Alors ϕ : X(Ω) Z(Ω) est une surjection, donc Z est 50
7 encore une variable al ;eatoire discrète. De plus z P(Z z) z P(ϕ(X) z) z P z x ϕ 1 ({z}) x ϕ 1 ({z}) x ϕ 1 ({z}) ϕ(x) P(X x). {X x} P(X x) ϕ(x) P(X x) Pour la dernière égalité, on utilise la fait que comme ϕ : X(Ω) Z(Ω) est surjective, alors les (ϕ 1 (}z})) forment une partition de X(Ω). On en déduit la condition d intégrabilité de Z, et le même calcul sans les valeurs absolues donne la formule pour l espérance. Exemple: Pour ϕ : x x 2 : 1. Si X est discrète, alors X 2 est intégrable si et seulement si x Ω(X) x2 P(X x) < +. Dans ce cas, E(X 2 ) x Ω(X) x 2 P(X x). 2. Si X est a pour densité f, alors X 2 est intégrable si et seulement si x2 f(x)dx < +. Dans ce cas, E(X 2 ) x 2 f(x)dx. Attention! emarquer dans ces deux formules que c est sur le x que porte le carré et pas sur la probabilité ou sur la densité. Exercice: Vérifier que E(1 A ) P(A). Exercice: Soit X une variable aléatoire de loi uniforme sur {0,...,n}. Calculer E(X 2 ). Exercice: Soit X une variable aléatoire de loi uniforme sur [a, b]. Calculer E(X 2 ) Inégalité de Markov Proposition 6.6 Soit X une variable aléatoire réelle telle que E( X ) < +. Alors Démonstration: A > 0, P( X A) E( X ) A. E( X ) E( X (1 X A + 1 X >A )) E( X 1 X A ) + E( X 1 X >A ) E(A.1 X A ) AE(1 X A ) AP( X A). 51
8 Exercice: Soit X une variable aléatoire réelle telle que E X 0. Montrer que P(X 0) 1. Démonstration: Soit n N. Par l inégalité de Markov, P( X 1/n) ne X 0. emarquons alors que ]0, + [ n N [1/n, + [, et donc, par limite monotone, ( ) P(X 0) P( X > 0) P X (]0, + [) P X [1/n, + [ n N lim P X ([1/n, + [) lim P( X 1/n) 0. n + n + C est assez naturel: une variable aléatoire positive de moyenne 0 ne peut qu être égale à Variance et écart-type Définition et propriétés Lemme 6.7 Soit (Ω, F, P) un espace de probabilité, et X une variable aléatoire réelle définie sur Ω telle que E(X 2 ) < +. Alors X est intégrable. Démonstration: On va montrer que E X < +. On va découper suivant que X 1 ou X > 1, et utiliser le fait que l espérance est positive: E X E( X (1 X X >1 )) E( X 1 X 1 ) + E( X 1 X >1 ) E(1.1 X 1 ) + E( X 2 1 X >1 ) P( X 1) + E(X 2 ) < +. Définition 6.8 Soit (Ω, F, P) un espace de probabilité, et X une variable aléatoire réelle définie sur Ω. On dit que X admet un moment d ordre 2 si et seulement si E(X 2 ) < +. Dans ce cas, on définit la variance varx et l écart-type σ X par: varx E((X EX) 2 ) et σ X varx. emarque: La variance est donc une moyenne de l écart entre X et sa moyenne au carré. Elle caractérise la dispersion de X par rapport à sa moyenne. Pour des raisons d homogénéité, on lui préfère souvant dans les applications pratiques l écart-type. Noter aussi que le lemme précédent assure que si E(X 2 ) < +, la variance est bien définie. Proposition Pour le calcul, on utilise souvent: varx E(X 2 ) (EX) varx varx 0 X est constante (presque-sûrement). 4. var(ax + b) a 2 varx Démonstration: 1. Posons m EX. varx E((X EX) 2 ) E((X m) 2 ) E(X 2 2mX + m 2 ) E(X 2 ) 2mE(X) + m 2 E(X 2 ) m Ceci découle de la positivité de l espérance. 3. Notons m EX. L égalité varx E((X m) 2 ) 0 peut être vu comme: l espérance de la variable aléatoire positive (X m) 2 est nulle, donc par le résultat de l exercice du paragraphe précédent, P((X m) 2 0) 1 P(X m 0) 1 P(X m) 1. 52
9 Donc (presque-sûrement) X est égale à sa moyenne. 4. Exercice: Laissée en exercice. Attention! En général var(x + Y ) varx + vary. egarder le cas X Y. Exercice: 1. Soit X une variable aléatoire de loi uniforme sur [0, 1]. Calculer varx. 2. On pose Y ax + b. Déterminer la loi de Y (on pourra utiliser sa fonction de répartition) et calculer EY et vary. 3. Soit Z une variable aléatoire de loi uniforme sur [c, d]. A l aide des questions précédentes, calculer EZ et varz. Exercice: Soit X une variable aléatoire gaussienne de paramètre m et σ 2. Calculer EX et varx Inégalité de Tchebitcheff Proposition 6.10 Soit X une variable aléatoire réelle telle que E(X 2 ) < +. Alors ε > 0, P( X EX ε) varx ε 2. Démonstration: Notons que P( X EX ε) P((X EX) 2 ε 2 ). On applique alors l inégalité de Markov à la variable aléatoire positive (X EX) 2 : P((X EX) 2 ε 2 ) E((X EX)2 ) ε 2 varx ε 2. Exercice: Montrer que si varx 0 alors X est presque sûrement constante. 6.3 Calculs pour les lois usuelles Loi de Bernoulli de paramètre p X(Ω) {0, 1}, P(X 1) p et P(X 0) 1 p. EX p.1 + (1 p).0 p. E(X 2 ) p (1 p).0 2 p. varx E(X 2 ) (EX) 2 p p 2 p(1 p). Loi uniforme sur {0,..., n} X(Ω) {0,...,n}, k {0,...,n}, P(X k) 1/(n + 1). appel: n k n(n + 1) 2 et n k 2 n(n + 1)(2n + 1). 6 EX E(X 2 ) n n k n + 1 n 2. k 2 n + 1 n(2n + 1). 6 varx E(X 2 ) (EX) 2 n(n + 2)
10 Loi binômiale de paramètres (n, p) X(Ω) {0,...,n}, k {0,...,n}, P(X k) ( k n) p k (1 p) n k. ( ) ( ) n n 1 appel: n 1, k {1,..., n}, k n ( ) k k ( 1 ) n n 2 n 2, k {2,..., n}, k(k 1) n(n 1). k k 2 EX n ( ) n n ( n k p k (1 p) n k k k k k1 n ( ) n 1 n n p k (1 p) (n 1) (k 1) np k 1 k1 ) p k (1 p) n k pn(p + (1 p) n 1 np. n ( ) n n ( n E(X(X 1)) k(k 1) p k (1 p) n k k(k 1) k k k2 n ( ) n 2 n n(n 1) p k (1 p) (n 2) (k 2) n(n 1)p 2 k 2 varx k2 n(n 1)p 2 (p + (1 p) n 1 n(n 1)p 2. k1 ( ) n 1 p k 1 (1 p) (n 1) (k 1) k 1 ) p k (1 p) n k k2 ( ) n 2 p k 2 (1 p) (n 2) (k 2) k 2 E(X 2 ) (EX) 2 E(X(X 1)) + EX (EX) 2 n(n 1)p 2 + np n 2 p 2 np(1 p). Loi de Poisson de paramètre λ X(Ω) N et k N, P(X k) exp( λ) λk k!. Intégrabilité? EX E(X(X 1)) + k exp( λ) λk + k! k exp( λ) λk k! λexp( λ) + + k1 k1 λ k 1 λexp( λ)exp(λ) λ. (k 1)! k(k 1)exp( λ) λk + k! k(k 1)exp( λ) λk k! λ 2 exp( λ) Loi géométrique de paramètre p + k2 k2 λ k 2 (k 2)! λ2 exp( λ)exp(λ) λ 2. varx E(X 2 ) (EX) 2 E(X(X 1)) + EX (EX) 2 λ 2 + λ λ 2 λ. X(Ω) N et k N, P(X k) p(1 p) k 1. Intégrabilité? Proposition 6.11 Soit X une variable aléatoire à valeurs dans N. Alors De plus, dans ce cas, EX X est intégrable si et seulement si la série de terme général (P(X > n)) n N converge. + kp(x k) + n0 P(X > n). 54
11 Soit n N, P(X > n) + kn+1 P(X k) + kn+1 p(1 p) k 1 p(1 p) n 1 1 (1 p) (1 p)n. EX + n0 P(X > n) + n0 (1 p) n 1 1 (1 p) 1 p. Pour la variance, on verra plus tard. Loi uniforme sur [a, b] Loi exponentielle de paramètre λ Lois gaussiennes 55
Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailPROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390
PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS 6 2008/2009 Jean BERTOIN 1 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailSuites numériques 4. 1 Autres recettes pour calculer les limites
Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailProbabilités et statistique. Benjamin JOURDAIN
Probabilités et statistique Benjamin JOURDAIN 11 septembre 2013 2 i ii À Anne Préface Ce livre est issu du polycopié du cours de probabilités et statistique de première année de l École des Ponts ParisTech
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailMA6.06 : Mesure et Probabilités
Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détail1 TD1 : rappels sur les ensembles et notion de probabilité
1 TD1 : rappels sur les ensembles et notion de probabilité 1.1 Ensembles et dénombrement Exercice 1 Soit Ω = {1, 2, 3, 4}. Décrire toutes les parties de Ω, puis vérier que card(p(ω)) = 2 4. Soit k n (
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailCours de probabilité et statistique
Cours de probabilité et statistique 0.4 0.35 0.3 0.25 0.2 0.15 0.1 0.05 0-4 -3-2 -1 0 1 2 3 4 Denis Bichsel 1 1 Probabilité et statistique 1.1 Introduction Le calcul des probabilité semble avoir son origine
Plus en détailThéorie de la Mesure et Intégration
Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 & UE LM365 Intégration 2 Année 2010 11 Théorie de la Mesure et Intégration Responsable des cours : Amaury LAMBERT
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailThéorie de la Mesure et Intégration
Ecole Nationale de la Statistique et de l Administration Economique Théorie de la Mesure et Intégration Xavier MARY 2 Table des matières I Théorie de la mesure 11 1 Algèbres et tribus de parties d un ensemble
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
Plus en détailEI - EXERCICES DE PROBABILITES CORRIGES
EI 1 EI - EXERCICES DE PROBABILITES CORRIGES Notations 1 Les coefficients du binôme sont notés ( n p 2 Un arrangement de n objets pris p à p est noté A p n 3 Si A est un ensemble fini, on notera A ou card
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailMESURE ET INTÉGRATION EN UNE DIMENSION. Notes de cours
MSUR T INTÉGRATION N UN DIMNSION Notes de cours André Giroux Département de Mathématiques et Statistique Université de Montréal Mai 2004 Table des matières 1 INTRODUCTION 2 1.1 xercices.............................
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailn N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t
3.La méthode de Dirichlet 99 11 Le théorème de Dirichlet 3.La méthode de Dirichlet Lorsque Dirichlet, au début des années 180, découvre les travaux de Fourier, il cherche à les justifier par des méthodes
Plus en détailIntroduction au Calcul des Probabilités
Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Bât. M2, F-59655 Villeneuve d Ascq Cedex Introduction au Calcul des Probabilités Probabilités à Bac+2 et plus
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailCalcul élémentaire des probabilités
Myriam Maumy-Bertrand 1 et Thomas Delzant 1 1 IRMA, Université Louis Pasteur Strasbourg, France Licence 1ère Année 16-02-2006 Sommaire La loi de Poisson. Définition. Exemple. 1 La loi de Poisson. 2 3 4
Plus en détailQuelques tests de primalité
Quelques tests de primalité J.-M. Couveignes (merci à T. Ezome et R. Lercier) Institut de Mathématiques de Bordeaux & INRIA Bordeaux Sud-Ouest Jean-Marc.Couveignes@u-bordeaux.fr École de printemps C2 Mars
Plus en détailUniversité Paris 8 Introduction aux probabilités 2014 2015 Licence Informatique Exercices Ph. Guillot. 1 Ensemble fondamental loi de probabilité
Université Paris 8 Introduction aux probabilités 2014 2015 Licence Informatique Exercices Ph. Guillot 1 Ensemble fondamental loi de probabilité Exercice 1. On dispose de deux boîtes. La première contient
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailP1 : Corrigés des exercices
P1 : Corrigés des exercices I Exercices du I I.2.a. Poker : Ω est ( l ensemble ) des parties à 5 éléments de l ensemble E des 52 cartes. Cardinal : 5 I.2.b. Bridge : Ω est ( l ensemble ) des parties à
Plus en détailMesures gaussiennes et espaces de Fock
Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailUn K-espace vectoriel est un ensemble non vide E muni : d une loi de composition interne, c est-à-dire d une application de E E dans E : E E E
Exo7 Espaces vectoriels Vidéo partie 1. Espace vectoriel (début Vidéo partie 2. Espace vectoriel (fin Vidéo partie 3. Sous-espace vectoriel (début Vidéo partie 4. Sous-espace vectoriel (milieu Vidéo partie
Plus en détail