LES PROBABILITÉS POUR LES OPTIONS B, C ET D
|
|
- Bénédicte Duquette
- il y a 8 ans
- Total affichages :
Transcription
1 LES PROBABILITÉS POUR LES OPTIONS B, C ET D PRÉPARATION À L AGRÉGATION EXTERNE DE MATHÉMATIQUES DE L UNIVERSITÉ RENNES 1 1 ANNÉE 2009/ ESPACE PROBABILISÉ - VARIABLE ALÉATOIRE 1.1 ESPACE PROBABILISÉ Lors d u lacer de dé, o peut raisoablemet coveir que les 2 seules issues possibles sot "Pile" ou "Face". L esemble des résultats possibles de l expériece, ou uivers, est alors Ω = {Pile, Face}. Si la pièce est équilibrée, o peut affecter à cet esemble ue probabilité P telle que pour chaque ω Ω, appelé évetualité, P({ω}) = 1/2. Afi de redre compte de situatios plus complexes, o doit cosidérer le cas où l uivers Ω associé à l expériece est pas déombrable. Pour des raisos techiques, o est alors cotrait d associer à Ω ue tribu de parties F, et le couple (Ω,F ) s appelle espace probabilisable. Défiie à partir de l uivers, la tribu F représete les issues possibles de l expériece ; u élémet de F est doc aturellemet appelé évéemet. Si P est ue probabilité sur (Ω,F ), i.e. ue mesure de masse 1 sur (Ω, F ), le triplet (Ω, F, P) s appelle espace probabilisé. De maière implicite, o se place das toute la suite sur l espace probabilisé (Ω,F,P). Les propriétés ci-dessous sot des coséqueces immédiates de la défiitio d ue probabilité : P(/0) = 0 ; P(A B) = P(A) + P(B) P(A B), pour 2 évéemets A,B [EGALITÉ DE POINCARÉ] ; P(A) = 1 P(A c ) pour u évéemet A ; P(A) P(B) et P(B \ A) = P(B) P(A) pour 2 évéemets A,B tels que A B ; P ( A ) P(A ), pour ue suite d évéemets (A ) [INÉGALITÉ DE BOOLE]. 1.2 VARIABLE ALÉATOIRE ET LOI Si l o veut décrire la durée de vie d ue ampoule par exemple, le cocept d espace probabilisé est pas adapté. O itroduit alors la otio de variable aléatoire : Défiitio. O appelle variable aléatoire à valeurs das R d ue applicatio mesurable de (Ω,F ) das (R d,b(r d )). O utilise l abbréviatio v.a., ou v.a.r. pour désiger ue v.a. à valeurs réelles (d = 1). Pour A B(R d ), o peut aisi calculer la probabilité de l évéemet X 1 (A), traditioellemet oté {X A} ; il s agit doc de calculer P({X A}). Cette otatio est écourtée e P(X A). Si X est ue v.a.r. associée à la durée de vie de l ampoule, cela sigifie que pour chaque évetualité ω, X(ω), appelé réalisatio de X, est la durée de vie pour la cofiguratio ω de l uivers. Il faut oter que l uivers Ω a chagé de rôle : il e représete plus l esemble des résultats possibles de l expériece (qui est ici R + ), mais plutôt des coditios expérimetales, qui mèet à telle ou telle valeur pour la durée de vie de l ampoule. Das le cadre de cette expériece, il est pas possible de décrire l applicatio X. O se toure alors vers ue otio plus faible, celle de loi (de probabilité). Défiitio. Soit X ue v.a. à valeurs das R d. La loi de X, otée P X, est la mesure image de P par X. Plus cocrètemet, P X est défiie par : P X (A) = P X 1 (A) = P(X A), A B(R d ). Si X = (X 1,,X d ) t est ue v.a. à valeurs das R d, la loi de chaque coordoée X i s appelle loi margiale et o appelle quelquefois loi joite la loi de X, afi de lui doer u statut à part. O otera à ce sujet les faits suivats : La coaissace de la loi joite permet de retrouver les lois margiales (cf [O, p. 12]), car, par exemple, pour chaque A B(R), P(X 1 A) = P(X A 1 ), si A 1 = {x R d : x 1 A} ; La coaissace des lois margiales e permet pas -sas autre iformatio- de retrouver la loi joite ; 1. Beoît Cadre - ENS Cacha Bretage 1
2 La loi d ue permutatio des coordoées de X est e gééral pas la loi de X, et ceci même si les lois margiales sot idetiques. Pour illustrer simultaémet les 2 derières assertios, o peut cosidérer le cotre-exemple suivat. Sur l espace probabilisé (Ω,P), où Ω = {a,b,c} et P est la probabilité uiforme sur Ω i.e. P({ω}) = 1/3 pour tout ω Ω, o ote X 1 et X 2 les v.a. telles que X 1 (a) = 0, X 1 (b) = 1, X 1 (c) = 2, X 2 (a) = 2, X 2 (b) = 0 et X 2 (c) = 1. Alors, X 1 et X 2 suivet la même loi uiforme sur {1,2,3} i.e. P(X 1 = i) = P(X 2 = i) = 1/3 pour i {1,2,3}, mais la loi de (X 1,X 2 ) est différete de celle de (X 2,X 1 ). Les exemples de lois usuelles sot absolumet cotiues par rapport à la mesure de Lebesgue sur R d ou la mesure de comptage sur Z d, que l o appelle das ce cotexte des mesures domiates. Le théorème de Rado-Nikodym [O, p. 6] ous doe alors ue foctio f X (otatio adoptée pour toute la suite), appelée desité de la loi de X par rapport à la mesure domiate ν, telle que f X est ν-p.p. positive et f X dν = 1. Exemples de lois de v.a.r. [FF1, chap. 7 et 14]. LOI UNIFORME U (D), avec D N fii. C est la loi sur D, dot la desité par rapport à la mesure de comptage sur D vaut 1/card(D). LOI BINOMIALE B(, p), avec N et p [0,1]. C est la loi sur {0,,}, dot la desité par rapport à la mesure de comptage sur {0,,} vaut C k p k (1 p) k. Cas particulier : LOI DE BERNOULLI B(p) = B(1, p). LOI DE POISSON P(λ), avec λ 0. C est la loi sur N, dot la desité par rapport à la mesure de comptage sur N vaut exp( λ)λ k /k!. Pour ue v.a. X à valeurs das N telle que P(X = k) 0 k N, o a l équivalece (cf [FF1, p. 76]) : λ 0 avec X P(λ) P(X = )/P(X = 1) = λ/ 1. LOI GÉOMÉTRIQUE G (p), avec p [0,1]. C est la loi sur N, dot la desité par rapport à la mesure de comptage sur N vaut p(1 p) k 1. LOI UNIFORME U ([a,b]), avec a < b. C est la loi sur [a,b], dot la desité par rapport à la mesure de Lebesgue sur [a,b] vaut 1/(b a). LOI NORMALE, OU GAUSSIENNE N (m,σ 2 ), avec m R et σ > 0. C est la loi sur R, dot la desité par rapport à la mesure de Lebesgue sur R vaut 1/(σ 2π)exp ( (x m) 2 /(2σ 2 )). LOI GAMMA γ(a,λ), avec a,λ > 0. C est la loi sur R +, dot la desité par rapport à la mesure de Lebesgue sur R + vaut (λ/γ (a))exp( λx)(λx) a 1, avec Γ (a) = 0 exp( x)xa 1 dx. Cas particulier : LOI EXPONENTIELLE E (λ) = γ(1,λ). Pour ue v.a. X à valeurs das R + qui possède ue desité par rapport à la mesure de Lebesgue, o a l équivalece (cf [FF1, p. 184]) : λ > 0 avec X de loi E (λ) P(X > x + y) = P(X > x)p(x > y) x,y > THÉORÈME DE TRANSFERT - ESPÉRANCE ET VARIANCE Reveos au problème de la modélisatio de la durée de vie d ue ampoule, représetée par ue v.a.r. X. Das le cadre d u modèle, o a fixé ue loi de probabilité suivie par X, par exemple ue loi E (λ). O ote alors X E (λ). Ue caractéristique importate de l ampoule est sa durée de vie moyee. Il s agit d ue moyee, podérée par la loi de probabilité suivie par X. Le théorème de trasfert permet de formaliser ce poit de vue : Théorème de trasfert [FF1, p.130]. Soit X ue v.a. à valeurs das R d, et g ue foctio boréliee de R d das R. Alors, si l ue des expressios Ω g XdP ou R d gdp X existe, il e est de même pour l autre et l o a : Ω g X dp = gdp X. R d Pour simplifier, o ote g(x) = g X et, sous les coditios d itégrabilité adéquates : E(g(X)) = g(x) dp. Ω E particulier, E(1 A (X)) = P(X A) pour tout borélie A. Par ailleurs, o a g(x) L 1 (P) si, et seulemet si g L 1 (P X ). Das les 2 cas fodametaux (discret et à desité), la formule de trasfert s éoce aisi : E(g(X)) = g(x) f (x)dx, si P X(dx) = f (x)dx; R d = k Z d g(k)p(x = k), si P X = k Z d P(X = k)δ k. 2
3 Ce théorème est aussi l occasio de défiir des quatités fodametales, les momet, variace, covariace et efi matrice de variace : MOMENT D ORDRE p DE LA V.A.R. X. Si X L p (P), so momet d ordre p est E(X p ). L espérace, ou moyee de X est E(X) ; VARIANCE DE LA V.A.R. X. Si X L 2 (P), la variace de X est : var(x) = E ( (X E(X)) 2) = E(X 2 ) ( E(X) ) 2. Elle représete l écart des valeurs de X par rapport à sa moyee. Noter que E(X) existe car L 2 (P) L 1 (P), et que si a R : var(ax) = a 2 var(x). Efi, E(X) est, pour le critère L 2 (P), la meilleure approximatio de X par ue costate. COVARIANCE ENTRE LES V.A.R. X ET Y. Si X,Y L 2 (P), la covariace etre X et Y est : cov(x,y ) = E ( (X E(X))(Y E(Y )) ) = E(XY ) E(X)E(Y ). Elle joue u rôle crucial das la otio d idépedace (cf. Sectio 3). O otera e particulier les relatios cov(x, X) = var(x), var(x +Y ) = var(x) + var(y ) cov(x,y ) et cov(x + Z,Y ) = cov(x,y ) + cov(z,y ) si Z est ue v.a.r. de carré itégrable. ESPÉRANCE ET MATRICE DE VARIANCE D UN VECTEUR ALÉATOIRE. U vecteur aléatoire est rie d autre qu ue v.a. X = (X 1,,X d ) t à valeurs das R d. Sous les coditios d itégrabilité adéquates, so espérace E(X) est le vecteur des espéraces des coordoées, et sa matrice de variace est défiie par V(X) = (cov(x i,x j )) i, j. Noter que V(X) est ue matrice symétrique positive. Quelques calculs d espéraces et variaces. Si X B(, p), E(X) = p et var(x) = p(1 p) ; Si X P(λ), E(X) = var(x) = λ ; Si X N (m,σ 2 ), E(X) = m et var(x) = σ 2 ; Si X γ(a,λ), E(X) = a/λ et var(x) = a/λ 2 ; Si X G (p) avec p > 0, E(X) = 1/p et var(x) = (1 p)/p 2. Si l espérace et la variace e caractériset pas la loi d ue v.a., elles cotribuet éamois au cotrôle des déviatios de la v.a. E effet, si X L 1 (P) est ue v.a.r., o a t > 0 : P( X t) E( X ) t [INÉGALITÉ DE MARKOV]. Si X L 2 (P), o peut estimer plus précisémmet la probabilité de déviatio de X par rapport à sa moyee : t > 0 : P( X E(X) t) var(x) t 2 [INÉGALITÉ DE BIENAYMÉ-TCHEBITCHEV]. 2. CALCUL DE LOIS : FONCTION DE RÉPARTITION, FONCTION CARACTÉRISTIQUE ET TRANSFORMÉE DE LAPLACE 2.1 LE THÉORÈME DE LA LOI IMAGE Si X possède ue desité f sur R par rapport à la mesure de Lebesgue, et si ϕ : R R est u difféomorphisme de classe C 1, o a d après le théorème de trasfert, pour tout borélie A : P(ϕ(X) A) = 1 A (ϕ(x))p X (dx) = 1 A (ϕ(x)) f (x)dx = f ϕ 1 (y) ( ϕ 1) (y) dy. A R R Aisi, ϕ(x) possède ue desité par rapport à la mesure de Lebesgue qui est f ϕ 1 (y) (ϕ 1 ) (y). O peut gééraliser ce résultat : Théorème de la loi image. [FF1, p. 195] Soit X ue v.a. à valeurs das u ouvert U de R d, et ϕ : U V u difféomorphisme de classe C 1. Si X possède ue desité f, alors Y = ϕ(x) possède ue desité, qui vaut : f ϕ 1 Jac ϕ 1 1 V. Le calcul de la loi image se ramèe doc das ce cas à u calcul d itégrale multiple. 3
4 Exemples. Si X est ue v.a.r. de desité f par rapport à la mesure de Lebesgue, la v.a.r. 1/X possède ue desité, qui est (1/x 2 ) f (1/x). E particulier, si X suit la loi de Cauchy, i.e. X est à desité f X (x) = 1/(π(1 + x 2 )) par rapport à la mesure de Lebesgue sur R, alors 1/X X ; Si m R et σ > 0, N (m,σ 2 ) = m + σ N (0,1) au ses suivat : X m + σy, si X N (m,σ 2 ) et Y N (0,1). 2.2 LA FONCTION DE RÉPARTITION Note prélimiaire. Nous e parleros ici que de foctio de répartitio pour ue v.a.r., car elle est essetiellemet utilisée das ce cotexte. Néamois, o peut, au prix de quelques complicatios techiques supplémetaires, défiir cette otio pour des v.a. à valeurs das R d (cf [FF1, p. 142]). Défiitio. O appelle foctio de répartitio (f.r.) toute foctio F : R [0,1] croissate, cotiue à droite, et telle que lim F = 0, lim + F = 1. Pour ue v.a.r. X, la foctio F X défiie par F X (x) = P(X x) est ue f.r., appelée foctio de répartitio de X (la otatio F X est adoptée pour toute la suite). Si X possède ue desité f par rapport à la mesure de Lebesgue, la dérivée de F X vaut f ; autremet dit, F X caractérise la loi, représetée ici par f. Ce phéomèe se gééralise à tous les types de lois, comme le motre le résultat suivat : Théorème [FF1, p ]. A toute foctio de répartitio correspod ue et ue seule mesure de probabilité sur (R, B(R)). E d autres termes, 2 v.a.r. ot même loi si, et seulemet si, elles ot même f.r. O souhaite calculer la loi de X 2, avec X N (0,1). Ce calcul e peut pas se faire e utilisat le théorème de la loi image. E revache, l usage de la f.r. permet de trouver la loi de X 2 : la dérivée de la f.r. de X 2 est la desité de la loi γ(1/2,1/2). Doc X 2 γ(1/2,1/2). Géérer ue réalisatio d ue v.a.r. Supposos que l o veuille géérer ue réalisatio d ue v.a.r. X. Pour simplifier, o suppose que F X est strictemet croissate (cf [O, p. 29] pour le cas gééral). O sait géérer ue réalisatio u d ue v.a.r. U U [0,1] (géérateur aléatoire). E remarquat que FX 1 (U) X car F FX 1 (U) = F X, o e déduit que FX 1 (u) est ue réalisatio de X. 2.3 LA FONCTION CARACTÉRISTIQUE Défiitio. Soit X ue v.a. à valeurs das R d. O appelle foctio caractéristique (f.c.) de X, et o ote ϕ X, la trasformé de Fourier de P X. Autremet dit, pour tout t R d : ϕ X (t) = ˆP X (t) = E ( exp(i < t,x >) ). Ue f.c. est défiie et cotiue partout, et borée par 1. De plus, si X est ue v.a. à valeurs das R d, o a pour tout A M d,k et b R k, ϕ AX+b (t) = exp(i < b,t >)ϕ X (A t), t R k. Théorème d uicité [FF1, p. 166] ou [O, p. 201]. La foctio caractéristique d ue v.a. à valeurs das R d caractérise sa loi. E d autres termes, 2 v.a. à valeurs das R d ot même loi si, et seulemet si, elles ot même f.c. La loi de X est symétrique (i.e. X X) si, et seulemet si, ϕ X e pred que des valeurs réelles. Efi, toute combiaiso covexe de f.c. est ue f.c. Il est doc essetiel de calculer les f.c. des lois usuelles. Faisos-le pour X N (0,1). Comme la loi N (0,1) est symétrique, ϕ X (t) = E ( cos(tx) ) = 1 2π R cos(tx)e x2 /2 dx. O motre alors que ϕ X (t) = tϕ X(t). Comme ϕ X (0) = 1, o obtiet ϕ X (t) = e t2 /2. E utilisat l égalité N (m,σ 2 ) = m + σn (0,1) (cf sectio 2.1), o e déduit la f.c. de la loi N (m,σ 2 ). 4
5 Foctios caractéristiques de lois classiques [FF1, chap. 7 et 14]. LOI BINOMIALE B(, p), avec N et p [0,1]. Sa f.c. vaut (1 p + pe it ). LOI DE POISSON P(λ), avec λ > 0. Sa f.c. vaut exp(λ(e it 1)). LOI GÉOMÉTRIQUE G (p), avec p [0,1]. Sa f.c. vaut pe it /(1 (1 p)e it ). LOI EXPONENTIELLE E (λ), avec λ > 0. Sa f.c. vaut λ/(λ it). LOI NORMALE, OU GAUSSIENNE N (m,σ 2 ), avec m R et σ > 0. Sa f.c. vaut exp(itm σ 2 t 2 /2). LOI GAMMA γ(a,λ), avec a,λ > 0. Sa f.c. vaut (λ/(λ it)) a. Passos maiteat e revue d autres propriétés essetielles de la f.c. Das ce qui suit, o cosidère le cas d ue v.a.r. Le cas des v.a. à valeurs das R d se traite de maière similaire, au prix de quelques complicatios techiques supplémetaires. Théorème. Soit X ue v.a.r. (1). [O, p. 203]. Si ϕ X est Lebesgue-itégrable, alors X possède ue desité par rapport à la mesure de Lebesgue, qui vaut e chaque x : 1 ϕ X (t)exp( ixt)dt. 2π R (2). [O, p. 208]. Si X L (P), alors ϕ C et pour chaque l = 1,, : ϕ (l) X (0) = il E(X l ). (3). [O, p. 208]. Si ϕ X est k fois dérivable e 0 (k 2), alors X L 2[k/2] (P). De plus, pour chaque l = 1,,2[k/2] : ϕ (l) X (0) = il E(X l ). (4). [O, p. 214]. Si X L (P) pour tout, et si limsup X L (P)/ = 1/R <, alors ϕ X est développable e série etière au voisiage de tout réel, le rayo de covergece état supérieur à R/e. D après (2), o a doc le développemet : (it) ϕ X (t) = l ] l 0 l! E(X l ), t R e, R [. e Difficile, das cette sectio, de e pas évoquer la otio de vecteur (aléatoire) gaussie. La otio de v.a. gaussiee est essetielle e probabilités (cf sectio 6.2). Défiitio. O dit que X est u vecteur gaussie de R d, et o ote X N d (m,σ), si il existe m R d et Σ M d (R) symétrique positive tels que la foctio caractéristique ϕ X de X s écrit : ( ϕ X (u) = exp i < u,m > 1 ) 2 ut Σu, u R d. Remarques [DD1, p ]. Cette défiitio iclut otammet le cas où X suit ue loi de Dirac e m (cas Σ = 0) ; Si X N d (m,σ), alors E(X) = m et V(X) = (cov(x i,x j )) i, j=1,,d = Σ. E particulier, u vecteur gaussie admet u momet d ordre 2 et, de maière plus géérale, des momets de tous ordres ; U vecteur gaussie admet ue desité par rapport à la mesure de Lebesgue si, et seulemet si sa matrice de variace est iversible. 2.2 LA TRANSFORMÉE DE LAPLACE Défiitio. Soit X ue v.a. à valeurs das R d. O appelle trasformée de Laplace de X, et o ote L X, la foctio défiie par pour chaque t R d tel que l itégrale soit défiie. L X (t) = E ( exp(< t,x >) ), La trasformée de Laplace jouit de propriétés très similaires à la f.c. E particulier, elle caractérise la loi et les momets d ue v.a. peuvet être déduits de dérivatios successives de la trasformée de Laplace. So icovéiet majeur est qu elle est e gééral pas défiie sur tout R d, cotrairemet à la f.c. Pour ue v.a. X à valeurs das R d, o ote I X = {t R d : L X (t) est défiie}. Propositio [DD1, p. 73]. Soit X ue v.a. à valeurs das R d. Alors, l esemble I X est covexe, et la foctio L X est de classe C das l itérieur de I X. De plus, la foctio ll X est covexe sur I X ; elle est même strictemet covexe si X e suit pas ue loi de Dirac. 5
6 Si la trasformée de Laplace de X est défiie sur u ouvert coteat 0, X possède des momets de tous ordres. E ce ses, l utilisatio de la trasformée de Laplace pour caractériser ue loi est doc mois pratique que l utilisatio de la f.c. E fait, l itérêt de la trasformée de Laplace e probabilités est à rechercher ailleurs. Si X est ue v.a.r., la trasformée de Cramer de X (cf [DD1, p. 78]) est la foctio h X défiie par : h X (u) = sup t I X ( ut llx (t) ). Théorème [DD1, p. 79]. Soit X ue v.a.r. telle que l itérieur de I X soit u voisiage de 0. Alors, h X (t) > 0 si t E(X), et : P(X t) exp( h X (t)) pour t > E(X) et P(X t) exp( h X (t)) pour t < E(X). Ces iégalités amélioret cosidérablemet l iégalité de Markov. Cepedat, elles e sot valables que pour des lois admettat des momets de tous ordres. Nous reviedros sur l utilisatio de la trasformée de Laplace pour ue somme de v.a.r. das la sectio LA NOTION D INDÉPENDANCE 3.1 INDÉPENDANCE D ÉVÉNEMENTS ET DE CLASSES D ÉVÉNEMENTS Le cocept d idépedace est l ue des spécificités majeures des probabilités par rapport à l aalyse. Défiitio. O dit que des évéemets A 1,,A sot idépedats si pour tout I {1,,}, o a ( ) P A i = P(A i ). i I i I Tout évéemet est doc idépedat de Ω et /0. De plus, si A et B sot idépedats, il e va de même pour A et B c. O trouvera bie d autres propriétés de cette ature das [FF1, p. 58]. Exemple. Le modèle probabiliste associé à l expériece aléatoire de 2 lacers idépedats d u dé équilibré est (Ω, P), avec Ω = {1,,6} 2 et P({ω}) = 1/6 pour chaque évetualité ω. Les évéemets A : "le 1er lacer doe u ombre pair" et B : "le 2d lacer doe u ombre impair" sot idépedats. Il est importat de oter que l idépedace des évéemets 2 à 2 est pas suffisate : si C est l évéemet "les 2 lacers doet des ombres de même parité", alors les 3 évéemets sot idépedats 2 à 2, mais A,B,C e costitue pas u système d évéemets idépedats, car P(A B C) = 0 P(A)P(B)P(C). Le cocept d idépedace s exporte aturellemet à ue suite ifiie. Défiitio. Soit (A ) 1 ue suite d évéemets. O dit que les évéemets A 1,A 2, sot idépedats si toute suite fiie extraite de la suite (A ) 1 est costituée d évéemets idépedats. Pour les classes d évéemets, la otio d idépedace est défiie comme suit : Défiitio. Les classes d évéemets C 1,C 2, sot dites idépedates si, pour tous A 1 C 1,A 2 C 2,, les évéemets A 1,A 2, sot idépedats. E particulier, cette défiitio gééralise la otio d idépedace de tribus. Le résultat ci-dessous, sur lequel o serait teté de jeter u coup d oeil distrait, est d utilité costate das la maipulatio des v.a. idépedates : Théorème [FF1, p. 60]. Soiet π 1,π 2, des classes d évéemets qui sot idépedates. Si, pour chaque i 1, π i est stable par itersectio fiie, les tribus σ(π 1 ),σ(π 2 ), sot idépedates. 6
7 3.2 INDÉPENDANCE DE VARIABLES ALÉATOIRES L idée est la suivate : deux v.a. sot idépedates si les tribus qu elles egedret le sot. O se permet das ce qui suit d aborder d emblée le cas d ue suite évetuellemet ifiie de v.a. Cela suppose que l o puisse défiir ue otio de mesure produit sur (R d ) N par exemple, ce que ous admettros ici. La costructio d ue telle probabilité fait l objet du théorème de prologemet de Kolmogorov, qui e figure pas au programme de l agrégatio. Défiitio. Les v.a. (X ) 1 à valeurs das R d sot idépedates si les tribus σ(x 1 ),σ(x 2 ), sot idépedates. O e déduit par u argumet habituel de desité que les v.a. (X ) 1 à valeurs das R d sot idépedates si, seulemet si, pour tout I N fii et toute famille de foctios mesurables borées (ou positives) (g i ) i I défiies sur R d et à valeurs das R (cf [O, p. 42]) : ( ) E g i (X i ) i I = E ( g i (X i ) ). i I L idépedace etre v.a. est ue propriété de la loi. Cosidéros le cas de 2 v.a. (extesio immédiate au cas de v.a.). Les v.a. X 1 et X 2 sot idépedates (o otera cette propriété X 1 X 2 ) si, et seulemet si, P (X1,X 2 ) = P X1 P X2 (cf [FF1, p. 132] ou [O, p. 41]). Selo la ature de la loi du couple (discrète ou à desité), o e déduit les critères d idépedace suivats (cf [O, p. 43]) : Si i, X i possède ue desité par rapport à la mesure de Lebesgue sur R d, o a : X 1 X 2 f (X1,X 2 )(x 1,x 2 ) = f X1 (x 1 ) f X2 (x 2 ), pour Lebesgue-presque tout (x 1,x 2 ); Si i, X i est à valeurs das u esemble discret D, o a : X 1 X 2 P(X 1 = x 1,X 2 = x 2 ) = P(X 1 = x 1 )P(X 2 = x 2 ), x 1,x 2 D. Remarquer ici l usage de la virgule, qui remplace le symbole " ". Combié au théorème de la loi image, o peut utiliser ces caractérisatios de l idépedace pour e déduire facilemet la loi de certaies trasformatios de v.a. A titre d exemple, si X Y avec X Y N (0,1), X/Y suit la loi de Cauchy. Par ailleurs, le derier théorème de la sectio 3.1 motre que des v.a.r. X 1 et X 2 sot idépedates dès que pour chaque s,t R : P(X 1 s,x 2 t) = P(X 1 s)p(x 2 t). Cette propriété s éted facilemet au cas d ue suite de v.a.r. De maière plus géérale, o a u critère d idépedace etre v.a. qui est relativemet simple : Théorème. Soit (X i ) i 1 ue suite de v.a. à valeurs das R d, et pour chaque i 1, π i B(R d ) ue classe stable par itersectio fiie et telle que σ(π i ) = B(R d ). Si les classes d évéemets X1 1 (π 1 ),X2 1 (π 2 ), sot idépedates, alors les v.a. (X i ) i 1 sot idépedates. Quelques exemples icotourables. Soiet X Y, avec X N (0,1) et Y N (0,1). Notos (R,Θ) la représetatio polaire du vecteur aléatoire (X,Y ) t. Alors, R Θ, R 2 E (1/2) et Θ U [0,2π] (cf [FF1, p. 198]). Soiet X Y, avec X E (λ 1 ) et Y E (λ 2 ). Alors, if(x,y ) E (λ 1 + λ 2 ). [Utilisatio de la f.r.] Soiet X 1,,X des v.a.r. idépedates et de même loi, de desité f par rapport à la mesure de Lebesgue, et de f.r. F. O ote σ ue permutatio aléatoire de {1,,} (e fait la seule p.s., car P(X i = X j ) = 0 si i j) telle que X σ(1) X σ(). Alors, la v.a. X σ(k) admet ue desité, qui vaut (cf [O, p. 79]) : f (x)c k 1 1 F(x)k 1 ( 1 F(x) ) k, x R. La suite X σ(1),,x σ() est la statistique d ordre associée à la suite X 1,,X. Soiet X, Y des v.a.r. avec X Y. O suppose que le vecteur aléatoire M = (X,Y ) t possède ue desité par rapport à la mesure de Lebesgue, et que cette desité est strictemet positive e tout poit. Alors, o a l équivalece : σ > 0, tel que X Y N (0,σ 2 ) la desité de M est radiale (cf [FF1, p. 157]). Soiet (X ) 1 des v.a.r. idépedates et de même loi. O ote G = card{i {1,,} : X i 1} et D = G. Soit N P(k), avec N (X ) 1. Alors, D N P(kP(X 1 > 1)), G N P(kP(X 1 1)), et surtout D N G N. [Ue curiosité!] 7
8 Metioos efi u derier résultat importat (coséquece du théorème de Fubii) : Théorème [FF1, p. 132]. Soiet X 1,,X des v.a.r. itégrables. Alors : E [ ] X i = E[X i ]. 3.3 INDÉPENDANCE ET FONCTION CARACTÉRISTIQUE Comme la loi d ue v.a. est caractérisée par sa f.c., il est aturel de voir l idépedace, qui est ue propriété de loi, via ue propriété de la f.c. Théorème [O, p.205]. Soiet X 1,,X des v.a.r. Elles sot idépedates si, et seulemet si, ϕ (X1,,X )(t 1,,t ) = ϕ X1 (t 1 ),ϕ X (t ), t 1,,t R. O motre facilemet avec ce critère que si X et Y sot des v.a.r. avec X Y et X Y N (0,1), alors, (X + Y )/ 2 et (X Y )/ 2 sot idépedates et de même loi N (0,1). Si X et Y sot des v.a.r. idépedates et de carrés itégrables, cov(x,y ) = 0. Mais la réciproque est e gééral fausse (predre X N (0,1) et Y = X 2 ). Les 2 résultats qui suivet établisset des réciproques, das des cotextes particuliers (leurs preuves utiliset la f.c.) : Théorème. [O, p. 225]. Soiet X,Y des v.a.r. borées, i.e. il existe C > 0 tel que P( X C) = P( Y C) = 1. Alors, X Y cov(x k,y l ) = 0, k,l N. [O, p. 252]. Soit X = (X 1,,X d ) t u vecteur gaussie de R d. Alors, les composates de X sot des v.a.r. idépedates V(X) est diagoale. Si X est pas u vecteur gaussie, le derier résultat est faux. E effet, soiet Z ε, avec Z N (0,1) et P(ε = ±1) = 1/2. Si Y = εz N (0,1), le vecteur aléatoire (Z,Y ) t est pas gaussie. Or, cov(z,y ) = 0, mais Z et Y e sot pas idépedates. Citos efi u derier résultat remarquable, quoique aecdotique, dot la preuve utilise la f.c. La seule référece pour la preuve ([O, p. 280]) est beaucoup trop logue, et peut être cosidérablemet simplifiée (cf fascicule d exercice de M. Gradiaru pour le Master 1). Théorème [O, p. 280]. Soiet X et Y des v.a.r. idépedates et de même loi de carré itégrable. Alors, X et Y suivet des lois gaussiees X +Y X Y. Argumets de la preuve. O peut supposer que les 2 v.a. sot cetrées (i.e. d espérace ulle) et réduites (i.e. de variace 1). Si X et Y suivet ue loi gaussiee, u calcul de f.c. motre que X +Y X Y. Supposos maiteat que X +Y X Y, et otos ϕ la f.c. de X. Alors, ϕ(2t) = ϕ(t) 3 ϕ( t). Puisque ϕ(0) = 1, o e déduit par l absurde que ϕ e s aulle jamais. Par ailleurs, comme X L 2 (P), o sait (derier théorème de la sectio 2.1) que ϕ(t) = 1 t 2 /2 + o(t 2 ) au voisiage de 0. Par suite, si ψ(t) = ϕ(t)/ϕ( t), o a ψ(t) = 1 + o(t 2 ) au voisiage de 0. Comme ψ(2t) = ψ(t) 2 et ψ(0) = 1, cela etraîe que ψ 1, i.e. ϕ(t) = ϕ( t). Aisi, ϕ est à valeurs réelles positives et vérifie ϕ(t) = ϕ(t/2) 4. Comme ϕ est de classe C 2 avec ϕ(0) = 1, ϕ (0) = 0 et ϕ (0) = 1, o e déduit que ϕ(t) = e t2 / LE LEMME DE BOREL-CANTELLI Pour ue suite d évéemets (A ), o ote : lim supa = k A k et limifa = A k. L esemble limsup A cotiet les évetualités qui sot das ue ifiité des A, alors que limif A est l esemble des évetualités qui, à partir d u certai rag, sot das tous les A. Du coup, limif A limsup A. k 8
9 Lemme de Borel-Catelli [O, p. 51]. Soit (A ) ue suite d évéemets. (i) P(A ) < P(limsup A ) = 0; (ii) Si les évéemets (A ) sot idépedats, P(A ) = P(limsup A ) = 1. Das le cadre du lemme de Borel-Catelli, il est difficile de e pas évoquer les 2 applicatios qui suivet. Jeu de pile ou face. O joue à pile ou face ue ifiité de fois. L évéemet "N piles cosécutifs" apparaît ue ifiité de fois p.s. d après le lemme de Borel-Catelli. Marche aléatoire sur Z. Soiet (X i ) i 1 des v.a. idépedates et de même loi telle que P(X 1 = 1) = 1 P(X 1 = 1) = p. O pose S 0 = 0 et S = X X pour 1. La suite de v.a. (S ) 1, ou processus stochastique, est la marche aléatoire sur Z issue de 0. D après la formule de Stirlig, P(S 2 = 0) = C 2 p (1 p) 1 π ( 4p(1 p) ). O s itéresse au ombre de retour de (S ) 0 e 0 (cf [D, p. 188]). Cas p 1/2. D après le lemme de Borel-Catelli, P(limsup {S = 0}) = 0 ; Cas p = 1/2. Pour m 0 et k 1, otos A m,k = {S m = 0, S 0 m + k}. Par idépedace des accroissemets S m et S S m si m : P(A m,k ) = P(S m = 0, S S m 0, m + k) = P(S m = 0)P(S S m 0, m + k) = P(S m = 0)P(S j 0, j k). Ue évetualité est das au plus k évéemets (A m,k ) m 0, doc m 0 1 Am,k k. Par suite, k P(A m,k ) P(S m = 0)P(S j 0, j k). m 0 m 0 Comme m 0 P(S m = 0) =, o a forcémet P(S j 0, j k) = 0, et ceci pour tout k 1. O e déduit que P(limif {S 0}) = 0, soit P(limsup {S = 0}) = LA LOI DU 0 1 DE KOLMOGOROV Pour ue suite de tribus (A ) 1, o ote A la tribu asymptotique qui lui est associée, i.e. A = 1σ ( A k ). U évéemet fait partie de la tribu asymptotique s il est das chaque tribu σ( k A k ). Loi du 0-1 de Kolmogorov [O, p. 50]. Si les tribus (A ) 1 sot idépedates, alors A A : P(A) {0,1}. Cosidéros maiteat le cas particulier suivat : soit (X ) 1 ue suite de v.a. idépedates à valeurs das R, et A k = σ(x k ). La tribu asymptotique vaut : A = 1σ(X k, k ). Les v.a. limsup X et limif X, qui sot A -mesurable, sot doc p.s. costates. De plus, {(X ) 1 coverge das R} A. De ouveau, comme les (X ) 1 sot idépedates, cet évéemet est de probabilité 0 ou 1 d après la loi du 0-1. De même, { X coverge} A est de probabilité 0 ou 1. Séries etières à coefficiets aléatoires. E poursuivat das le même cotexte, cosidéros la série etière à coefficiets aléatoires 1 X z. So rayo de covergece R, qui est ue v.a. A -mesurable d après la règle d Hadamard, est doc p.s. costat. Si X 1 L 1 (P), R 1 p.s. car, par covergece mootoe : k E( X z ) E( X 1 ) z. 1 1 De plus, si P(X 1 = 0) < 1, il existe α > 0 tel que P( X α) =. Comme les v.a. (X ) sot idépedates, o e déduit du lemme de Borel-Catelli que P(limsup { X α}) = 1. Du coup, presque sûremet, il existe ue suite ( k ) k telle que X k α pour chaque k. O utilise maiteat la règle d Hadamard : R 1 = limsup X 1/ limα 1/ k = 1, k 9
10 pour e déduire que R 1. Sous les hypothèses metioées jusqu ici, le rayo de covergece de la série etière à coefficiets aléatoires vaut 1. O peut même motrer qu il y a pas covergece sur le bord du disque de covergece. 4. SOMMES DE VARIABLES ALÉATOIRES INDÉPENDANTES 4.1 QUELQUES EXEMPLES DE SOMMES DE VARIABLES ALÉATOIRES INDÉPENDANTES Soiet X 1,,X des v.a.r. idépedates, et M leur somme : M = X X. Si les v.a. sot de carré itégrables, alors, du fait de leur idépedace, cov(x i,x j ) = 0 si i j et doc : var(m ) = var(x i ). L utilisatio de la f.c. permet souvet de trouver facilemet la loi de la somme de v.a. idépedates, dot les lois fot partie d ue même famille. Das les cas stadards, o peut aisi retrouver : Si i, X i B( i, p), M B( i, p) ; Si i, X i P(λ i ), M P( λ i) ; Si i, X i N (m i,σi 2), M N ( m i, σ i 2) ; Si i, X i γ(a i,λ), M γ( a i,λ). Idetité de Wald [FF2, p. 23]. Soiet (X i ) i 1 des v.a. idépedates et de même loi itégrable, et S ue v.a. itégrable à valeurs das N telle que pour chaque k 1 : {S = k} σ(x 1,,X k ) (temps d arrêt). Alors, ( S ) E i = E(X 1 )E(S). X Ruie du joueur. Soiet (ξ i ) i 1 des v.a.r. idépedates, et de même loi de Rademacher, i.e. P(ξ 1 = ±1) = 1/2. O ote G 0 = 0 et pour 1, G = ξ ξ. Comme (ξ 1 + 1)/2 B(1/2), o a (G + )/2 B(,1/2). La suite de v.a. (G ) 0, appelée marche aléatoire simple symétrique sur Z, modélise le gai d u joueur qui affrote ue baque. E effet, G représete le gai d u joueur à l issue de la -ième partie de pile ou face, selo la règle : il met e jeu a euros au jeu de pile ou face ; il perd 1 euro à chaque pile, et il e gage 1 à chaque face ; s il arrive à b euros (cesé représeter la fortue totale de la baque), il a gagé le jeu, et s il arrive à a euro, c est ue défaite. La v.a. T = if{ 0 : G { a,b}} représete le uméro de la derière partie du jeu. Toute la questio est de savoir si P(T < ) = 1, i.e. le jeu s arrête-t-il? Das l affirmative, il faut calculer la loi de la v.a. G T, afi de répodre à la questio : quelle est la probabilité que le joueur gage? La répose à la 1ère questio est affirmative, car pour chaque k Z, P(G = k) 0 lorsque (formule de Stirlig) et pour chaque 1, {T = } {G { a + 1,,b 1}}. Ue autre preuve sera apportée avec le théorème cetral limite (cf sectio 6.2). Noter que, e particulier, P(G T { a,b}) = 1. Pour la 2ème questio, o remarque que pour tous,k 1, {if(t,) = k} σ(ξ 1,,ξ k ). Doc, d après l idetité de Wald, E(G if(,t ) ) = 0 pour chaque 1. Comme G if(,t ) G T p.s. et G if(,t ) max(a,b), o e déduit avec le théorème de Lebesgue que E(G T ) = 0. Par suite, P(G T = a) = b/(a + b). 4.2 UTILISATION DE LA TRANSFORMÉE DE LAPLACE POUR LES SOMMES DE VARIABLES ALÉATOIRES INDÉPENDANTES Les résultats ci-dessous prologet le théorème pricipal de la sectio 2.2. Ce sot aussi des exemples d utilisatio de la trasformée de Laplace e probabilités. Théorème de grades déviatios [DD2, p. 174]. Soiet (X i ) i 1 des v.a.r. idépedates et de même loi, et S = X X. O suppose que l itérieur de I X1 est u voisiage de 0. Soit ε > 0. Alors, il existe a > 0 tel que pour chaque 1 : ( S P E(X 1) ε ) e a. La moyee de Césarro S / coverge doc -e u ses que ous préciseros (cf sectio 5)- vers E(X 1 ) à vitesse expoetielle, lorsque. Théorème de Cheroff [DD2, p. 174]. Soiet (X i ) i 1 des v.a.r. idépedates et de même loi, et S = X X. O suppose que l itérieur de I X1 est u voisiage de 0. Notos Ψ la dérivée de ll X1, α = if{ψ(t),t I X1 } et β = if{ψ(t),t I X1 }. Alors, 10
11 (i) (1/)lP(S t) h X1 (t) si β > t > E(X 1 ) ; (ii) (1/)lP(S t) h X1 (t) si α < t < E(X 1 ). Comme h X1 (t) > 0 si t E(X 1 ), le théorème de Cheroff ous doe des évaluatios très fies de la déviatio de la moyee S / par rapport à sa moyee E(X 1 ). Si l o compare au résultat doé par l iégalité de Bieaymé-Tchebychev, o a pour chaque ε > 0, e otat t = ε + E(X 1 ) : P(S t) P( S E(X 1 ) ε) var(x 1) ε 2. O peut doc juste motrer que limsup (1/)lP(S t) 0. Sas commetaire LOI DE LA SOMME DE VARIABLES ALÉATOIRES INDÉPENDANTES ET PRODUIT DE CONVOLUTION O rappelle que le produit de covolutio de 2 mesures de probabilité µ et ν sur R d, oté µ ν, est défii par la propriété : f d(µ ν) = f (x + y) µ ν(dx,dy), Rd R d Rd pour chaque foctio f : R d R boréliee positive (cf [O, p. 63]). Noter que µ ν est ue probabilité. Par ailleurs, l opératio est commutative, et la mesure de Dirac e 0 est élémet eutre. Pour 2 v.a. X et Y idépedates et à valeurs das R d, o vérifie que ˆP X+Y = ϕ X+Y = ϕ X ϕ Y = ˆP X ˆP Y. Par ailleurs, cette derière quatité est aussi la trasformée de Fourier de la loi P X P Y. Par ijectivité, o e déduit le résultat : Théorème [O, p. 63]. Soiet X, Y des v.a. idépedates à valeurs das R d. Alors, P X+Y = P X P Y. E particulier, si la loi de X est diffuse, i.e. P X e charge pas les poits, alors la loi de X +Y est diffuse. E effet, pour chaque t R d, d après le théorème de Fubii-Toelli : P(X +Y = t) = {t}d(p X P Y ) = R d X({t y})p Y (dy) = 0. R d La loi de la somme de 2 v.a. idépedates état représetée par le produit de covolutio des lois, o peut doc écrire, d après les résultats de la sectio 4.1, P(λ 1 ) P(λ 2 ) = P(λ 1 + λ 2 ), N (m 1,σ 2 1 ) N (m 2,σ 2 2 ) = N (m 1 + m 2,σ σ 2 2 ), B( 1, p) B( 2, p) = B( 1 + 2, p)... E pratique, le produit de covolutio etre mesures e se prête pas très bie au calcul de la loi de la somme de v.a. idépedates. O lui préférera souvet u calcul basé sur la otio de f.c., sauf évetuellemet lorsque les v.a. possèdet des desités par rapport à la mesure de Lebesgue, ou si elles ot des lois discrètes. Das ces cas, le produit de covolutio pred ue forme simple, par exemple : Théorème [O, p. 64]. Soiet X et Y des v.a. idépedates à valeurs das R d. Si elles possèdet chacue ue desité par rapport à la mesure de Lebesgue, alors X +Y possède ue desité par rapport à la mesure de Lebesgue, et f X+Y (z) = f X f Y (z) = X(x) f Y (z x)dx = R d R d Y (x) f X (z x)dx. 11
12 5. CONVERGENCES STOCHASTIQUES 5.1 LES DIFFÉRENTES NOTIONS DE CONVERGENCE Défiitio. Soiet (X ), X des v.a. à valeurs das R d, et. ue orme sur R d. Alors, p.s. (1). (X ) coverge p.s. vers X si P(X X) = 1. O ote X X ; P (2). (X ) coverge e probabilité vers X si P( X X ε) 0, ε > 0. O ote X X ; (3). (X ) coverge das L p (P) vers X si E( X X p L ) 0. O ote X p X ; (4). (X ) coverge e loi vers X si R d f dp X R d f dp X, f : R d R cotiue borée. O ote X L X. O trouvera das [FF1, chap. 16] les relatios etre ces différets modes de covergece, aisi que des cotre-exemples. Metioos seulemet que les faits suivats : La covergece p.s. et la covergece L p (P) etraîet la covergece e probabilité, et cette derière etraîe la covergece e loi ; Ue suite coverge e probabilité si, et seulemet si, de toute suite d etiers, o peut extraire ue sous-suite pour laquelle la covergece a lieu p.s. Cotrairemet aux autres otios de covergece, la covergece p.s. est doc pas associée à ue métrique ; Si ue suite coverge e loi vers ue v.a. dégéérée, i.e. ue v.a. de loi de Dirac, alors la covergece a lieu e probabilité. Par ailleurs, les covergeces p.s., e probabilité et e loi sot stables sous l actio des foctios cotiues : si X X p.s. (resp. e loi, e probabilité), et si f est ue foctio cotiue, alors f (X ) f (X) p.s. (resp. e loi, e probabilité). E revache, la covergece L p (P) e respecte pas ce pricipe. Das les espaces de probabilité, le théorème de Lebesgue admet ue versio sous des coditios plus faibles : Théorème de Lebesgue. Soiet (X ) et X des v.a. à valeurs das R d telles que X P X et sup X L 1 (P). Alors, X L 1 X. 5.2 LA CONVERGENCE PRESQUE SÛRE La covergece p.s., état pas associée à ue métrique, est sas doute la plus obscure. Pour illustrer ceci, cosidéros ue suite P d évéemets idépedats (A ), tel que P(A ) = 1/. O a 1 A 0, mais (1A ) e coverge pas p.s. E effet, pour chaque ε ]0,1], la série de terme gééral P(1 A ε) diverge et doc P(limsup {1 A ε}) = 1 d après le lemme de Borel-Catelli. E clair, P-presque toute évetualité est das ue ifiité des évéemets ({1 A ε}), ce qui motre que (1 A ) e coverge pas p.s. vers 0. Le lemme de Borel-Catelli ous doe u critère simple de covergece p.s. Ce critère ous motre que, d ue certaie maière, la covergece p.s. correspod à ue covergece e probabilité "suffisammet rapide". Théorème [FF1, p. 211]. Soiet (X ), X des v.a. à valeurs das R d. Alors, X p.s. X si, pour chaque ε > 0, la série de terme gééral P( X X ε) est covergete. Si (A ) est ue suite d évéemets tels que P(A ) = 1/ 2, o a doc 1 A p.s. 0. Par ailleurs, das le cotexte du théorème de grades déviatios de la sectio 4.1, o a S / p.s. E(X 1 ). C est ue forme "forte" de la loi des grads ombres, la covergece ayat lieu p.s. Cepedat, le cotexte est assez restrictif, puisque X 1 admet des momets de tous ordres. 5.3 LA CONVERGENCE EN PROBABILITÉ O peut doer ue forme "faible" à la loi des grads ombres, mais sous des coditios plus géérales. Soit (X i ) i 1 ue suite de v.a.r. idépedates et de même loi, et S = X X. Si X 1 L 2 (P), alors d après l iégalité de Bieaymé-Tchebychev, o a pour chaque ε > 0 : ( S P E(X 1) ε Par coséquet, S / P E(X 1 ) : c est la loi faible des grads ombres. ) var(s /) ε 2 = var(x 1) ε 2. 12
13 Ue preuve probabiliste du théorème de Weierstrass. Poursuivos avec les mêmes otatios. Soit f : [0,1] R ue foctio cotiue. Fixos x [0,1], et supposos que X 1 B(x). Puisque E(X 1 ) = x et f est cotiue borée, E( f (S /)) f (x) d après le théorème de Lebesgue et la loi faible des grads ombres. Comme S B(,x), o a ( ( S )) E f = k=0 ( k C k f x ) k (1 x) k, c est-à-dire que f a été approchée poctuellemet par ue suite de polyômes. O peut motrer avec u peu plus de travail que la covergece est e fait uiforme (cf [FF1, p. 234]) : cette méthode costitue ue démostratio efficace du théorème de Weierstrass. 5.4 LA CONVERGENCE EN LOI Tout d abord, le cas où les v.a. sot discrètes : Théorème [O, p. 317]. Soiet (X ), X des v.a. à valeurs das Z d. Alors : P(X = k) P(X = k) k Z d X L X. Il peut être utile de disposer de la versio de la covergece e loi ci-dessous lorsque l o a affaire à des suites de v.a. qui sot défiies par des sup ou des if, car le calcul de la f.r. est souvet simple : Théorème [O, p. 318]. Soiet (X ), X des v.a.r. Alors, F X F X e tout poit de cotiuité de F X X L X. Soit (X i ) i 1 ue suite de v.a. idépedates et de même loi E (1). O ote M = sup{x i, i {1,,}}. Pour chaque x R : P(M l x) = ( F X1 (x + l) ) = (1 1 e x) exp( e x ). Comme la foctio limite est ue f.r., elle est associée à ue loi (o peut oter aussi que cette loi est à desité par rapport à la mesure de Lebesgue). La suite (M l) coverge doc e loi. Le résultat ci-dessous est particulièremet adapté à des suites de v.a. qui sot défiies par des sommes de v.a. idépedates : Théorème de P. Lévy [FF1, p. 219]. Soiet (X ), X des v.a. à valeurs das R d. Alors : ϕ X ϕ X poctuellemet X L X. U simple calcul de f.c. motre alors que B(, p ) L P(λ), si p λ. Noter ici l abus de otatio cosistat à remplacer les v.a. par leurs lois. Plus gééralemet, u phéomèe aléatoire qui peut se représeter comme ue superpositio d évéemets rares et idépedats suit approximativemet ue loi de Poisso : Théorème des évéemets rares [O, p. 321]. Soit, pour chaque, {A, j, j M } ue famille fiie d évéemets idépedats. O pose p, j = P(A, j ), et o ote S = j M 1 A, j. O suppose que M, max j M p, j 0 et j M p, j λ. Alors, X L P(λ). Noter l usage de la otatio hybride "X L P(λ)". Le "problème des recotres" costitue u autre exemple où la loi de Poisso iterviet e tat que limite d ue suite de v.a. La preuve présetée das [FF1, p. 259] utilise le théorème de P. Lévy, et doc la f.c. 5.5 CONVERGENCE DE SOMMES ET DE PRODUITS DE VARIABLES ALÉATOIRES Soiet (X ), (Y ), X et Y des v.a.r. Si X X et Y Y p.s. ou e probabilité, alors la suite de vecteurs aléatoires (X,Y ) t coverge vers (X,Y ) t selo le même mode de covergece. Comme ces 2 formes de covergece sot stables sous l actio des foctios cotiues, o peut e déduire des résultats du type X +Y X +Y p.s. ou e probabilité. Cepedat, ce est plus vrai avec la covergece e loi : le fait que les suites (X ) et (Y ) coverget e loi vers X et Y etraîe pas que la suite des vecteurs aléatoires (X,Y ) t coverge (sauf si X Y ) : la raiso pricipale est que la coaissace 13
14 des lois margiales de X et Y e permet e gééral pas de retrouver la loi du vecteur aléatoire (X,Y ) t. Heureusemet, des résultats partiels existet quad même das ce ses : Lemme de Slutsky [O, p. 347]. Soiet (X ), (Y ), X des v.a.r et y R. Si X L X et Y X Y L Xy. P y, alors X +Y L X + y et A titre d exemple, cosidéros le cas d ue suite de v.a.r. (X ) telle que, pour ue suite croissate (v ), o ait v X L X. P Observos que X 0. Soit maiteat f : R R ue foctio boréliee ulle e 0, et dérivable e 0. Alors, d après le lemme de Slutsky : v f (X ) = f (X ) L v X f (0)X. X Cette remarque porte le om de δ-méthode. 6. LA LOI FORTE DES GRANDS NOMBRES ET LE THÉORÈME DE LA LIMITE CENTRALE 6.1 LA LOI FORTE DES GRANDS NOMBRES Aisi que ous l avos déjà vu das les sectios 5.2 et 5.3, le titre de "loi des grads ombres" est e gééral coféré à u théorème limite portat sur ue moyee de Césarro de v.a. O y ajoute le qualificatif de "fort" lorsque la covergece à lieu p.s. (cf sectio 5.2). Il existe de ombreuses formes de la loi forte des grads ombres (cf [O, chap. 10]). Nous metioos ici la forme la plus habituelle. Doréavat, pour ue suite (X i ) i 1 de v.a., o ote X = 1 sa moyee de Césarro, ou moyee empirique, si l o cosidère, par abus, X 1,,X comme des observatios d u phéomèe aléatoire. Loi forte des grads ombres de Kolmogorov-Khitchie [O, p. 113]. Soit (X i ) i 1 ue suite de v.a. à valeurs das R d, supposées idépedates et de même loi. Les 2 assertios suivates sot équivaletes : p.s. (i) il existe m R tel que X m ; (ii) X 1 L 1 (P). Si (ii) est vérifiée, m = E(X 1 ) et la covergece à lieu das L 1 (P). O retrouve e statistique ue applicatio importate de la loi forte des grads ombres. Supposos que l o ait observé ue réalisatio (x 1,,x ) de (X 1,,X ), i.e. pour ue évetualité ω, x i = X i (ω). Ue questio fodametale de la statistique est : commet retrouver la loi, supposée commue, des v.a. à partir des observatios x 1,,x? Placos-ous das le cas de v.a.r., afi de faire iterveir leur f.r. commue otée F. Si l o a aucue idée de la loi de ces v.a.r., o peut chercher à l estimer avec la foctio de répartitio empirique F, défiie pour chaque x R par : F (x) = 1 X i, 1 {Xi x}. La loi des grads ombres suggère que p.s. cette suite de foctios coverge vers F. E effet, d après le théorème de Kolmogorov- Khitchie, F (x) p.s. F(x). Cepedat, l esemble de probabilité ulle sur lequel cette covergece a pas lieu déped de x, et x est das u esemble o déombrable. O e peut doc pas coclure directemet à la covergece p.s. de F vers F, et ceci quelque soit le mode de covergece. C est l objet du résultat ci-dessous : Théorème de Gliveko-Catelli [0, p. 116]. Avec les otatios ci-dessus, o a : sup F (x) F(x) p.s. 0. x R Puisque la covergece poctuelle des f.r. est u critère de covergece des lois associées, o déduit du théorème de Gliveko- Catelli que : ( 1 ) L P δ Xi PX1 = 1. 14
15 C est la versio uidimesioelle du théorème fodametal de la Statistique. Test de Kolmogorov-Smirov. La statistique issue du théorème de Gliveko-Catelli, sup x R F (x) F(x), est libre, i.e. sa loi e déped pas de la loi de X 1 (cf [O, p. 119]). E effet, das le cas simple où F est iversible : sup x R F (x) F(x) = sup 1 x R 1 {F(Xi ) F(x)} F(x) = sup y [0,1] 1 1 {F(Xi ) y} y. Comme F(X 1 ) U [0,1] (cf sectio 2.2), la loi est libre : c est la loi de Kolmogorov-Smirov. Cette remarque est à l origie du test de Kolmogorov-Smirov : o choisit ue foctio F qui semble représetative de la loi des observatios ; si la statistique de Gliveko-Catelli, évaluée sur les observatios, est das ue zoe de forte probabilité pour la loi de Kolmogorov-Smirov, o décide que F est bie la f.r. des v.a. 6.2 LE THÉORÈME CENTRAL LIMITE Le théorème cetral limite viet e refort de la loi des grads ombres, e ce ses qu il e précise la vitesse de covergece. Comme pour la loi des grads ombres, o e trouve de ombreuses versios. Les preuves reposet le plus souvet sur le théorème de P. Lévy (cf sectio 5.4). Théorème cetral limite [O, p. 325]. Soit (X i ) i 1 ue suite de v.a. à valeurs das R d, supposées idépedates et de même loi de carré itégrable. Alors, ( X E(X 1 ) ) L Nd (0,V(X 1 )). Il est essetiel de compredre pourquoi ce théorème est "cetral" : sous réserve que les v.a. soiet de carré itégrables et idépedates, la loi de leur somme est proche d ue loi gaussiee. C est ce pricipe d ivariace qui cofère à ce théorème u caractère cetral. L autre appellatio de loi "ormale" pour désiger ue loi gaussiee est doc amplemet méritée! La loi limite état libre, les applicatios de ce théorème sot souvet de ature statistique, par exemple le théorème de Pearso (cf [O, p. 326]). Metioos ici d autres types d applicatios. Calcul approché d itégrales. O cherche ue valeur approchée de I = g(x) f (x)dx, Rd avec g, f : R d R de produit Lebesgue-itégrable, et f ue desité de probabilité. U géérateur aléatoire peut calculer ue réalisatio d ue suite de v.a. idépedates distribuées selo la desité f. Notos (X i ) i 1 les v.a. dot ces réalisatios sot issues. O peut doc calculer ue réalisatio de la moyee de Césarro : I = 1 La loi forte des grads ombres ous doe I p.s. E(g(X 1 )) = I. Si la réalisatio est das l esemble de probabilité 1 das laquelle cette covergece à lieu (ce à quoi o peut légitimemet s attedre...), o a aisi ue approximatio de I. Cepedat, ce résultat e ous doe aucue iformatio sur la précisio de l approximatio. Ici iterviet le théorème cetral limite. Supposos que g(x 1 ) L 2 (P). Alors, (I I) L N (0,var(g(X 1 ))). E utilisat la caractérisatio de la covergece e loi via la f.r. (cf sectio 5.4), cela ous doe, pour chaque x 0 : ( [ var(g(x1 )) var(g(x1 )) ]) P I I x,i + x 1 x e x2 /2 dx. 2π g(x i ). Choisissos pour x ue valeur de sorte que le terme de droite soit égal à α (proche de 1). L itervalle [ var(g(x1 )) var(g(x1 )) ] I x,i + x est u itervalle de cofiace asymptotique au iveau α pour la valeur de I, e ce ses que I a (asymptotiquemet) α chaces de se trouver das cet itervalle. L icovéiet majeur de cette méthode est que l itervalle déped de la valeur de var(g(x 1 )), qu o e sait a priori pas calculer. So avatage est que la taille de l itervalle de cofiace e déped pas de la dimesio. x 15
16 Ruie du joueur (suite de la sectio 4.1). Pour chaque, o a si s = max(a,b) : ( P(T = ) = P { G { a + 1,,b 1} }) P( G s ) ( G P s k ), k. Lorsque, le terme de droite ted vers P( N (0,1) s/ k). E faisat esuite tedre k vers, o obtiet P(T = ) = 0, i.e. p.s. le jeu a u ombre fii de tours. BIBLIOGRAPHIE [D] - R. Durrett (1996) - Probability : Theory ad Examples - Secod Editio, Duxbury Press. [DD1] - D. Dacuha-Castelle & M. Duflo (1994) - Probabilités et Statistiques, 1. Problèmes à temps fixe - 2ème éditio, Masso. [DD2] - D. Dacuha-Castelle & M. Duflo (1993) - Probabilités et Statistiques, 2. Problèmes à temps mobile - 2ème éditio, Masso. [FF1] - D. Foata & A. Fuchs (1998) - Calcul des probabilités, Cours, exercices et problèmes corrigés, Duod. [FF2] - D. Foata & A. Fuchs (2002) - Processus stochastiques - Processus de Poisso, chaîes de Markov et martigales, Cours, exercices et problèmes corrigés, Duod. [O] - J.-Y. Ouvrard (2000) - Probabilités 2, Cassii. 16
Intégration 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 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 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 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 détail. (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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailPROMENADE ALÉATOIRE : Chaînes de Markov et martingales
PROMENADE ALÉATOIRE : Chaîes de Markov et martigales Thierry Bodieau École Polytechique Paris Départemet de Mathématiques Appliquées thierry.bodieau@polytechique.edu Novembre 2013 2 Table des matières
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
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 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 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 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 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 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 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 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 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 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 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 détailContribution à la théorie des entiers friables
UFR STMIA École Doctorale IAE + M Uiversité Heri Poicaré - Nacy I DFD Mathématiques THÈSE présetée pour l obtetio du titre de Docteur de l Uiversité Heri Poicaré, Nacy-I e Mathématiques par Bruo MARTIN
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 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 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 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 détailEtude Spéciale SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT?
Etude Spéciale o. 7 Javier 2003 SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT? MARK SCHNEIDER Le CGAP vous ivite à lui faire part de vos commetaires, de vos rapports et de toute demade d evoid autres
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 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 détailTélé OPTIK. Plus spectaculaire que jamais.
Télé OPTIK Plus spectaculaire que jamais. Vivez toute la puissace de la télévisio sur IP grâce au réseau OPTIK 1 de TELUS et découvrez-e l extraordiaire potetiel. Télé OPTIK MC vous doe la parfaite maîtrise
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 détailCompte Sélect Banque Manuvie Guide du débutant
GUIDE DU DÉBUTANT Compte Sélect Baque Mauvie Guide du débutat Besoi d aide? Preez quelques miutes pour lire attetivemet votre Guide du cliet. Le préset Guide du débutat vous facilitera l utilisatio de
Plus en détailRÈGLES ORDINALES : UNE GÉNÉRALISATION DES RÈGLES D'ASSOCIATION
RÈGLES ORDIALES : UE GÉÉRALISATIO DES RÈGLES D'ASSOCIATIO SYLVIE GUILLAUME ALI KHECHAF 2 RÉSUMÉ: La plupart des mesures des règles cocere les variables biaires et écessite pour les autres types de variables
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 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 détailSéries numériques. Chap. 02 : cours complet.
Séris méris Cha : cors comlt Séris d réls t d comlxs Défiitio : séri d réls o d comlxs Défiitio : séri corgt o dirgt Rmar : iflc ds rmirs trms d séri sr la corgc Théorèm : coditio écssair d corgc Théorèm
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 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 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 détailLorsque la sécurisation des paiements par carte bancaire sur Internet conduit à une concurrence entre les banques et les opérateurs de réseau
Lorsque la sécurisatio des paiemets par carte bacaire sur Iteret coduit à ue cocurrece etre les baques et les opérateurs de réseau David Bouie Das cet article, ous ous iterrogeos sur l issue de la cocurrece
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 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 détailExercice 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 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 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 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 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 détail