Cours de Méthodes de Monte-Carlo Exercices : octobre 2011.
|
|
- Andrée Lavergne
- il y a 7 ans
- Total affichages :
Transcription
1 Cours de Méthodes de Monte-Carlo Exercices : octobre Exercice 1 Soit (X n, n 1) une suite de variables aléatoires à valeurs dans R indépendantes suivant toutes la même loi, telle que E(X 2 1) < +. On pose S n = X X n. On cherche à démontrer la loi forte des grands nombres : S n lim n + n = E(X 1). 1. Montrer que si (Z n, n 1) est une suite de variables aléatoires à valeurs réelles telles que n 1 E( Z n ) < +, alors Z n converge vers 0 presque sûrement. Ce résultat est une version du lemme de Borel-Cantelli. 2. En déduire qu il en est de même si n 1 E( Z n 2 ) < + 3. Montrer que S n 2/n 2 tend presque sûrement vers E(X 1 ). 4. On pose p n = [ n]. Montrer que S n n Sp2 n n vers +. En déduire le résultat annoncé. tend vers 0 presque sûrement lorsque n tend Exercice 2 Méthode de Monte-Carlo : quelques exemples. 1. Télécharger Scilab! (http ://www-rocq.inria.fr/scilab/). 2. Télécharger le fichier http ://cermics.enpc.fr/ bl/ps/monte-carlo-1.sci 3. Exécuter et (surtout!) comprendre les exemples figurant dans ce fichier. 4. Implementer en Scilab les exemples suggérés dans le cours. En particulier, calculer par simulation E ( e βg) où G est une gaussienne centrée réduite et β = 1, 2,..., 10. On n oubliera pas de donner un intervalle de confiance pour les résultats. Que constatez vous? Exercice 3 Soit X et Y deux variables aléatoires indépendantes suivant des lois gaussiennes centrées réduites. 1. Soit (R, Θ) les coordonnées polaires du point (X, Y). Montrer que R et Θ sont indépendantes et calculer leur loi. 2. Montrer que si U 1 et U 2 sont deux variables aléatoires indépendantes suivant une loi uniforme sur [0, 1], alors le couple (X 1, X 2 ) avec : X 1 = 2 log(u 1 ) cos(2πu 2 ) et X 2 = 2 log(u 1 ) sin(2πu 2 ), est un couple de variables aléatoires gaussiennes centrées réduites indépendantes. 3. On pose V 1 = 2U 1 1, V 2 = 2U 2 1 et R 2 = V V 2 2. On accepte ces tirages sous réserve que R < 1 et l on fait de nouveau tirage si R 1. Quelle est la loi du couple (V 1, V 2 ) dans ces conditions (après rejet)? En déduire que si l on pose : 2 log(r2 ) 2 log(r2 ) X 1 = V 1 et X R 2 2 = V 2, R 2 X 1 et X 2 sont deux variables aléatoires gaussiennes centrées réduites indépendantes. 1
2 Implémentation Scilab: 1. Écrire les deux algorithmes suggérés par le précédent exercice. Dans les deux cas tracer l histogramme (fonction histplot en Scilab) de l echantillon et le comparer à la densité théorique. 2. Comparer l efficacité de ces algorithmes en utilisant la fonction Scilab timer(). Exercice 4 1. Soit X une variable aléatoire suivant une loi de Cauchy réduite, c est à dire suivant la loi dx π (1 + x 2 ). Calculer la fonction de répartition de X, notée F. 2. Vérifier que F est une bijection de R dans ]0, 1[. On note F 1 son inverse et l on considère une variable aléatoire U de loi uniforme sur [0, 1]. Quelle est la probabilité que U vaille 0 ou 1? Montrer que F 1 (U) suit la même loi que X. En déduire une méthode de simulation selon la loi de Cauchy. 3. Soit V une variable aléatoire qui vaut 1 ou 1 avec probabilité 1/2 et Z une variable aléatoire qui suit une loi exponentielle de paramètre 1. Quelle est la loi de VZ? Calculer sa fonction caractéristique. En déduire, en utilisant la formule d inversion de la transformation de Fourrier, que : + e iux dx π (1 + x 2 ) = e u. 4. Soient X et Y deux variables aléatoires indépendantes suivant des lois de Cauchy de paramètres respectifs a et b. Calculer la loi de X + Y. 5. Soit (Y n, n 1), une suite de variables aléatoires réelles convergeant presque sûrement vers une variable aléatoire Z. Montrer, en utilisant le théorème de Lebesgue, que l on a, pour tout ɛ > 0 lim n + P ( Y 2n Y n ɛ) = Soit (X n, n 1) une suite de variables aléatoires indépendantes suivant une loi de Cauchy de paramètre 1. On considère la suite Y n = X 1 + X X n. n Calculer la loi de Y 2n Y n. La suite des Y n converge t elle en loi? presque sûrement? 7. Montrer que la suite (Z n, n 1) définie par ( ) Z n = X 1 + X X n /n converge presque sûrement et écrire sa limite sous forme d une intégrale. 8. Vérifier par simulation que Y n diverge (p.s.) et que Z n converge (p.s.). Exercice 5 Soient f et g deux fonctions de R dans R + telles que f(x) et g(x) soient les densités de lois de variables aléatoires à valeurs dans R. On suppose de plus que, pour tout x R f(x) kg(x). Soient (Y 1, Y 2,, Y n, ) une suite de variables aléatoires indépendantes suivant la loi de densité g(x) et (U 1, U 2,, U n, ) une suite de variables aléatoires indépendantes suivant une loi uniforme sur [0, 1] indépendante de la suite des Y i. On pose N = inf{n 1, ku n g(y n ) < f(y n )}. 2
3 1. Démontrer que N est fini presque sûrement et suit une loi géométrique. Quelle est sa moyenne? 2. On définit alors la variable aléatoire X en posant : X = Y N = i 1 Y i 1 {N = i}. Calculer pour n fixé et f bornée ( ) E 1 {N = n} f(x). En déduire la loi de X. Quelle est la loi du couple (N, X)? 3. En déduire comment on peut simuler une variable aléatoire de loi f(x)dx si on sait simuler une variable aléatoire de loi g(x)dx. Exercice 6 Soit X une variable aléatoire réelle de fonction de répartition F. On supposera cette fonction de répartition inversible et l on note F 1 son inverse. 1. Comment simuler la loi de X conditionnellement à X > m à l aide d une méthode de rejet? Évaluer l efficacité de la méthode? Que se passe t il, en particulier, si m devient très grand? 2. Soit U une variable aléatoire uniforme sur [0, 1], on pose : Z = F 1 (F(m) + (1 F(m))U). Calculer la fonction de répartition de Z et en déduire une méthode de simulation de X conditionnellement à X > m. Comparer l efficacité de cette méthode à la méthode du rejet. 3. On cherche maintenant à simuler X, de loi normale N (µ, σ 2 ), conditionnellement à X > m. Montrer que l on peut se ramener au cas centré réduit. 4. Proposer une méthode du rejet basée sur la loi exponentielle translatée de densité donnée par θe θ(x m) 1 {x > m}. Comment choisir le paramètre θ? š Implémentation Scilab: 1. Ecrire l algorithme de rejet dans le cas m = 2. Évaluer l efficacité de l algorithme lorsque m = 2, 3, 4, En utilisant les fonctions Scilab N et N 1 fournies écrire l algorithme se simulation suggéré par la question 2 et la tester pour m = Que se passe t il pour m = 3? Exercice 7 On se propose décrire algorithme de rejet permettant de simuler des observations d une variable aléatoire gaussienne N (0, 1) de densité f(x) à partir de la loi double exponentielle de densité g(x) = (λ/2) exp ( λ x ). 1. Trouver le meilleur couple de valeurs de c et λ vérifiant l inégalité f(x) cg(x). 2. Expliquer comment on simule une observation d une variable aléatoire suivant la loi de densité h(x) à partir d un couple de tirages de lois uniformes sur [0, 1] ou bien à partir d un seul tirage. 3
4 Implémentation Scilab: 1. Écrire une fonction rejet1() qui retourne le couple [x,n] où n est le nombre d itérations nécessaires pour obtenir la simulation d une observation x suivant la loi N (0, 1). 2. Écrire le programme affichant un histogramme des valeurs simulées de la loi normale sur tirages en utilisant la méthode du rejet ci dessus ainsi que le graphe de f(x) (dans la même fenêtre). 3. Afficher les moyennes et écarts types de l échantillon obtenu et vérifier que l espérance du nombre d itérations nécessaires est égal à la constante c. Exercice 8 Soit X et Y des variables aléatoires indépendantes et de même loi exponentielle de paramètre Trouver la loi conditionnelle de X sachant {Y > (1 X) 2 /2} 2. Soit Z une variable aléatoire suivant la loi ci dessus et S une variable aléatoire indépendante de Z prenant les valeurs ±1 avec la probabilité 1/2. Trouver la loi de SZ. 3. En déduire une méthode de simulation d une loi N (0, 1). Implémentation Scilab: 1. Écrire une fonction rejet2() qui retourne le couple [x,n] où n est le nombre d itérations nécessaires pour obtenir la simulation d une observation x suivant la loi N (0, 1) par la méthode ci dessus. 2. Comparer l efficacité de cette procédure avec celle de l exercice précédent. Correction sur http ://cermics.enpc.fr/ bl/ps/correction-exo-2.sci Exercice 9 On suppose que X et Y sont des variables aléatoires indépendantes à valeurs dans R dont les fonctions de répartitions respectives sont notées F et G. On cherche à calculer à l aide d une méthode de Monte Carlo : θ = P (X + Y t). 1. Expliquez quelle est la méthode Monte Carlo classique pour ce problème. On précisera, en particulier, comment l on peut estimer l erreur commise. 2. Proposer un estimateur de variance réduite en utilisant une méthode de conditionnement. 3. On suppose que F et G sont numériquement facilement inversibles, expliquer comment implémenter la méthode des variables antithétiques. Pourquoi cette méthode diminue t elle la variance dans ce cas? 4. On suppose que h est une fonction telle que 1 0 h(s) 2 ds < +. Soit (U i, i 1) une suite de variables aléatoires indépendantes uniformes sur [0, 1]. Montrez que l estimateur 1 N N i=1 h ((i 1 + U i) /n), est meilleur du point de vue de la variance que 1 N N i=1 h (U i). Comment appliquer ce résultat dans ce cas. 5. Interprétez le résultat précédent en terme de méthode de stratification. Exercice 10 Soit X et Y deux variables aléatoires gaussiennes centrées réduites. On cherche à évaluer par simulation θ = E ( e XY). 1. Expliciter la méthode de Monte-Carlo classique et expliquer comment l on peut évaluer l erreur dans cette méthode. 4
5 2. Proposer une technique de variable de controle permettant de réduire la variance de votre estimateur. 3. Proposer une méthode de variables antithétiques pour estimer θ. Pouver vous prouver que votre méthode réduit la variance? 4. Proposer une technique de conditionnement pour estimer θ. 5. Tester ces méthodes en Scilab. Exercice 11 Soit (W t, t 0) un mouvement brownien et ρ une fonction continue de R dans R. Calculer la loi du couple ( T ρ(s)dw 0 s, W T ) et en déduire une méthode de simulation efficace selon la loi de ce couple. Que se passe t il lorsque ρ(t) ne dépend pas de t? Exercice 12 Le but de cet exercice est d étudier diverses méthodes permettant d évaluer p = P (Z > t), où Z est une variable aléatoire de la forme : Z = λ 1 e β 1X 1 + λ 2 e β 2X 2, (X 1, X 2 ) étant un couple de variables aléatoires réelles dont on précisera la loi dans la suite, λ 1, λ 2, β 1 et β 2 étant des réels positifs. 1. On suppose, dans cette question, que (X 1, X 2 ) est un vecteur gaussien centré tel que Var(X 1 ) = Var(X 2 ) = 1 et Cov (X 1, X 2 ) = ρ, avec ρ 1. Expliquer comment l on peut simuler des variables aléatoires selon la loi de Z. Décrire une méthode de Monte- Carlo permettant d estimer p ainsi que de donner une idée de l erreur que l on commet. 2. On suppose que la valeur de t est telle que l on cherche à estimer une valeur de p de l ordre de Donner un ordre de grandeur du nombre de tirages à effectuer dans une méthode de Monte-Carlo standard pour pouvoir affirmer, avec une confiance proche de 1, que p On suppose que X 1 et X 2 sont deux gaussiennes centrées de variance 1 indépendantes. Soit m un nombre réel. Montrer que p peut s écrire sous la forme ] [φ(x 1, X 2 )1{λ1e β1(x1+m) + λ2e β2(x2+m) t } p = E φ étant une fonction que l on précisera. Proposer un choix de m assurant que : P(λ 1 e β 1(X 1 +m) + λ 2 e β 2(X 2 +m) t) 1 4. Proposer une nouvelle méthode de Monte-Carlo permettant d évaluer p. Expliquer comment l on peut vérifier, sur les simulations, que cette méthode réduit la variance. 4. On suppose que X 1 et X 2 sont deux variables aléatoires indépendantes de fonction de répartition respective F 1 (x) et F 2 (x). Montrer que p = E [ 1 G 2 ( t λ1 e β 1X 1 )], où G 2 (x) est une fonction que l on explicitera, telle que la variance de 1 G 2 ( t λ1 e λ 1X 1 ) soit toujours inférieure à celle de 1 { λ 1 e β 1X 1 + λ 2 e λ 2X 2 > t }. En déduire une nouvelle méthode de Monte-Carlo permettant de calculer p. 5. On se place à nouveau dans le cas où (X 1, X 2 ) est une vecteur gaussien centrée tel que Var(X 1 ) = Var(X 2 ) = 1 et Cov (X 1, X 2 ) = ρ, avec ρ 1, montrer que p = E [1 F 2 (φ(x 1 ))], F 2 étant la fonction de répartition de X 2 et φ une fonction que l on précisera. En déduire une méthode de Monte-Carlo, dont on prouvera quelle réduit la variance, permettant d évaluer p. 5,
6 Exercice 13 Soit (ξ 1,..., ξ d ) un vecteur constitué de gaussienne centrées réduites indépendantes. Soit u un vecteur de R d, tel que u = 1. On cherche à construire une méthode de stratification à l aide de la variable aléatoire u.ξ = d i=1 u iξ i 1. Quelle est la loi de la variable aléatoire u.ξ? Pour quelle valeur du vecteur v de R d le vecteur ξ (u.ξ)v et la variable aléatoire (u.ξ) sont elles indépendantes? 2. En déduire une méthode permettant de simuler le couple (ξ (u.ξ)u, u.ξ) sans utiliser la matrice de variance covariance du vecteur ξ (u.ξ)u. 3. On se donne deux réels a et b tel que a < b. Décrire une méthode de simulation (autre que la méthode du rejet) permettant simuler le vecteur ξ conditionnellement à l événement a u.ξ < b. Exercice 14 Soit X une variable aléatoire N (0, 1). Pour t > 0, on veut calculer : par la méthode de Monte-Carlo. p(t) = P(X [t, t + 1]) 1. Donner l estimateur classique de p(t) ainsi que sa variance. 2. Pour t > 2, pratiquement tous les tirages tombent hors de l intervalle [t, t+1], il s en suit que la précision relative du résultat est très faible. Montrer que l on peut écrire p(t) = exp( t 2 /2)E(exp( tx)1 [0, 1] X) et en déduire un nouvel estimateur de p(t). Calculer la variance de ce nouvel estimateur et comparer à l estimateur précédent. Implémentation Scilab: 1. Simuler tirages de X selon une loi gaussienne centrée réduite. Calculer la moyenne de l échantillon (mean), son écart-type (st_deviation). Faire un intervalle de confiance autour de la moyenne empirique à 95%. 0 appartient il à cet intervalle de confiance? Repéter l expérience 40 fois. Que constatez vous? 2. On veut comparer la variance des deux estimateurs donnés dans l exercice pour des valeurs de t [0, 3]. Pour ceci, on effectue tirages de X et on utilise cet échantillon pour calculer l écart type empirique des deux variables aléatoires : ( t22 ) tx 1 [t, t + 1] (X) et exp 1 [0, 1] (X) pour les 301 valeurs de t=(0, 0.01, 0.02,..., 3). 3. Tracer dans une même fenêtre le graphe de ces deux fonctions et conclure. On tracera aussi les graphes de l erreur relative σ(t)/p(t), la quantité p(t) étant évaluée à l aide de la fonction Scilab cdfnor(). Correction de l exercice sur http ://cermics.enpc.fr/ bl/ps/correction-exo-3.sci Exercice 15 Soit X une variable aléatoire gaussienne centrée réduite et t un paramètre positif. On veut évaluer par la méthode de Monte-Carlo l intégrale : I = E ( 1 X > 0 exp(tx) ) 1. Proposer une méthode de fonction d importance (c.f. exercice 1) 2. Proposer une méthode de variable de contrôle. 3. Proposer une méthode de variables antithétiques. 6
7 Implémentation Scilab: On note par Y, Y 1, Y 2, Y 3 les variables aléatoires utilisées pour construire l estimateur classique de I puis les estimateurs obtenus dans les questions 1, 2, 3. Pour comparer leur efficacité, on effectue tirages de X et on utilise cet échantillon pour calculer l écart type empirique de ces quatre variables aléatoires Y. On fait ce calcul pour les 151 valeurs de t=(0, 0.01, 0.02,..., 1.5). Tracer dans une même fenêtre le graphe de ces quatre fonctions. Correction de l exercice sur http ://cermics.enpc.fr/ bl/ps/correction-exo-3.sci Exercice 16 Soit (U 1,..., U n ) un échantillon i.i.d. de loi uniforme sur [0, 1] et (V 1 V 2... V n ) l échantillon ordonné. On convient que V n+1 = 1, V 0 = 0 et pour i = 1,..., n + 1 on pose i = V i V i Trouver la loi du couple (V i, V i+1 ) pour i = 1,..., n 1 et la loi de i pour i = 1,..., n Montrer que sup 0 i n i converge presque sûrement vers Soit h une fonction continue sur [0, 1]. Montrer que l estimateur : Z n = n i h(v i ) i=1 converge presque sûrement vers I = 1 0 h(u)du. 4. Montrer que que Z n est un estimateur asymptotiquement sans biais de I. 5. On suppose de plus que h est de classe C 1. Montrer qu il existe une constante K avec : Z n I K En déduire la vitesse de convergence de Z n vers I dans L Peut-on espérer la même vitesse de convergence pour l estimateur classique : n i=1 2 i Y n = 1 n n h(v n ) i=1 Implémentation Scilab: On veut comparer la vitesse de convergence presque sûre des estimateurs Y n et Z n. Pour ceci on tire un échantillon de taille d une loi uniforme sur [0, 1]. Tracer dans la même fenêtre les graphes de Y n et Z n pour n multiple de 50 et pour la fonction f(x) = x. 7
Simulation 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 détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
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 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 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 détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
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 détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
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 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 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 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 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 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 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 détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
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 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 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 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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
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 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 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 détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
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 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 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 détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailSimulation : application au système bonus-malus en responsabilité civile automobile
Simulation : application au système bonus-malus en responsabilité civile automobile Robert Langmeier Travail de séminaire réalisé sous la supervision du professeur François Dufresne Ecole des HEC Université
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailProbabilités avancées. Florin Avram
Probabilités avancées Florin Avram 24 janvier 2014 Table des matières 1 Mise en scène discrète 3 1.1 Espace des épreuves/résultats possibles, événements, espace probabilisé, mesure de probabilités, variables
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 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 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 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 détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
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 détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
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 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 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 détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailMéthode de Monte Carlo pour le calcul d'options
Méthode de Monte Carlo pour le calcul d'options LADIAS Elie, WANG Shuai 7 juin 2013 1 Table des matières 1 Méthode de Monte-Carlo et Calcul d'intégrales 4 1.1 Description de la méthode....................
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
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 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 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 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 détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
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 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 détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
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 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 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 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 détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
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 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 détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
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 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 détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
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 détailCours de gestion des risques d assurances et de théorie de la ruine. Stéphane Loisel
Cours de gestion des risques d assurances et de théorie de la ruine Stéphane Loisel ISFA, 2005-2006 Table des matières I Modélisation de la charge sinistre : du modèle individuel au modèle collectif 5
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
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 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 détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
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 détailCours d Analyse 3 Fonctions de plusieurs variables
Université Claude Bernard, Lyon I Licence Sciences, Technologies & Santé 43, boulevard 11 novembre 1918 Spécialité Mathématiques 69622 Villeurbanne cedex, France L. Pujo-Menjouet pujo@math.univ-lyon1.fr
Plus en détailCalcul intégral élémentaire en plusieurs variables
Calcul intégral élémentaire en plusieurs variables PC*2 2 septembre 2009 Avant-propos À part le théorème de Fubini qui sera démontré dans le cours sur les intégrales à paramètres et qui ne semble pas explicitement
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 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 détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailCalculs de probabilités avec la loi normale
Calculs de probabilités avec la loi normale Olivier Torrès 20 janvier 2012 Rappels pour la licence EMO/IIES Ce document au format PDF est conçu pour être visualisé en mode présentation. Sélectionnez ce
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
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 détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détail1.1 Codage de source et test d hypothèse
Théorie de l information et codage 200/20 Cours 8février20 Enseignant: Marc Lelarge Scribe: Marc Lelarge Pour information Page webdu cours http://www.di.ens.fr/~lelarge/info.html Notations Pour des variables
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
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 détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailFonctions de plusieurs variables et applications pour l ingénieur
Service Commun de Formation Continue Année Universitaire 2006-2007 Fonctions de plusieurs variables et applications pour l ingénieur Polycopié de cours Rédigé par Yannick Privat Bureau 321 - Institut Élie
Plus en détailIntroduction au pricing d option en finance
Introduction au pricing d option en finance Olivier Pironneau Cours d informatique Scientifique 1 Modélisation du prix d un actif financier Les actions, obligations et autres produits financiers cotés
Plus en détailCours d Analyse I et II
ÉCOLE POLYTECHNIQUE FÉDÉRALE DE LAUSANNE Cours d Analyse I et II Sections Microtechnique & Science et génie des matériaux Dr. Philippe Chabloz avril 23 Table des matières Sur les nombres. Les nombres
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 détailLes devoirs en Première STMG
Les devoirs en Première STMG O. Lader Table des matières Devoir sur table 1 : Proportions et inclusions....................... 2 Devoir sur table 1 : Proportions et inclusions (corrigé)..................
Plus en détailThéorèmes du Point Fixe et Applications aux Equations Diérentielles
Université de Nice-Sophia Antipolis Mémoire de Master 1 de Mathématiques Année 2006-2007 Théorèmes du Point Fixe et Applications aux Equations Diérentielles Auteurs : Clémence MINAZZO - Kelsey RIDER Responsable
Plus en détail