L2 Mention Informatique. UE Probabilités. Chapitre 4 : Simulation - Régression

Documents pareils
II - Notions de probabilité. 19/10/2007 PHYS-F-301 G. Wilquet 1

Semestre : 4 Module : Méthodes Quantitatives III Elément : Mathématiques Financières Enseignant : Mme BENOMAR

Coefficient de partage

SYSTEME FERME EN REACTION CHIMIQUE

LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE

CHAPITRE 6 : LE BIEN-ETRE. Durée : Objectif spécifique : Résumé : I. L agrégation des préférences. Cerner la notion de bien-être et sa mesure.

COURS DE MATHEMATIQUE FINANCIERE A COURT ET LONG TERME Promotion : Première année de graduat

Mesure avec une règle

Application de la théorie des valeurs extrêmes en assurance automobile

Les sinistres graves en assurance automobile : Une nouvelle approche par la théorie des valeurs extrêmes

Incertitudes expérimentales

Mathématiques Financières : l essentiel Les 10 formules incontournables (Fin de période)

L Analyse Factorielle des Correspondances

" BIOSTATISTIQUE - 1 "

Une méthode alternative de provisionnement stochastique en Assurance Non Vie : Les Modèles Additifs Généralisés

Ressources pour le lycée général et technologique

Module 3 : Inversion de matrices

GIN FA INSTRUMENTATION P Breuil

ÉLÉMENTS DE THÉORIE DE L INFORMATION POUR LES COMMUNICATIONS.

GENESIS - Generalized System for Imputation Simulations (Système généralisé pour simuler l imputation)

EXERCICES : DÉNOMBREMENT

Conception d un outil décisionnel pour la gestion de la relation client dans un site de e-commerce

OBLIGATION DU SECTEUR PRIVE : EVALUATION ET OUTIL DE GESTION DU RISQUE DE TAUX D INTERET

Conception d un outil décisionnel pour la gestion de la relation client dans un site de e-commerce

Groupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3

Exo7. 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

Remboursement d un emprunt par annuités constantes

Montage émetteur commun

Deuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES

Chapitre IV : Inductance propre, inductance mutuelle. Energie électromagnétique

STATISTIQUE AVEC EXCEL

Les jeunes économistes

Dénombrement. Chapitre Enoncés des exercices

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009

Estimation des incertitudes sur les erreurs de mesure.

SÉRIES STATISTIQUES À DEUX VARIABLES

Statistique descriptive bidimensionnelle

Processus et martingales en temps continu

20. Algorithmique & Mathématiques

MÉTHODES DE SONDAGES UTILISÉES DANS LES PROGRAMMES D ÉVALUATIONS DES ÉLÈVES

1.0 Probabilité vs statistique Expérience aléatoire et espace échantillonnal Événement...2

Grandeur physique, chiffres significatifs

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI

Calcul de tableaux d amortissement

RESOLUTION PAR LA METHODE DE NORTON, MILLMAN ET KENNELY

Intégration et probabilités ENS Paris, TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :

Q x2 = 1 2. est dans l ensemble plus grand des rationnels Q. Continuons ainsi, l équation x 2 = 1 2

Chapitre 3 : Fonctions d une variable réelle (1)

Baccalauréat S Asie 19 juin 2014 Corrigé

Plan. Gestion des stocks. Les opérations de gestions des stocks. Les opérations de gestions des stocks

Polynésie Septembre Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.

Comportement d'une suite

Économétrie. Annexes : exercices et corrigés. 5 e édition. William Greene New York University

1 Mesure et intégrale

Commande Prédictive Robuste d un Système MIMO utilisant un modèle BOG et les techniques LMI

UNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4

COMPARAISON DE MÉTHODES POUR LA CORRECTION

La théorie classique de l information. 1 ère partie : le point de vue de Kolmogorov.

LES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil.

Exercice I ( non spé ) 1/ u 1 = u / Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1

LES MESURES CLÉS DU PROJET DE LOI ÉCONOMIE SOCIALE ET SOLIDAIRE

Généralités sur les fonctions 1ES

Séries réelles ou complexes

[ édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ ] [correction] Si n est un entier 2, le rationnel H n =

RAPPORT DE STAGE. Approcher la frontière d'une sous-partie de l'espace ainsi que la distance à cette frontière. Sujet : Master II : SIAD

BUREAU D'APPLICATION DES METHODES STATISTIQUES ET INFORMATIQUES

Séquence 5. La fonction logarithme népérien. Sommaire

2 ième partie : MATHÉMATIQUES FINANCIÈRES

Chapitre 3 : Incertitudes CHAPITRE 3 INCERTITUDES. Lignes directrices 2006 du GIEC pour les inventaires nationaux de gaz à effet de serre 3.

Consolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation

LE RÉGIME DE RETRAITE DU PERSONNEL CANADIEN DE LA CANADA-VIE (le «régime») INFORMATION IMPORTANTE CONCERNANT LE RECOURS COLLECTIF

stages 2015 paris saint-germain ACADEMY Dossier d inscription

Chapitre 3 : Transistor bipolaire à jonction

THESE. Khalid LEKOUCH

GEA I Mathématiques nancières Poly. de révision. Lionel Darondeau

capital 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...

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation

La France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe

Cours 5 : ESTIMATION PONCTUELLE

Limites des Suites numériques

Stéganographie Adaptative par Oracle (ASO)

Impôt sur la fortune et investissement dans les PME Professeur Didier MAILLARD

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

Soutenue publiquement le Mardi 04/Mai/2010 MEMBRES DU JURY

Les déterminants de la détention et de l usage de la carte de débit : une analyse empirique sur données individuelles françaises

Les déterminants de la détention et de l usage de la carte de débit : une analyse empirique sur données individuelles françaises

Quand BÉBÉ VOYAGE. Guide pratique sur les précautions à prendre

x +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.

STATISTIQUE : TESTS D HYPOTHESES

MODÈLE D ISING À UNE ET DEUX DIMENSIONS.

Université Victor Segalen Bordeaux 2 Institut de Santé Publique, d Épidémiologie et de Développement (ISPED) Campus Numérique SEME

Terminal numérique TM 13 raccordé aux installations Integral 33

Calculer le coût amorti d une obligation sur chaque exercice et présenter les écritures dans les comptes individuels de la société Plumeria.

Intégrales généralisées

TD 1. Statistiques à une variable.

CONSERVATOIRE NATIONAL DES ARTS ET METIERS

1 Introduction. 2 Définitions des sources de tension et de courant : Cours. Date : A2 Analyser le système Conversion statique de l énergie. 2 h.

. (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

Exercices d Électrocinétique

Transcription:

L Meto Iformatque UE Probabltés Chaptre 4 : Smulato - Régresso Notes de cours rédgées par Rége Adré-Obrecht, Jule Pquer

I- Smulato de varables aléatores. Itroducto Das certaes expéreces «réelles», où le hasard tervet, l peut être téressat de réalser des expéreces umérques où o smule des varables aléatores qu terveet plutôt que de réalser physquemet les expéreces. Exemple : Physque ucléare déstégratos des atomes fssbles décrts par de v. a. (lo expoetelle, lo de Posso, etc.) avat de costrure u réacteur! Joh Vo Neuma (Mathématce, 903-957) : «Qucoque cosdère des méthodes arthmétques pour produre des ombres aléatores est, be sûr, e tra de commettre u péché». Il est, e gééral, exclu de réalser matérellemet des dspostfs fourssat des ombres aléatores. Mas l exste des tables dtes tables de ombres aléatores et qu sot telles, que la sute des ombres qu y fguret est assmlable à la réalsato de trages avec remse das ue ure de dx catégores de boules fgurat à proportos égales. Il exste auss des algorthmes qu smulet (état e fat détermstes) les ombres aléatores.. Algorthmes géérat des ombres pseudo-aléatores a) Méthode de Vo Neuma Méthode mddle-square (carré méda). Très smple, elle cosste à predre u ombre, à l'élever au carré et à predre les chffres au mleu comme sorte. Celle-c est utlsée comme grae pour l'térato suvate. b) Méthode de Fboacc Cette méthode est basée sur la sute de Fboacc, modulo la valeur maxmale désrée : x = (x - + x - ) mod(m) avec x 0 et x e etrée. c) Méthode de Lehmer O déft ue sute d eters x 0, x,, x as : - x 0 eter postf arbtrare, - x + = k x mod(m), avec m ombre premer. Exemple : m = 3 - (ombre premer de Mersee : p - avec p ombre premer). Il s agt de la méthode utlsée par la focto «rad» (lo uforme) de Sclab et de Matlab (usqu à la verso 4, mas ecore dspoble avec l opto seed ). d) Méthode de Mersee Twster Il s agt de la méthode utlsée par la focto «rad» (lo uforme) de Matlab (depus la verso 7.4) et des lagages C/C++.

3. Les tables de ombres aléatores Ces tables (cf. Fgure ) permettet d extrare des eters «aléatores» das l tervalle de 0 à 0k. O pred k coloes, les chffres das chaque lge formet u ombre de k chffres. Après o pred les k coloes suvates, etc. Pour passer aux ombres qu e sot pas eters, o peut dvser les ombres choss par 0k : o obtet les ombres das l tervalle [0, ]. C est ue smulato de ombres aléatores de lo uforme. Fgure : exemple de table de ombres aléatores. 4. Smulato d ue varable aléatore dscrète O cherche à défr ue varable aléatore dscrète de lo : p = P( = d), p = P( = d),, p = P( = d), Sot ue varable aléatore de lo uforme sur [0, ]. O peut predre ue partto de [0, ] e tervalles de logueurs p, p, p, Par exemple, [0, p [, [p, p + p [, [p + p, p + p + p 3 [,.... 3

O peut défr ue varable aléatore as : ' = d 0,p, ' = d ' = d 3 [ [ [ p,p + p[, [ p + p,p + p + p [ 3,... La lo de est égale à la lo de, doc des réalsatos de sot des réalsatos de. Exemple : S la lo de est p = ½, p = 3/8 et p 3 = /8, alors la partto doe : [ [, [ /,7/8 [, [ 7 / 8,[ 0,/. 5. Smulato d ue varable aléatore réelle O cherche à défr ue varable aléatore réelle de desté f (y). Sot ue varable aléatore réelle de desté f (x). O peut obter l équato : f (y) dy = f (x) dx. S est de lo uforme sur [0, ], cette équato devet : f (y) dy = dx. S o cherche y comme ue focto crossate de x, y = y(x), o peut écrre : y(x) x F ( y(x) ) = f (y) dy = dx = x, 0 x avec F la focto de répartto. S F - est la focto verse de F alors y(x) = F - (x). 0 Cela peut être utlsé pour calculer les ombres pseudo-aléatores de lo o-uforme à partr des ombres de la lo uforme. Exemple : Sot ue varable aléatore de lo expoetelle : f F ( y) = 0 s y < 0, F = so. y λy λy y λy ( y) λe dy = [ e ] = e 0 0 (y) λy = λe. Il sufft alors de résoudre l équato : e λy = x et o obtet : y = l( x). λ II- Régresso léare - Approxmato d ue varable aléatore Explcato d ue varable aléatore. Défto du problème Cosdéros u vecteur de varables aléatores (,,,, ) supposées cetrées : E() = E( ) = E( ) = = E( ) = 0. Obectf : approxmato de par ue combaso léare de,,,. Nous cherchos à écrre sous la forme : = = a + ' où est ue erreur (dévato) o corrélée à,,,. 4

Les coeffcets du vecteur A = (a, a,, a ) sot appelés coeffcets de régresso léare. Rappel : Covarace de varables aléatores U et V : cov(u,v) = E(UV) E(U).E(V). Remarquos que cov(u,u) = E(U ) E(U) = var(u). Supposos que var(), cov(, ) et cov(, ) exstet pour tous,. Notos : B = (E(, ), E(, ),, E(, )), B t est le vecteur trasposé de B, ( ) ( ) ( ) cov, cov,... cov, cov(, )......... Γ =............. cov( ) ( ) ( ), cov,... cov, var( ) La matrce t B B Γ est appelée matrce de varace-covarace de (,,,, ). Remarque : cette matrce est symétrque. Pour chaque, la codto de corrélato ulle (covarace ulle) de coséquece l équato suvate : cov(', ) = cov(, ) a cov(, ) B = a cov(, ) = = car : cov(', ) = 0 (codto), cov(, ) = E( ) car E() = E( ) = 0 (v. a. cetrées). ' = a et a pour Pour détermer le vecteur A = (a, a,, a ), ous devos résoudre le système suvat : = B B B = = = = = = a cov(, a cov(, a cov(,... ) ). ) Sous forme matrcelle, ce système s écrt as : B = AΓ. S la matrce Γ est régulère (versble), uque. - A = BΓ. O a alors ue soluto et cette soluto est Remarque : ous e cosdèreros que des cas de matrces régulères. 5

. Cas de varables cetrées Das le cas de varables cetrées et, la représetato que ous cherchos est : = a. + '. var() cov(, ) La matrce de varace-covarace est de talle x :. cov(, ) var() Le système à résoudre s écrt smplemet : cov(, ) = a.var(). Alors a = cov(, ) var() doc cov(, ) = + var() '. Teat compte du fat que la varace est égale à var() = σ() et que le coeffcet de corrélato cov(, ) σ() est égal à corr(, ) =, o obtet : a = corr(, ). σ().σ() σ() 3. Cas de varables o cetrées Das le cas de varables o cetrées et, la représetato de pred e compte les valeurs moyees (espéraces) de m = E() et de m = E(). Alors : cov(, ) = ( - m ) + m + '. var() La drote d équato : cov(, ) y = (x - m ) + m s appelle la lge de régresso de sur. var() Cette drote a pour proprété que la varace var( ) est mmale par rapport à toutes les décompostos de e parte léare (par rapport à ). 6

Uté de cours Probabltés et statstques - Exercces Chaptre 4 Smulato et régresso Exercce (Smulato) Predre les 4 premères coloes de la table des ombres aléatores (fgure ). Cosdérer les 4 chffres comme les 4 décmales d u ombre [0,]. - Fare u hstogramme correspodat aux 0 premères lges avec ue partto de [0,] e 4 tervalles de logueur 0,5. - E dédure les probabltés expérmetales correspodates. Exercce (Smulato v. a. dscrète) Predre les 0 premères lges et les coloes 5 à 8 de la table des ombres aléatores. Cosdérer les 4 chffres de chaque lge comme les 4 décmales d u ombre [0,]. - Smuler ue varable aléatore {0,, } de lo : P( = 0) =, P( = ) = et P( = ) =. 3 6 - Comparer les probabltés pratques obteues aux probabltés théorques attedues. Exercce 3 (Smulato v. a. réelle) Sot ue varable aléatore réelle de lo uforme sur [0,]. Sot ue v. a. réelle de desté : a) f(y) = y pour 0 y 0 so, Trouver, pour chacu des 3 cas, ue focto y = h(x) telle que = h(). Exercce 4 (Smulato et régresso) Predre réalsatos ( et ) d'échatllos de lo uforme de talle 0 (les coloes 3 et 5 des 0 premères lges de la table des ombres au hasard). - Estmer la lo emprque coote et les los margales de et. - Fare les hstogrammes des los margales et e preat comme tervalles : [-0,5 ; 0,5], [0,5 ;,5], etc. 3- Trouver l'équato de la lge de régresso de par rapport à. Exercce 5 (Régresso) b) f(y) = y pour 0 y -y pour y 0 so, c) f(y) = (k+) y k pour 0 y, 0 so. Soet et, deux varables aléatores dépedates de lo uforme qu preet comme valeurs, et 3. O pose Z = + et U =. Repredre les résultats de l exercce 3 (cf. chaptre ) af de trouver l équato de régresso léare de U sur Z. 7

Exercce 6 (Régresso) Sot la lo coote du couple (, ) doée par : \ - - - /8 0 /8 0-0 /8 /8 0 0 0 0 /4 0 0 /4 0 Calculer l équato de la lge de régresso de par rapport à. Exercce 7 (Régresso et corrélato) Sot (, ) u couple de varables aléatores de lo uforme das le tragle ABC avec les coordoées suvates : A (0,0) B (,) C (,0). - Estmer la desté ote et les destés margales. - Calculer les espéraces, les varaces et le coeffcet de corrélato. 3- Trouver l équato de régresso de sur. 8