Cours 5 : ESTIMATION PONCTUELLE

Dimension: px
Commencer à balayer dès la page:

Download "Cours 5 : ESTIMATION PONCTUELLE"

Transcription

1 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

2 A- ESTIMATION PONCTUELLE: GÉNÉRALITÉS

3 A- Défiitio O s itéresse à la caractéristique X d ue populatio (évetuellemet à u vecteur de caractéristiques), dot la loi déped d u paramètre icou p, p. f ( x ) θ ϑ R O ote θ la desité de la loi de X au poit x (resp. la loi P θ (X=x) de X au poit x) si X est cotiue (resp. si X est discrète). O dispose d u sodage de taille de la populatio (l observatio de X sur idividus), oté (,..., ). O ote (,..., ) x x X X l échatillo aléatoire associé à ce sodage (il s agit d u vecteur aléatoire dot ue réalisatio particulière est (,..., ). x x

4 A- Défiitio Estimer le paramètre θ cosiste à doer ue valeur approchée à ce paramètre à partir d u sodage de la populatio. Ex : P X, θ=e(x)? ( x,..., x ) x xi i = = x est ue approximatio ou estimatio de θ.

5 Estimateur et estimatio : P A- Défiitio X, θ=e(x)? x i = = x (,..., ) x x x i ( ',..., x' ) ( x,..., x ) ( x',..., x ' ) x ' = x' sot deux réalisatios de l échatillo aléatoire i = ' i (,..., ) X X Les deux estimatios x et x' de θ sot deux réalisatios de la statistique appelée estimateur de θ. X = X i i =

6 A- Défiitio Formalisatio : Soit p θ ϑ R, p le paramètre icou dot déped la loi de X U estimateur Θ de θ est ue statistique de l échatillo aléatoire : telle que pour chaque réalisatio ( x de l échatillo aléatoire, la valeur ˆ,..., x ) θ = h ( x,... x ) prise par Θ approche θ. p Θ = h( X,..., X ), h : R R, p θˆ s appelle ue estimatio de θ. C est ue réalisatio particulière de l estimateur Θ.

7 A-2 Exemple d estimateurs Estimateur de l espérace E(X) de X : La moyee empirique X i = = X i Pour ue réalisatio doée ( x,..., x ) de l échatillo aléatoire, x = x i i = est l estimatio de E(X) associée à ce jeu de doées. Propriét és : E( X ) = E( X ) V ( X ) = V ( X )

8 A-2 Exemple d estimateurs Estimateurs de la variace σ² et de l écart-type σ de X lorsque E(X)=m est coue : T = X m 2 T i = = ( ) T 2 i ² est u estimateur de σ² est u estimateur de σ 2 Pour ue réalisatio doée de l échatillo aléatoire, t Sot les estimatios associées. = x m i i = ( ) ² et t Propriétés (cf TD) : 2 E( T ) = σ ² 2 V ( T ) = µ 4 σ 4

9 A-2 Exemple d estimateurs Cas gééral La variace et l écart-type empirique s S X X 2 = i = i ( ) S = S 2 ² est u estimateur de σ² est u estimateur de σ Pour ue réalisatio doée de l échatillo aléatoire, 2 s = x x i i = ( ) ² et s = 2 s sot les estimatios associées (o les ote ecore σ ² et ˆ σ Propriétés: 2 E( S ) = σ ² V ( S ) = ( ) ( 3) ( µ σ )

10 A-2 Exemple d estimateurs La variace et l écart-type empiriques corrigés: S X X *2 = i i = S = ( ) S * *2 ² est u estimateur de σ² est u estimateur de de σ Propriétés : E S 2* ( ) = σ ² 2* 4 ( 3) 4 V ( S ) = µ σ ( )

11 A-2 Exemple d estimateurs Estimateur de la foctio de répartitio F(x) : La foctio de répartitio empirique: F ( x) = i X < x i = est u estimateur de F(x) e tout poit x. Pour ue réalisatio doée ( x,..., x ) de l échatillo aléatoire, F ( x) = i x < x i= est l estimatio de F(x) associée à ce jeu de doées. Propri étés : E( F ( x)) V ( F ( x)) = = F ( x) F( x)( F ( x))

12 A-2 Exemple d estimateurs Soiet ( X,..., X ) et ( Y,..., Y ) les échatillos aléatoires associés aux variables aléatoires X et Y de P. Estimateurs de la covariace cov(x,y) etre deux v.a. X et Y Lorsque m=e(x) et m2=e(y) sot coues T ( X, Y ) = X m Y m i = ( i )( 2 ) i est u estimateur de cov(x,y). Pour ue réalisatio particulière des échatillos aléatoires, ( )( ) 2 t ( x, y) = x m y m i i = i est l estimatio associée

13 A-2 Exemple d estimateurs Cas gééral La covariace empirique : S ( X, Y ) = X X Y Y i = i ( i )( ) est u estimateur de cov(x,y). Pour ue réalisatio particulière des échatillos aléatoires, (ecore otée ) s ( X, Y ) = x x y y i c o v ( X, Y ) i = i est l estimatio associée ( )( )

14 A-2 Exemple d estimateurs La covariace empirique corrigée : * S ( X, Y ) = X X Y Y i i= ( i )( ) est u estimateur de cov(x,y). Propriétés : E T X Y E S X Y 2 2* ( (, )) ( (, )) = = Cov( X, Y ) E S X Y X Y 2 ( (, )) = cov(, )

15 A-2 Exemple d estimateurs Estimateur de la corrélatio ρ(x,y) etre deux v.a. X et Y : La corrélatio empirique R ( X, Y ) = S( X, Y ) S ( X ) S ( Y ) est u estimateur de ρ(x,y) O ote r ( X, Y ) ou ˆ ρ( X, Y ) l estimatio associée.

16 B- Précisio d u estimateur

17 B- Ue mesure de précisio : l erreur quadratique moyee (EQM) Soit p Θ R u estimateur de θ. Erreur Quadratique Moyee : (EQM) Biais d estimatio : [ θ ] B( Θ ) = E( Θ ) θ E ( Θ )² = V ( Θ ) + ( E( Θ) )² Biais^2=erreur Variace=fluctua systématique tio aléatoire de due au fait que Θ autour de sa Θ e fluctue pas moyee autour de θ U bo estimateur poctuel doit être précis : il l est d autat plus que so erreur quadratique est faible : biais et variace les plus faibles possibles. θ

18 B-2 Absece de biais U estimateur du paramètre θ est dit sas biais ssi : B( Θ ) = 0 E( Θ ) = θ RQ: ue propriété mois forte est l absece de biais asymptotique 2 *2 Ex : X, T et S sot sas biais, S est biaisé mais asymptotiquemet sas biais 2

19 B-3 Variace miimale U estimateur de θ est dit de variace miimale si, parmi tous les estimateurs possibles de θ il a la plus petite variace : Θ estimateur de θ, V ( Θ ) V ( Θ ) * * Pour deux estimateurs sas biais, le plus précis est celui qui a la plus petite variace. Ex : lorsque E(X) =m est coue, *2 S est mois précis que 2 T

20 B-4 Covergece Covergece : u estimateur du paramètre θ est dit coverget ssi, Θ P θ Pté : U estimateur sas biais et de variace asymptotiquemet ulle est coverget. RQ : deux estimateurs covergets peuvet e pas coverger à la même vitesse

21 B-5 : Recherche du meilleur estimateur La propriété la plus désirable pour u estimateur est d'avoir ue faible Erreur Quadratique Moyee (ce qui 'exige pas forcémet d'être sas biais). Pbme : la théorie de l estimatio e permet pas de résoudre le problème de miimisatio de l EQM (foctio dépedat de maière complexe du paramètre) U compromis : recherche d u estimateur sas biais de variace miimale L'absece de biais facilite grademet l'étude des propriétés d'u estimateur car le biais d'u estimateur peut dépedre de faço complexe de la valeur du paramètre. Rque : Il est cepedat possible de trouver des estimateurs biaisés plus précis que le meilleur estimateur sas biais. Pbme : le calcul de la variace d u estimateur et doc l existece et la défiitio d u estimateur de variace miimale écessite gééralemet la coaissace de la loi de probabilité joite de l échatillo aléatoire,

22 B-5 : Recherche du meilleur estimateur Loi de l échatillo aléatoire das u tirage aléatoire simple: X, f θ ( x) ( X,..., X ) i.i.d., L ( x,..., x ) θ L ( x,..., x ) = f ( x ), ( x,..., x ) R θ θ i i= O coait gééralemet la forme paramétrique de f, mais elle déped du paramètre q icou. Doc, la loi de l échatillo est icoue e gééral (déped de paramètres icous que l o cherche justemet à estimer). Solutio : Trouver u estimateur sas biais de variace miimale e sera possible que si L ifo coteue das l échatillo sur θ est suffisammet riche iformatio O dispose d ue statistique exhaustive pour θ exhaustivité

23 B-5 : Recherche du meilleur estimateur Remarque s : L'absece de biais e garatit pas la plus faible valeur possible de l'eqm : celle-ci sera atteite lorsque sera trouvé le meilleur compromis etre le biais de l'estimateur et sa variace Das certais cas même, l'itroductio d'u léger biais das u estimateur iitialemet sas biais peut coduire à ue réductio sigificative de sa variace, au poit de provoquer ue dimiutio de so EQM, et doc d'améliorer ses performaces.

24 C- Exhaustivité et iformatio

25 C- Itroductio Iformatio : U sodage (= ue réalisatio de l échatillo aléatoire) ous apporte u certaie iformatio sur θ (la répartitio de ses valeurs ous doe ue iformatio sur la loi de X, qui déped de θ). Elle doit être suffisate pour pouvoir espérer estimer θ. Exhaustivité : L estimatio de θ faite à partir de ce sodage perd forcemet ue partie de cette iformatio : partat de valeurs, o e costruit qu ue seule, l estimatio. Et la coaissace de la seule estimatio e permet pas de remoter à l'échatillo tout etier. Affaiblissemet de l iformatio sur la loi Via le sodage Via la costructio d u estimateur La perte doit être miimale pour costruire u estimateur précis

26 C-2 Vraisemblace d u échatillo Rappels de otatios : p θ le vecteur de paramètre icou ( θ R ) f θ (x) la loi (cotiue ou discrète) de X ( X,..., X ) l échatillo aléatoire associé au sodage ( x,..., x ) ue réalisatio de cet échatillo ((u sodage particulier) Remarque : La loi f θ (x) de X (aisi que toute foctio dépedat de θ) sera otée das ce chapitre f(x, θ), car o s itéressera aux variatios de la loi par rapport à θ.

27 C-2 Vraisemblace d u échatillo Vraisemblace de l échatillo aléatoire : L( X,..., X, θ ) = f ( X i, θ ) i= NB : C est ue variable aléatoire. Sa réalisatio sur le jeu de doées (x, x2,..., x), est la valeur de la desité de l échatillo aléatoire au poit (x, x2,..., x). Log-vraisemblace de l échatillo aléatoire : l( X,..., X, θ ) l( L( X,..., X, θ )) l( f ( X, θ )) = = i i= NB: Pour des résolutios mathématiques, il est plus commode d étudier la log vraisemblace que la vraisemblace. L et l, cosidérées comme des foctios de θ, ot le même ses de variatio.

28 C-3 Iformatio de Fisher d u échatillo (θ réel) Score de l échatillo : Si f(x, θ) est différetiable e θ, l est ue foctio dérivable de θ, et le score est sa dérivée : S ( θ ) l( X,..., X, θ = ) = L( X,..., X, θ ) θ L( X,..., X, θ ) θ Pour tout θ, Le score est ue variable aléatoire Le score s aule à u optimum e θ de la foctio de vraisemblace. Pour ue réalisatio doée (x,,x) de l échatillo aléatoire (u sodage particulier) La valeur du score est ue foctio de θ, réalisatio de la variable aléatoire défiie ci-dessus sur ce jeu de doées s( θ ) = l( x,..., x, θ ) θ

29 C-3 Iformatio de Fisher d u échatillo (θ réel) Le score est cetré : E( S( θ )) = 0 la variace du score (si elle existe) s appelle l iformatio de Fisher apportée par l échatillo sur θ : ( θ ) I ( θ ) = E ( S ( ))² Cette quatité mesure l iformatio apportée par u échatillo sur le paramètre

30 C-3 Iformatio de Fisher d u échatillo (θ réel) L iformatio de Fisher mesure l iformatio apportée par u échatillo sur le paramètre : ue iformatio de Fisher proche de zero idique u échatillo peu iformatif sur la valeur de θ Pour u sodage particulier, la valeur du score mesure la sesibilité de la vraisemblace à la valeur de θ. Si le score est faible, la vraisemblace est peu sesible à de petites variatios du paramètre : les observatios 'arrivet pas à s'accorder etre elles sur la directio du chagemet à apporter à la valeur de θ pour augmeter la vraisemblace de l'échatillo. O doit doc s'attedre à ce que l'échatillo cotiee peu d'iformatio sur la vraie valeur de ce paramètre. E moyee pour u θ fixé, le score est ul. Si sa variace (iformatio de Fisher) est très petite pour ue valeur doée de θ, alors, presque tous les jeux de doées aurot alors u score proche de 0 (l'espérace du score), et doc presque tous les échatillos e cotiedrot qu'ue faible quatité d'iformatio sur la valeur réelle de θ.

31 C-3 Iformatio de Fisher d u échatillo (θ réel) Propriétés de l iformatio de Fisher : Autre formulatio : si le domaie de défiitio de X e déped pas de θ et que cette quatité existe, ² l( X,..., X, θ ) S ( θ ) ( θ ) = = θ ² θ I E E Additivité : si le domaie de défiitio de X e déped pas de θ, chaque observatio apporte la même iformatio I θ θ ( ) = I ( )

32 C-3 Iformatio de Fisher d u échatillo (cas multidimetioel) Extesio au cas multidimesioel : Le score est u vecteur aléatoire de dimesio p: θ = ( θ,..., θ p ) R p S ( θ ) = l ( X,..., X, θ ),..., l( X,..., X, θ ) θ θ p Il est caractérisé par so vecteur espérace (=0) et sa matrice de variace covariace appelée matrice d iformatio de Fisher, I ( ) = ( I ) défiie positive de terme gééral θ i, j i, j p I l( X,..., X, θ ) l( X,..., X, θ ) = Cov, i, j θi θ j

33 C-4 Statistique exhaustive Dégradatio de l iformatio par ue statistique de l échatillo : soit T ue statistique de l échatillo et g (t, θ) sa loi. Alors avec égalité si la statistique est exhaustive. I ( θ ) I ( θ ) T Dém : La vraisemblace de T est g(t,θ) l iformatio de Fisher I T (θ) apportée par T sur θ est (sous de boes coditios) : I T ²l g( T, θ ) ( θ ) = E θ ² L( X,..., X, θ ) = g( t, θ ) k( X,..., X, θ / T = t) doc ²l k I( θ ) = IT ( θ ) E θ ² Le derier terme est l iformatio coditioelle de l échatillo sachat T et o motre qu il est positif

34 C-4 Statistique exhaustive Ue statistique de l échatillo e peut pas coteir plus d iformatio sur θ que l échatillo.mais das quel cas peut-o espérer qu elle coserve la majeure partie de l iformatio «utile»? Θ Θ < Θ * Iformatio utile pour l estimatio de θ Iformatio iutile pour l estimatio de θ, bie que pouvat être utile pour d autres applicatios ( X,..., X )

35 C-4 Statistique exhaustive Statistique exhaustive T: sa créatio e rejettera que de l'iformatio "iutile" tout e préservat itégralemet l'iformatio "utile" à l'estimatio de θ. Costructio de T?

36 C-4 Statistique exhaustive Idées de costructio : Soit t la valeur de T sur u sodage. Pour que t soit aussi iformative que ce sodage, il faut à partir de la valeur t être capable de recostruire ou ue autre réalisatio de X X ( x,..., x ) ( x,..., x) ( x',..., x' ) (,..., ) L θ ( X,..., X ) Soit la loi de. Soit la loi de T dot ue réalisatio est t. Pour tirer ue réalisatio de o peut : simuler ue réalisatio de loi L θ g θ (,..., ) X X simuler ue réalisatio t de loi g, puis ue réalisatio de la loi k de θ l échatillo coditioellemet à la valeur de t car : L ( x,... x ) = k ( x,... x / T = t) g ( t) θ θ θ

37 C-4 Statistique exhaustive Statisticie S : dispose d u jeu de doées obteu par sodage. Peut costruire la valeur de t à partir de ce jeu de doées Peut costruire ue estimatio de θ à partir de ce jeu de doées. Statisticie S2 : e dispose pas du jeu de doées s est fait doer t par S Coait g θ Pour disposer d autat d iformatio que S, S2 doit être capable de tirer ue réalisatio de l échatillo aléatoire. Comme il dispose de t, il faut qu il puisse tirer das la loi coditioelle de cet échatillo sachat t, mais celle-ci déped gééralemet de θ. S et S2 k ( x,... x / T = t) e déped pas de θ θ Alors seulemet, S2 sera capable de tirer ue réalisatio de l échatillo aléatoire et de costruire ue estimatio de θ à partir de ce jeu de doées.

38 C-4 Statistique exhaustive

39 C-4 Statistique exhaustive Ue statistique T e peut ous reseiger sur la valeur d u paramètre que si sa loi déped de ce paramètre. Puisque L ( x,... x ) = k ( x,... x / T = t) g ( t) θ θ θ Si la loi coditioelle de l échatillo aléatoire sachat la valeur de T e déped plus du paramètre, cela veut dire qu alors, ue fois T cou, ous obteos plus aucue iformatio sur le paramètre par l échatillo et que doc T porte toute l iformatio dispoible sur le paramètre.

40 C-4 Statistique exhaustive Formalisatio Soit L θ R R R [ ] : (resp. 0, ) la desité joite (resp. la loi de probabilité joite) de l échatillo aléatoire issu de X cotiue (resp.discrète). h : R R p Soit ue foctio et T = h( X,..., X ) ue statistique de l échatillo aléatoire et t = h( x,..., ) sa valeur au poit x ( x,..., x )

41 C-4 Statistique exhaustive Défiitio : T est dite exhaustive pour le paramètre θ si la distributio de l'échatillo aléatoire coditioellemet T=t e déped pas de θ : Lθ ( x,..., x / T = t ) = k ( x,..., x / T = t ), ( x,..., x ) R, θ ϑ Propriété : Si T est exhaustive, alors I ( θ ) = I ( θ ) T Caractérisatio ( théorème de factorisatio ) Ue statistique T de loi g est dit exhaustive pour le paramètre θ ssi il θ existe ue foctio k : telle que : R R θ (,..., ) = θ ( ) (,..., ), (,..., ) R, θ ϑ L x x g t h x x x x

42 Exemple C-4 Statistique exhaustive

43 C-4 Statistique exhaustive Lois de X permettat ue statistique exhaustive (théorème de Darmois) O ote f θ la loi de X (desité si X cotiue, loi de probabilité si X discrète). O suppose que le domaie de défiitio de X e déped pas de θ. a, b, α,β état des foctios, ue CNS pour que l échatillo aléatoire admette ue statistique exhaustive pour θ est que fθ ( x) = exp [ a( x) α( θ ) + b( x) + β ( θ )] (famille expoetielle) i= x Das ce cas, si l applicatio a( xi ) est bijective et = cotiûmet différetiable pour tout xi, alors T a( X i ) est ue statistique exhaustive particulière pour θ. i=

44 C-4 Statistique exhaustive Coséqueces de l existece d ue statistique exhaustive de θ sur l existece et la défiitio d u estimateur de θ de variace miimale : U estimateur de θ devrait être d autat plus précis qu il capture, pour sa costructio, ue part importate de l ifo sur θ coteue das l échatillo. Das la meilleure des situatio, O devrait pouvoir retrouver toute l ifo de l échatillo à partir de l estimateur les estimateurs les plus précis de θ (e particulier les estimateurs sas biais de variace miimale) sot des statistiques exhaustives ou des foctios de celles-ci., si tat est qu ue statistique exhaustive de θ existe. U autre aspect du problème : l iformatio Ce qui précède est pas suffisat pour avoir u estimateur précis : u estimateur e pourra être bo que si l échatillo lui-même sur lequel il est costruit véhicule (cotiee) suffisammet d ifo sur le paramètre il faut e plus que l iformatio coteue das l échatillo sur le paramètre soit suffisate.

45 D- Estimateur de variace miimale, estimateur efficace

46 D- Estimateur sas biais de Variace Miimale Rappel : Il est fréquet qu'u paramètre admette plusieurs, voire ue ifiité d'estimateurs sas biais. Ex : Pour la distributio ormale N(µ, s), la moyee et la médiae empiriques sot toutes deux des estimateurs sas biais de µ). De tous les estimateurs sas biais de θ, le meilleur (au ses de EQM) est celui qui a la plus faible variace. O l'appelle "Estimateur sas biais de Variace Miimale" de θ. L idetificatio et la qualité d u estimateur sas biais de variace miimale est lié à l iformatio coteue das l échatillo sur θ et à l existece d ue statistique exhaustive pour θ. O dispose de quatre résultats théoriques pour idetifier cet estimateur.

47 D- Estimateur sas biais de Variace Miimale Uicité : s il existe u estimateur sas biais de variace miimale de θ, alors, il est uique p.s. Théorème de Rao-Blackwell Si u estimateur sas biais de θ 'est pas de variace miimale, il est possible de l'améliorer si l'o dispose d'ue statistique exhaustive pour θ. Le Théorème e garatit cepedat pas que le ouvel estimateur "amélioré" soit de variace miimale. Iégalité de Cramér-Rao Permet d établir, sous coditio de régularité, ue bore iférieure de la variace d'u estimateur sas biais. Coditios sous lesquelles la bore est atteite. L estimateur de variace miimale est alors celui ayat la variace de la bore de Cramer- Rao, il s appelle estimateur efficace.

48 D-2 Théorème de Rao-Blackwell Problème posé : Si o dispose d u estimateur sas biais de θ, est-il possible de l améliorer? Répose : oui si l o dispose d ue statistique exhaustive de θ, Théorème de Rao-Blackwell : Soit Θ u estimateur sas biais de θ et T ue statistique exhaustive de θ. Alors Θ *=E(Θ /T) est u estimateur sas biais de θ au mois aussi bo que Θ. Coséquece : s il existe ue statistique exhaustive T de θ alors l estimateur sas biais de variace miimale de θ est ue foctio de T: Θ *=k(t). Rq : Iversemet si o dispose d u estimateur sas biais foctio d ue statistique exhaustive, o est pas sûrs qu il soit de variace miimale.

49 D-2 Théorème de Rao-Blackwell Idée de la preuve: o utilise les résultats suivats avec Y = Θ et Z=T Θ ** et u estimateur sas biais quelcoque de θ, Y, Z v. a. E( E( Y Z)) = E( Y ) Théorème de la variace totale : V ( Y ) = V ( E( Y Z)) + E( V ( Y Z) Pour la coséquece : Soit ** *. Comme * Θ est de = E( Θ T )) Θ variace miimale, o a * E( V ( Θ T )) = 0 et doc * Θ = k( T )

50 D-3 Iégalité de FDCR Problème posé : Etat doé u paramètre θ d'ue distributio, quelle est la plus petite variace que l'o puisse espérer pour u estimateur sas biais de θ (ou d ue foctio k(θ) de θ? Répose : cela déped de l iformatio coteue das l échatillo H : Le domaie de défiitio de X e déped pas de θ et l iformatio de Fisher existe Iégalité de Fréchet-Darmois-Cramer-Rao (FDCR): Si H est satisfaite, o a pour tout estimateur sas biais Θ de θ : V ( Θ ) I ( θ ).

51 D-3 Iégalité de FDCR Iterprétatio : La valeur de la bore de FDCR est foctio de l iformatio que peut coteir l échatillo sur le paramètre : Plus grade est l'iformatio sur la valeur du paramètre, plus précises serot les prédictios d'u estimateur sas biais dot la variace est égale à la bore de Cramér-Rao. Iversemet, si la variace du score (iformatio de Fisher) est très petite, et doc si presque tous les échatillos e cotieet que peu d'iformatio sur la valeur du paramètre, o e peut pas espérer d u estimateur sas biais qu'il soit précis, c'est à dire qu'il ait ue faible variace. Remarque : L iégalité de FDCR et doc la variace miimale que peut atteidre u estimateur sas biais, est valable que das le cas où l iformatio de Fisher existe et ou H est vérifiée.

52 D-3 Iégalité de FDCR Gééralisatio à u estimateur sas biais d ue foctio de θ: soit k ue foctio et u estimateur sas biais de k(θ). Si k est ue foctio dérivable et que H est satisfaite: V ( ) ( k θ ) I '( ) ² ( θ )

53 D-4 Estimateur efficace Estimateur efficace Défiitio : u estimateur efficace de θ (resp. k(θ) ) est u estimateur sas biais dot la variace est égale à la bore iférieure de Cramer-Rao : Propriétés : V ( Θ ) = I ( θ ) ( θ ) k '( ) ² ( resp. V ( ) ) = I ( ) I ( θ ) Si u estimateur efficace de θ (ou de k(θ)) existe, il est uique p.s. Si u estimateur efficace de θ (resp. k(θ)) existe, il est égal p.s. à l estimateur sas biais de variace miimale de θ (resp. k(θ). Pertiece : La défiitio d u estimateur efficace a de ses que si l hypothèse H est vérifiée.

54 D-4 Estimateur efficace Exemple : Loi de Poisso de paramètre θ : l( X,..., X, θ ) = θ + X lθ l X i! i= X S( θ ) = + θ E( X ) I( θ ) = E S( θ ) = = θ θ ² θ O estime θ par X : o a V ( X ) =. C est u estimateur efficace. θ

55 D-4 Estimateur efficace Problème posé : Coditios écessaire à l'existece d'u estimateur efficace de k(θ) Réposes : La loi de X permet ue statistique exhaustive (Darmois) de θ. Das ce cas, l estimateur efficace de k(θ ) est ue statistique exhaustive de θ Das la suite, o suppose que H est vérifiée.

56 D-4 Estimateur efficace Théorème sur l efficacité La bore de Cramer-Rao e peut être atteite (il e peut exister d estimateur efficace) que si la loi de X appartiet à la famille expoetielle [ ] fθ ( x) = exp a( x) α( θ ) + b( x) + β ( θ ) (c est-à-dire si elle permet l existece d ue statistique exhaustive, Car l estimateur efficace est écessairemet exhaustif pour θ.) Si la loi de X est bie de la forme précédete, il existe qu ue seule foctio de θ qui puisse être estimée efficacemet, c est : β '( θ ) k( θ ) = α '( θ ) L estimateur de k(θ) est alors T = a( X i ) de variace (miimale) : ( k '( θ ))² k '( θ ) V ( T ) = = I ( θ ) α '( θ ) i =

57 D-4 Estimateur efficace Exemple : Loi de Poisso de paramètre θ : = O a vu que : S X i est exhaustive. O peut le retrouver autremet i= : l f ( x, θ ) = θ + xlθ l( x!) doc la loi de poisso appartiet à la famille expoetielle avec a ( x ) = x ; α ( θ ) = l θ ; b ( x ) = l( x!); β ( θ ) = θ Doc d après le théorème de Darmois est exhaustive. D après le théorème précédet la seule foctio qui puisse être estimée efficacemet est β '( θ ) l estimateur efficace est S/ k( θ ) = = θ α '( θ ) S = a( X ) = X i i= i= Remarque :Si S est exhaustive, toute foctio détermiiste de S est exhaustive. Par exemple, S/ est exhaustive. i

58 D-4 Estimateur efficace Remarque importate: Il existe au plus ue seule foctio k(θ) du paramètre θ qui peut être estimée efficacemet. E coséquece, s'il existe ue foctio k vérifiat la relatio ci-dessus, et si cette foctio 'est pas la foctio idetité, alors il 'existe pas d'estimateur efficace de θ.

59 D-4 Estimateur efficace Coclusio sur l estimatio de θ : Cas où les hypothèses de L'iégalité de Cramér-Rao sot satisfaites : L'iégalité de Cramér-Rao produit ue bore iférieure de la variace d'u estimateur sas biais. U estimateur sas biais de variace miimale aura doc ue variace supérieure ou égale à la bore iférieure de l iégalité de FDCR. Cette bore est pas forcémet atteite das le cas gééral : O peut par exemple exhiber des cas où cette bore est égale à 0, et doc évidemmet iaccessible. Lorsqu elle l est, O appelle estimateur efficace u estimateur sas biais dot la variace est égale à la bore iférieure de l iégalité de FDCR. Das ce cas, c est l estimateur de variace miimale. Il existe que si X admet ue loi das la famille expoetielle et que k est la foctio idetité, et l estimateur est das ce cas uique et exhaustif. Cas où les hypothèses de L'iégalité de Cramér-Rao e sot sas satisfaites : La otio d estimateur efficace a alors pas de ses, i la bore de Cramer-Rao. Il peut alors même exister des estimateurs sas biais dot les variaces sot iférieures à la bore (sas sigificatio) de Cramér-Rao.

60 E- Quelques méthodes d estimatio

61 E- Estimatio par la méthode du maximum de vraisemblace Soit ( X, X 2,..., X ) l échatillo aléatoire associé à u sodage de taille das la populatio de distributio de probabilité f(x, θ), où θ est u vecteur de paramètres icous, p et que l'o cherche à estimer. θ ϑ R Estimatio par la méthode du maximum de vraisemblace (MLE) : O choisit comme estimateur de θ le vecteur θ qui red maximal la vraisemblace (ou la log-vraisemblace) de l'échatillo dot o dispose. Θ = arg max L( X,..., X, θ ) = arg max l( X,..., X, θ ) θ ϑ θ ϑ Pour u sodage particulier, ( x, x 2,..., x ), l estimatio (valeur) du paramètre est : ˆ θ = arg max L ( x,..., x, θ ) = arg max l ( x,..., x, θ ) θ ϑ θ ϑ

62 E- Estimatio par la méthode du maximum de vraisemblace Mise e œuvre Lorsque f(x, θ) est ue foctio deux fois différetiable e θ, la méthode la plus directe cosiste à : Idetifier les extrema de la vraisemblace (ou log-vraisemblace ) e aulat ses dérivées partielles premières par rapport à θ (le score). O résout doc e θ le système d équatios : S ( ) 0 θ = Reteir parmi ces extrema ceux qui sot des maxima, par exemple e recherchat ceux pour lesquels la matrice des dérivées partielles secodes de la vraisemblace (ou log-vraisemblace ) est égative au voisiage de θ. Reteir, de ces différets maxima, celui qui présete la plus grade valeur de la vraisemblace.

63 E- Estimatio par la méthode du maximum de vraisemblace Exemple : EMV de l espérace d ue loi expoetielle de paramètre θ i L ( X,..., X, θ ) = θ e θ = θ e i= l ( X,..., X, θ ) = lθ θx S ( θ ) S θ = X Θ = θ ( θ ) = < 0 θ ² X X θ X

64 E- Estimatio par la méthode du maximum de vraisemblace Propriétés de l estimateur du Maximum de Vraisemblace (EMV) (à titre idicatif) Propriétés à taille d'échatillo fixe Prop : S il existe u estimateur efficace de θ, alors il est égal à l uique EMV de θ. RQ : La réciproque est fausse : u EMV 'est pas obligatoiremet efficace. Prop 2 : Si le paramètre θ admet ue statistique exhaustive, l EMV est ue foctio de cette statistique exhaustive. Prop 3 : Si Θ est l EMV de θ, k(θ) est l EMV de k(θ).

65 E- Estimatio par la méthode du maximum de vraisemblace Propriétés asymptotiques Prop 4 : Pour des échatillos suffisammet grads, l EMV deviet uique, et ted (e probabilité) vers la vraie valeur du paramètre θ. C'est doc u estimateur coverget : ˆ θ P θ Prop 5 : L EMV est asymptotiquemet gaussie et asymptotiquemet efficace ( pour des échatillos suffisammet grads, sa variace est iférieure à celle de tout autre estimateur et est proche de la bore de Cramér-Rao) : ˆ θ θ L N ( 0,) ( θ ) où I désige l'iformatio de Fisher de l échatillo. I

66 E- Estimatio par la méthode du maximum de vraisemblace Extesios : Vraisemblace et tests Puisque la vraisemblace mesure la plus ou mois boe adéquatio etre ue distributio de paramètre doé θ et u échatillo, o peut s'attedre à la voir jouer u rôle importat das les tests portat sur le choix etre des distributios paramétriques cadidates pour redre compte d'u échatillo. L'exemple le plus simple d'ue telle apparitio de la vraisemblace das le mode des tests est le Théorème de Neyma-Pearso (cf chapitre suivat) qui établit que la Meilleure Régio Critique d'u test devat décider etre deux distributios cadidates est etièremet détermiée par des cosidératios portat sur les vraisemblaces de ces deux distributios pour l'échatillo dispoible.

67 E-2 Estimatio par la méthode des momets Soit ( X, X 2,..., X ) l échatillo aléatoire associé à u sodage de taille das la populatio de distributio de probabilité f(x, θ), où θ est u vecteur de paramètres icous de dimesio p et que l'o cherche à estimer. Soiet r r r X = X i et mr ( θ ) = Eθ ( X ) i= les momets empiriques et théoriques d ordre r de l échatillo et de la loi de X respectivemet (lorsque r=, o a la moyee empirique et l espérace). Les momets théoriques dépedet de θ..

68 E-2 Estimatio par la méthode des momets Estimateur des momets de θ : L estimateur des momets de θ est le vecteur Θ qui vérifie le système d équatios e θ: r X = m ( θ ), r =,... p r Si ce système peut être résolu, est l estimateur des momets de θ. (,..., ) p Θ = k X X Pour u sodage particulier ( x, x 2,..., x ), l estimatio (valeur) correspodate est : ˆ p θ = k x,..., x ( )

69 E-2 Estimatio par la méthode des momets Exemple : EM de l espérace d ue loi expoetielle de paramètre θ Θ solutio de : Eθ ( X ) = X = X Θ = θ X

70 E-2 Estimatio par la méthode des momets Propriétés (à titre idicatif) La méthode des momets fourit des estimateurs covergets La méthode des momets est coceptuellemet plus simple que la méthode du maximum de vraisemblace La méthode des momets fourit des estimateurs peu précis lorsque est modéré les estimateurs aisi produits 'ot pas les boes propriétés asymptotiques des estimateurs du Maximum de Vraisemblace. E particulier o a pas e gééral la loi limite de l estimateur

Chapitre 3 : Fonctions d une variable réelle (1)

Chapitre 3 : Fonctions d une variable réelle (1) Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s

Plus en détail

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1)

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1) Corrigé ESSEC III 008 par Pierre Veuillez Das certaies situatios paris sportifs, ivestissemets fiaciers..., o est ameé à miser de l arget de faço répétée sur des paris à espérace favorable. O se propose

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

. (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 détail

STATISTIQUE : TESTS D HYPOTHESES

STATISTIQUE : 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 détail

Limites des Suites numériques

Limites 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 détail

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

II 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 détail

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :

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 détail

Cours de Statistiques inférentielles

Cours 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

Loi binomiale. Niveau : Première S + SUP (Convergence) Prérequis : Variable aléatoire, espérance, variance, théorème limite central, loi de Poisson

Loi binomiale. Niveau : Première S + SUP (Convergence) Prérequis : Variable aléatoire, espérance, variance, théorème limite central, loi de Poisson 4 L E Ç O N Loi biomiale Niveau : Première S + SUP (Covergece) Prérequis : Variable aléatoire, espérace, variace, théorème limite cetral, loi de Poisso 1 Loi de Beroulli Défiitio 41 Loi de Beroulli Soit

Plus en détail

1 Mesure et intégrale

1 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 détail

14 Chapitre 14. Théorème du point fixe

14 Chapitre 14. Théorème du point fixe Chapitre 14 Chapitre 14. Théorème du poit fixe Si l o examie de plus près les méthodes de Lagrage et de Newto, étudiées au chapitre précédet, elles revieet das leur pricipe à remplacer la résolutio de

Plus en détail

Statistique descriptive bidimensionnelle

Statistique 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 détail

Etude de la fonction ζ de Riemann

Etude 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 détail

Principes et Méthodes Statistiques

Principes 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 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 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 détail

CHAPITRE 2 SÉRIES ENTIÈRES

CHAPITRE 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

STATISTIQUE AVANCÉE : MÉTHODES

STATISTIQUE 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 détail

Convergences 2/2 - le théorème du point fixe - Page 1 sur 9

Convergences 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 détail

SÉRIES STATISTIQUES À DEUX VARIABLES

SÉRIES 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 détail

Séquence 5. La fonction logarithme népérien. Sommaire

Séquence 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 détail

Statistique Numérique et Analyse des Données

Statistique 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

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

x +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 détail

c. Calcul pour une évolution d une proportion entre deux années non consécutives

c. 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 détail

Chapitre 13. Statistiques et probabilités. Sommaire

Chapitre 13. Statistiques et probabilités. Sommaire 13 Chapitre Chapitre 13 Statistiques et probabilités Les statistiques et les probabilités occupet ue place importate das l eseigemet de certaies classes préparatoires Les pricipales foctios écessaires

Plus en détail

Inégalités souvent rencontrées

Inégalités souvent rencontrées Iégalités souvet recotrées Recotres Putam 004 Uiversité de Sherbrooke Jea-Philippe Mori Théorie Certaies iégalités sot deveues célèbres e raiso de leur grade utilité Elles sot aussi souvet au coeur de

Plus en détail

Exercice 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

Exercice 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 détail

20. Algorithmique & Mathématiques

20. 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 détail

Apprentissage: cours 3a Méthodes par moyennage local

Apprentissage: cours 3a Méthodes par moyennage local Appretissage: cours 3a Méthodes par moyeage local Guillaume Oboziski 1 er mars 2012 Réferece : chap. 6 of [Hastie et al., 2009] ad chap. 6 of [Devroye et al., 1996]. Algorithmes par moyeage local O cosidère

Plus en détail

Séries réelles ou complexes

Séries 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 détail

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

* 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 détail

Bio-Statistique. 1 ère partie. Discipline : Bio-statistique, Bio-mathématique et Sciences de l Information

Bio-Statistique. 1 ère partie. Discipline : Bio-statistique, Bio-mathématique et Sciences de l Information Bio-Statistique 1 ère partie Disciplie : Bio-statistique, Bio-mathématique et Scieces de l Iformatio OBJECTIFS PEDAGOGIQUES Réaliser l importace du problème de la variabilité ihérete au doées médicales,

Plus en détail

Statistiques appliquées à la gestion Cours d analyse de donnés Master 1

Statistiques 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 détail

Processus et martingales en temps continu

Processus 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

LES PROBABILITÉS POUR LES OPTIONS B, C ET D

LES PROBABILITÉS POUR LES OPTIONS B, C ET D LES PROBABILITÉS POUR LES OPTIONS B, C ET D PRÉPARATION À L AGRÉGATION EXTERNE DE MATHÉMATIQUES DE L UNIVERSITÉ RENNES 1 1 ANNÉE 2009/2010 1. ESPACE PROBABILISÉ - VARIABLE ALÉATOIRE 1.1 ESPACE PROBABILISÉ

Plus en détail

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI

FEUILLE 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 détail

UNIVERSITÉ DE SFAX École Supérieure de Commerce

UNIVERSITÉ 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 détail

EXERCICES : DÉNOMBREMENT

EXERCICES : 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 détail

4 Approximation des fonctions

4 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 détail

Comportement d'une suite

Comportement 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 détail

Chaînes de Markov. Arthur Charpentier

Chaînes 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 détail

Maîtrise de Mathématiques TER Le bandit manchot à deux bras

Maîtrise de Mathématiques TER Le bandit manchot à deux bras Maîtrise de Mathématiques TER Le badit machot à deux bras Deis Cousieau Sous la directio de Jea-Michel Loubes Septembre 2003 Table des matières 1 Présetatio du problème 2 1.1 Exemple de la machie à sous,

Plus en détail

HEC. Gilles Mauffrey. METHODES QUANTITATIVES AVEC EXCEL Programmation linéaire, programmation dynamique, simulation, statistique élémentaire

HEC. Gilles Mauffrey. METHODES QUANTITATIVES AVEC EXCEL Programmation linéaire, programmation dynamique, simulation, statistique élémentaire HEC Gilles Mauffrey METHODES QUANTITATIVES AVEC EXCEL Programmatio liéaire, programmatio dyamique, simulatio, statistique élémetaire La Modélisatio LA MODELISATION Modèle et typologie des modèles. La otio

Plus en détail

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

LES 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 détail

Chapitre 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. 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 détail

Approximation de la solution d une équation différentielle ordinaire avec impulsions qui dépendent de l état

Approximation de la solution d une équation différentielle ordinaire avec impulsions qui dépendent de l état Approximatio de la solutio d ue équatio différetielle ordiaire avec impulsios qui dépedet de l état F. Dubeau A. Ouasafi A. Sakat CRM-276 Jauary 21 Départemet de mathématiques et d iformatique, Uiversité

Plus en détail

Probabilité 1 - L1 MMIA

Probabilité 1 - L1 MMIA Probabilité 1 - L1 MMIA Tra Viet Chi, vtra@u-paris10fr, Bureau E12(G) Exercice 1 (Pour démarrer) 1 Soiet A et B deux esembles Rappelez les défiitios de l itersectio A B, de l uio A B, de la différece A

Plus en détail

trouve jamais dans les concepts généraux que ce qu on y met

trouve jamais dans les concepts généraux que ce qu on y met ,QIRUPDWLTXHQRUPHHWWHPSV,VDEHOOH%R\GHQV Présetatio par Marie-Ae Chabi Réuio PIN 15 javier 2004 /HVEDVHVGHGRQQpHVHPSLULTXHV Collectio fiie et structurée de doées codifiées, textuelles ou multimédia, destiées

Plus en détail

Suites et séries de fonctions

Suites et séries de fonctions [http://mp.cpgedupuydelome.fr] édité le 3 avril 5 Eocés Suites et séries de foctios Propriétés de la limite d ue suite de foctios Eercice [ 868 ] [correctio] Etablir que la limite simple d ue suite de

Plus en détail

Université Pierre et Marie Curie. Biostatistique PACES - UE4 2013-2014

Université 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 détail

Processus géométrique généralisé et applications en fiabilité

Processus 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 détail

Université de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent http://www.math.u-bordeaux.fr/ machaven/ 2014-2015

Université 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 détail

Deuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES

Deuxième 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 détail

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

Consolidation. 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 détail

Chapitre 3 : Transistor bipolaire à jonction

Chapitre 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 détail

TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 )

TRANSFERT 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 détail

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices

Dénombrement. 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 détail

Module 3 : Inversion de matrices

Module 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 détail

55 - EXEMPLES D UTILISATION DU TABLEUR.

55 - 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 détail

Dénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions

Dénombrement. 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 détail

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

* 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 détail

Intérêt simple CHAPITRE. Sommaire

Intérêt simple CHAPITRE. Sommaire HAPTRE térêt simple Sommaire A B D E F G H J K L Notio d itérêt Formule fodametale de l itérêt simple Durée de placemet exprimée e mois Durée de placemet exprimée e jours alculs sur la formule fodametale

Plus en détail

Les Nombres Parfaits.

Les 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 détail

PROMENADE ALÉATOIRE : Chaînes de Markov et martingales

PROMENADE 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 détail

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

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 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 détail

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

Groupe 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 détail

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

Université 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 détail

Probabilités et statistique pour le CAPES

Probabilités 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 détail

MESURE DE L'INFORMATION

MESURE 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 détail

Chap. 5 : Les intérêts (Les calculs financiers)

Chap. 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 détail

UV SQ 20. Automne 2006. Responsable d Rémy Garandel ( m.-el. remy.garandel@utbm.fr ) page 1

UV 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 détail

Échantillonnage et estimation

Échantillonnage 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 détail

Formation d un ester à partir d un acide et d un alcool

Formation d un ester à partir d un acide et d un alcool CHAPITRE 10 RÉACTINS D ESTÉRIFICATIN ET D HYDRLYSE 1 Formatio d u ester à partir d u acide et d u alcool 1. Nomeclature Acide : R C H Alcool : R H Groupe caractéristique ester : C Formule géérale d u ester

Plus en détail

RÈGLES ORDINALES : UNE GÉNÉRALISATION DES RÈGLES D'ASSOCIATION

RÈGLES 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 détail

P : Dénombrements / Probabilités en univers fini

P : Dénombrements / Probabilités en univers fini P : Déombremets / Probabilités e uivers fii Déombremet & Combiatoire P.1 O tire les cartes! O tire 5 cartes das u jeu de 32 cartes usuel. Combie y a-t-il de tirages possibles vérifiat les coditios suivates

Plus en détail

UNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4

UNIVERSITE 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 détail

Terminale S. Terminale S 1 F. Laroche

Terminale S. Terminale S 1 F. Laroche Termiale S Exercices. Rappels et exercices de base 3.. QCM (P. Egel) 3.. QCM, Atilles 005 4. 3. QCM, Liba 009, 3 poits 4. 4. QCM, C. étragers 007. 5. QCM, Frace 007 5 6. 6. QCM, N. Calédoie 007 7. 7. QCM

Plus en détail

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

Chap. 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 détail

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

Chap. 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 détail

Gérer les applications

Gérer 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 détail

Comment utiliser ce que vous POSSÉDEZ pour réduire ce que vous DEVEZ

Comment utiliser ce que vous POSSÉDEZ pour réduire ce que vous DEVEZ Commet utiliser ce que vous POSSÉDEZ pour réduire ce que vous DEVEZ Survol du compte Mauvie U La majorité des Caadies gèret leurs fiaces comme suit : 1. Ils déposet leur reveu et autres actifs à court

Plus en détail

RESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *)

RESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *) RESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *) *) Uiversité de Blida Faculté des scieces Départemet de Mathématiques. BP 270, Route de Soumaa. Blida, Algérie. Tel &

Plus en détail

Baccalauréat S Asie 19 juin 2014 Corrigé

Baccalauréat 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 détail

Tests non paramétriques de spécification pour densité conditionnelle : application à des modèles de choix discret

Tests non paramétriques de spécification pour densité conditionnelle : application à des modèles de choix discret Tests o paramétriques de spécificatio pour desité coditioelle : applicatio à des modèles de choix discret Mémoire Koami Dzigbodi AMEGBLE Maîtrise e écoomique Maître ès arts (M.A.) Québec, Caada Koami Dzigbodi

Plus en détail

Réseaux d ondelettes et réseaux de neurones pour la modélisation statique et dynamique de processus

Réseaux d ondelettes et réseaux de neurones pour la modélisation statique et dynamique de processus Réseaux d odelettes et réseaux de euroes pour la modélisatio statique et dyamique de processus Yacie Oussar To cite this versio: Yacie Oussar. Réseaux d odelettes et réseaux de euroes pour la modélisatio

Plus en détail

Examen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot

Examen 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 détail

Initiation à l analyse factorielle des correspondances

Initiation 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 détail

Examen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot

Examen 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 est à dispositio olie et sera doé aux cadidats lors des exames oraux

Plus en détail

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

La 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 détail

DETERMINANTS. a b et a'

DETERMINANTS. 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 détail

Le meilleur scénario pour votre investissement

Le meilleur scénario pour votre investissement ivestir Best Strategy 2012 Le meilleur scéario pour votre ivestissemet U ivestissemet diversifié U coupo uique de 0% à 50% brut* à l échéace Ue courte durée : 4 as et demi Votre capital garati à l échéace

Plus en détail

Etude Spéciale SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT?

Etude 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 détail

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...

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... 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 détail

Neolane Leads. Neolane v6.0

Neolane Leads. Neolane v6.0 Neolae Leads Neolae v6.0 Ce documet, aisi que le logiciel qu'il décrit, est fouri das le cadre d'u accord de licece et e peut être utilisé ou copié que das les coditios prévues par cet accord. Cette publicatio

Plus en détail

Exercices de mathématiques

Exercices 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 détail

La fibre optique arrive chez vous Devenez acteur de la révolution numérique

La 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 détail

2 ième partie : MATHÉMATIQUES FINANCIÈRES

2 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 détail

Polynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.

Polynésie 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 détail

Mécanismes de protection contre les vers

Mécanismes de protection contre les vers Mécaismes de protectio cotre les vers Itroductio Au cours de so évolutio, l Iteret a grademet progressé. Il est passé du réseau reliat quelques cetres de recherche aux États-Uis au réseau actuel reliat

Plus en détail

Études & documents ÉCONOMIE ET ÉVALUATION. Modèle économétrique sur le choix de véhicules des ménages. n 31. Janvier 2011

Études & documents ÉCONOMIE ET ÉVALUATION. Modèle économétrique sur le choix de véhicules des ménages. n 31. Janvier 2011 COMMISSARIAT GÉNÉRAL AU DÉVELOPPEMENT DURABLE 31 Javier 2011 TRANSPORT Études & documets Modèle écoométrique sur le choix de véhicules des méages ÉCONOMIE ET ÉVALUATION Service de l écoomie, de l évaluatio

Plus en détail

Intérêt des détecteurs CO pour l alerte et la prévention des intoxications oxycarbonées dans l habitat

Intérêt des détecteurs CO pour l alerte et la prévention des intoxications oxycarbonées dans l habitat Saté eviroemet Itérêt des détecteurs CO pour l alerte et la prévetio des itoxicatios oxycarboées das l habitat Aalyse de la démarche de l office HLM Bretage Sud Habitat (Morbiha) Drass de Bretage Cire

Plus en détail