STATISTIQUE : ESTIMATION

Dimension: px
Commencer à balayer dès la page:

Download "STATISTIQUE : ESTIMATION"

Transcription

1 STATISTIQUE : ESTIMATION Préparatio à l Agrégatio Bordeaux Aée Jea-Jacques Ruch

2

3 Table des Matières Chapitre I. Estimatio poctuelle 5. Défiitios 5 2. Critères de comparaiso d estimateurs 6 3. Exemples fodametaux 6 3.a. Estimatio de m 6 3.b. Estimatio de σ 2 e supposat m cou 7 3.c. Estimatio de σ 2 lorsque m est icou 7 4. Cas particulier de la loi ormale 8 5. Costructio d estimateur par la méthode du maximum de vraisemblace 5.a. Cas discret 5.b. Cas à desité 2 Chapitre II. Estimatio par itervalle 3. Défiitio d ue régio de cofiace 3 2. Costructio de régios de cofiace 3 3. Exemples classiques d estimatio par itervalle 5 3.a. Estimatio de la moyee quad la variace est coue 5 3.b. Estimatio de la moyee quad la variace est icoue 5 3.c. Estimatio de la variace quad la moyee est coue 6 3.d. Estimatio de la variace quad la moyee est icoue 8 4. Comparaiso de moyees et de variaces 8 4.a. Itervalle de cofiace de la différece de deux moyee 8 4.b. Itervalle de cofiace du rapport de deux variaces Estimatio d ue proportio 20 5.a. Estimatio poctuelle 2 5.b. Estimatio par itervalle 2 5.c. Méthode du Bootstrap 22

4

5 CHAPITRE I Estimatio poctuelle E statistique, comme das la théorie des probabilités le hasard iterviet fortemet. Mais das la théorie des probabilités, o suppose la loi coue précisémet et o cherche à doer les caractéristiques de la variable qui suit cette loi. L objectif de la statistique est le cotraire : à partir de la coaissace de la variable, que peut-o dire de la loi de cette variable?. Défiitios Soit X ue variable aléatoire dot la desité de probabilité fx, θ) déped d u paramètre θ apparteat à I R. A l aide d u échatillo issu de X, il s agit de détermier au mieux la vraie valeur θ 0 de θ. O pourra utiliser deux méthodes : - estimatio poctuelle : o calcule ue valeur vraisemblable ˆθ de θ 0 - estimatio par itervalle : o cherche u itervalle das lequel θ 0 se trouve avec ue probabilité élevée. Défiitio. U -échatillo de X est u -uplet X, X 2,..., X ) tel que les X k ot la même loi que X et sot idépedates. Ue réalisatio de l échatillo est alors u -uplet x, x 2,..., x ) de valeurs prises par l échatillo. Défiitio 2. Ue statistique de l échatillo est ue variable aléatoire ϕx, X 2,..., X ) où ϕ est ue applicatio de R das R. U estimateur T de θ est ue statistique à valeurs das I. Ue estimatio est la valeur de l estimateur correspodat à ue réalisatio de l échatillo. Exemple : X = X k est u estimateur de l espérace mathématique. Défiitio 3. Le biais de l estimateur T de θ est E[T ] θ 0. S il est ul, o dit que T est u estimateur sas biais. L estimateur T est asymptotiquemet sas biais si lim E[T ] = θ 0. O ote souvet le biais b θ T ). Défiitio 4. L estimateur est dit coverget si la suite T ) coverge e probabilité vers θ 0 : ε > 0, P T θ 0 > ε) 0. + O parle d estimateur fortemet coverget lorsqu o a covergece presque sûre. D après Bieaymé-Tchebychev pour qu u estimateur asymptotiquemet sas biais soit coverget il suffit que VarT ) 0. +

6 6 Chapitre I. Estimatio poctuelle 2. Critères de comparaiso d estimateurs U bo critère de comparaiso est le risque quadratique. Défiitio 5. Soiet T u estimateur de θ. Le risque quadratique est défii par RT, θ) = E[T θ) 2 ] O peut alors comparer deux estimateurs. Défiitio 6. O dit que T est u meilleur estimateur que T 2 si θ I, RT, θ) RT 2, θ) et θ I, RT, θ) < RT 2, θ). U estimateur est dit admissible s il existe pas d estimateur meilleur. L erreur quadratique moyee de T se décompose e deux termes, le carré du biais et la variace de T : E[T θ) 2 ] = b 2 θt ) + VarT ). Cette décompositio permet de se rameer à ue discussio sur la variace pour les estimateurs sas biais de θ. Défiitio 7. Soiet T et T 2 deux estimateurs sas biais de θ. O dit que T est u plus efficace que T 2 si θ I, VarT ) VarT 2 ) et θ I, VarT ) < VarT 2 ). O parle d estimateur à variace miimale si seul le premier poit est vérifié, c est-à-dire : VarT ) VarT 2 ). 3. Exemples fodametaux Soit X ue variable aléatoire telle que E[X] = m et VarX) = σ 2. 3.a. Estimatio de m. Théorème 8. La moyee empirique X = X k est u estimateur sas biais et coverget de m. O a E[X ] = E[X k ] = m et VarX ) = 2 Var[X k ] = σ2 D après la loi forte des grads ombres X est même fortememet coverget. Il est possible de détermier la loi asymptotique de la moyee empirique. 0. +

7 3. Exemples fodametaux 7 Propositio 9. Si est assez grad o peut utiliser l approximatio ormale lorsque X admet u momet d ordre 2) X L N m, σ 2 /). C est ue coséquece du TCL qui ous assure que L X m) N 0, + σ2 ). 3.b. Estimatio de σ 2 e supposat m cou. Théorème 0. Lorsque m est cou S 2 = est u estimateur sas biais et coverget de σ 2. X k m) 2 O a E[S 2 ] = E [ ] X k m) 2 = Par ailleurs, les variables X k m) 2 état idépedates : VarS 2 ) = 2 avec µ k = EX m) k ). VarX k m) 2 ) = VarX k ) = σ 2 E[X m) 4 ] E[X m) 2 ] 2) = µ4 σ 4) Doc S 2 est u estimateur coverget. La loi forte des grads ombres appliquée aux variables X k m) 2 etraîe même la covergece presque sûre vers σ 2. Comme das le cas de la moyee empirique le TCL ous permet de détermier la loi asymptotique de S 2 ; o a lorsque est assez grad : S 2 L N σ 2, µ 4 σ 4 )/). 3.c. Estimatio de σ 2 lorsque m est icou. E gééral o e coaît pas m ; o le remplace par u estimateur et o itroduit la variace empirique associée : S 2 = X k X ) 2. Théorème. La variace empirique S 2 est u estimateur biaisé et coverget de σ 2. Il est asymptotiquemet sas biais. O a E[S 2 ] = EX 2 k) E[X 2 ] = m2 + σ 2 )) m 2 + σ2 ) = σ2.

8 8 Chapitre I. Estimatio poctuelle D autre part, o peut motrer que : VarS) 2 = µ4 σ 4) 2 µ4 2 2σ 4) + µ4 3 3σ 4) 0 avec µ k = EX m) k ). L estimateur est doc coverget. Le résultat précédet et le lemme de Slutsky Probabilité 2, Jea-Yves Ouvrard, p. 347) permet de détermier la loi asymptotique de S 2 : S 2 L N σ 2, µ 4 σ 4 )/). Théorème 2. La variace empirique corrigée Ŝ 2 = est u estimateur sas biais et coverget de σ 2. X k X ) 2. Cela se motre facilemet e remarquat que Ŝ 2 = S2. 4. Cas particulier de la loi ormale O suppose das ce paragraphe que X suit la loi ormale N m, σ 2 ). O sait que X = X k suit alors la loi ormale N m, σ 2 /), ce qui cofime que c est u estimateur sas biais, coverget de m. Les résultats obteus au paragraphe précédet pour l estimatio de σ 2 sot ecore valables ; e particulier o a : ES) 2 = σ 2 et VarS) 2 2 ) = 2 σ 4 E effet, calculos µ k µ k = EX m) k ) = + ) x m) k x m)2 exp dx 2πσ 2σ = + 2σu) k exp u 2 ) 2σdu e posat x = m 2σu 2πσ = 0 si k est impair. Lorsque k = 2p est pair o obtiet et doc µ 2p = 2p σ 2p + u 2p exp u 2 )du = 2p+ σ 2p + u 2p exp u 2 )du π π = 2p σ 2p + v p /2 exp v)dv π 0 = 2p σ 2p π Γp + /2) = 2p)! 2 p p!) σ2p VarS 2 ) = 0 e posat u = v µ4 σ 4) 2 2 µ4 2σ 4) + 3 µ4 3σ 4) = 2 ) 2 σ 4

9 4. Cas particulier de la loi ormale 9 Défiitio 3. Soiet X,..., X, variables aléatoires idépedates idetiquemet distribuées de loi N 0, ). La loi du χ 2 à degrés de liberté est la loi de la variable aléatoire χ 2 = Xk. 2 La desité de cette loi est doée par : u ) /2 f χ 2 u) = exp u ) u>0 2Γ/2) 2 2 et sa foctio caractéristique par φ χ 2 t) = 2it) /2 f χ 2 k Pour détermier la desité o peut remarquer que : si U suit ue loi N 0, ) alors o a pour t > 0 PU 2 t) = P t U t) = F U t) F U t) et par coséquet f U 2t) = 2 t f U t) + 2 t f U t) = f U t) = exp t ) t 2πt 2 Esuite o obtiet le résultat gééral par récurece. Théorème 4. Soit X,..., X ) u échatillo de le loi N 0, ). Les variables aléatoires X et X k X ) 2 = S 2 = )Ŝ2 sot idépedates et suivet respectivemet la loi ormale réduite et la loi du χ 2 à ) degrés de liberté.

10 0 Chapitre I. Estimatio poctuelle Démostratio. Motros que X et Le vecteur aléatoire X X X. X X X. X Par coséquet, le vecteur N 0, AA t ). Or = A X. X X k X ) 2 sot idépedates. O a où A = est gaussie de loi N 0, I ) où I est la matrice idetité d ordre. X X X. X X = A X. X est égalemet gaussie de loi N 0, AI A t ) = AA t = X X doc la variable X est idépedate du vecteur. et doc de X k X ) 2. X X Comme X suit la loi N 0, /) o e déduit que X suit la loi N 0, ). Motros S 2 = X k X ) 2 suit la loi du χ 2 à ) degrés de liberté. O a X X. X X = B X. X où B = Comme B est ue matrice symétrique, il existe ue matrice orthogoale U et ue matrice diagoale D telle que B = UDU t Or les valeurs propres de B sot : - la valeur propre simple 0 dot le sous-espace propre associé a pour équatio x = = x ; - la valeur propre d ordre ) égale à dot le sous-espace propre associé a pour équatio x + x x = 0 E ordoat coveablemet la base de vecteurs propres o peut choisir 0 0. D =

11 5. Costructio d estimateur par la méthode du maximum de vraisemblace O a Y = BX = UDU t X et X k X ) 2 = Y t Y = X t UDU t UDU t X = U t X) t DU t X) Or le vecteur aléatoire Z = U t X est gaussie de loi N 0, U t I U) = N 0, U t U) = N 0, I ). D où qui suit la loi du χ 2 à ) degrés de liberté. X k X ) 2 = Z t DZ = Z 2 i O e déduit immédiatemet que si X,..., X ) est u échatillo d ue variable aléatoire N m, σ 2 ) la variable aléatoire σ 2 X k X ) 2 suit la loi du χ 2 à ) degrés de liberté. Il suffit de poser Y k = X k m/σ. Alors, comme o a Y = X m et σ σ 2 X k X ) 2 = le résultat découle de ce qui précède. Y k Y ) 2 5. Costructio d estimateur par la méthode du maximum de vraisemblace 5.a. Cas discret. O suppose doée ue observatio X tirée selo ue loi P θ, θ Θ. O supposera ici que P θ est discrète et o pose : f θ x) = P θ X = x). O appelle alors foctio de vraisemblace la foctio L X θ) = f θ X). Quad o dispose d u échatillo X,..., X ) de loi P θ, la vraisemblace s écrit alors L X,...,X θ) = f θ X i ). Lorsque la foctio de vraisemblace admet u uique maximum atteit e ˆθ = g X,..., X ), o peut utiliser cette valeur pour estimer θ. O dit alors que i= T = g X,..., X ) est l estimateur par maximum de vraisemblace de θ. Cet estimateur est aturel puisqu il coduit à privilégier la valeur de θ la "plus probable" au vu de l observatio. Il possède e gééral de boes propriétés. L icovéiet est que ce maximum peut e pas exister ou e pas être uique et il peut être difficile à exhiber. E pratique, la recherche de ce maximum se fait par dérivatio de L relativemet à θ. O peut de maière équivalete maximiser le logarithme de la vraisemblace la foctio logarithme état croissate, maximiser la vraisemblace et la log-vraisemblace reviet au même, mais souvet les calculs sot plus simples). Exemple : Estimatio du paramètre d ue loi de Beroulli. Ici o suppose Θ =]0, [ et les X i suivet ue loi de Beroulli de paramètre θ Θ. O a θ si x = f θ x) = P θ X = x) = θ si x = 0 0 sio

12 2 Chapitre I. Estimatio poctuelle Posos S = X + + X. Aisi S est le ombre de das l échatillo et S le ombre de 0. La vraisemblace et la log-vraisemblace s écrivet alors : L X,...,X θ) = θ S θ) S U calcul motre alors que le maximum est atteit e ˆθ = S. Par coséquet l estimateur de θ par maximum de vraisemblace est T = X i. qui est égalemet l estimateur de la moyee. ll X,...,X θ) = S lθ + S )l θ). 5.b. Cas à desité. O suppose doée ue observatio X tirée selo ue loi P θ, θ Θ. O supposera ici que P θ admet ue desité par rapport à la mesure de Lebesgue otée f θ. O appelle alors foctio de vraisemblace la foctio L X θ) = f θ X). Quad o dispose d u échatillo X,..., X ) o a la vraisemblace L X,...,X θ) = f θ X i ). Esuite, o procède comme das le cas discret. Exemple : s écrit : i= i= O cherche à estimer le paramètre θ icou d ue loi expoetielle. La vraisemblace L X,...,X θ) = exp Le maximum est atteit e u uique poit ˆθ = X. i= X i /θ)θ i= Xi

13 CHAPITRE II Estimatio par itervalle. Défiitio d ue régio de cofiace Soit α ]0, [ u iveau de risque fixé par le statisticie. Défiitio. Ue régio de cofiace de θ de iveau de cofiace α est u esemble dépedat de l observatio mais pas du paramètre icou θ), CX) Θ, telle que θ Θ, P θ θ CX)) α O dit alors qu o a ue régio par excès. Das le cas où o a égalité o parle de iveau exactemet égal à α. Lorsqu o a X = X,..., X ), o parle de régio de cofiace asymptotique de iveau α, si θ Θ, lim P θ θ CX,..., X )) α + Les valeurs usuelles de α sot %, 5% ou 0%. Das le cas uidimesioel, la plupart du temps, ue régio de cofiace s écrit sous la forme d u itervalle uilatère ou bilatère). U itervalle de cofiace de iveau de cofiace 95% a ue probabilité au mois égale à 0, 95 de coteir la vraie valeur icoue θ. Par passage au complémetaire, le iveau de risque α correspodat à ue majoratio de la probabilité que la vraie valeur du paramètre θ e soit pas das CX). A iveau de cofiace fixé, ue régio de cofiace est d autat meilleure qu elle est de taille petite. Avat d aller plus loi, rappelos la otio de quatile d ue loi de probabilité. Défiitio 2. Soit α ]0, [. O appelle quatile d ordre α d ue loi de probabilité P, la quatité z α = if {x, P], x]) α}. Par exemple pour la loi N 0, ), le quatile d ordre 97, 5% est.96, et celui d ordre 95% est Costructio de régios de cofiace Ue première méthode cosiste à appliquer l iégalité de Bieaymé-Tchebychev. Rappelos que si X est ue variable aléatoire ayat u momet d ordre 2, alors ε > 0, P X EX) > ε) VarX) ε 2 Appliquos cette iégalité das le cas de variables aléatoires idépedates X,..., X idetiquemet distribuées de loi de Beroulli Bθ), où l o souhaite estimer θ à l aide de X. O a θ θ) ε > 0, P X θ > ε) ε 2 4ε 2. O obtiet aisi ue régio de cofiace de iveau α e cosidérat [ X 2 α, X + ] 2. α

14 4 Chapitre II. Estimatio par itervalle Pour α = 5% et = 00, la précisio de l itervalle est Il faut oter que la majoratio obteue par l applicatio de l iégalité de Bieaymé-Tchebychev est pas très précise. O obtiet u meilleur résultat e utilisat l iégalité de Hoeffdig Ouvrad, Probabilité 2, page 32). Propositio 3. Soit X,..., X ) ue suite de variables aléatoires idépedates telles que pour tout i, a i X i b i p.s., alors pour tout ε > 0, e posat S = i= X i, 2ε 2 2ε PS ES ) ε) exp ), 2 ) i= b PS i a i ) 2 ES ) ε) exp i= b i a i ) 2 et 2ε 2 P S ES ) ε) 2 exp ). i= b i a i ) 2 Appliquos cette iégalité à l exemple précédet. O a : ε > 0, P X θ ε) P S θ ε) 2 exp 2ε 2 ). O obtiet aisi l itervalle de cofiace de iveau α suivat : [ ] X 2 l 2/α), X + l 2/α). 2 Pour α = 5% et = 00, la précisio de l itervalle est 0.4 et 0.23 avec la première méthode. Il peut s avérer plus pratique de chercher u itervalle de cofiace asymptotique. Supposos que ous cherchios u itervalle de cofiace pour u paramètre θ à partir d u échatillo de taille de loi P θ. Lorsqu o dispose de suffisammet de doées et pour les modèles les plus classiques, le théorème cetral limite s avère être u très bo outil, pour obteir u itervalle de cofiace asymptotique. Par exemple si o souhaite estimer la moyee d ue variable aléatoire dot o coait la variace σ 2 =. O pred u -échatillo X,..., X ). L applicatio du TCL doe : L X m) N 0, ) + O obtiet alors l itervalle de cofiace asymptotique de iveau α suivat [ X q α/2, X + q ] α/2 où q α/2 est le quatile d ordre α/2 de la loi N 0, ). Ce est pas toujours aussi évidet. Si o part d ue variable aléatoire de Beroulli dot o veut estimer le paramètre θ. E cosidérat l estimateur du maximum de vraisemblace X, le TCL doe : L X θ) N 0, θ θ)) + Ici la loi limite déped de θ ce qui est gêat pour costruire u itervalle de cofiace. Das ce cas, o peut surmoter ce problème, e remarquat que θ θ) O obtiet doc u itervalle de cofiace asymptotique : [ X q α/2 2, X + q ] α/2 2. Das le cas où o cosidère X,..., X ) u échatillo de loi de Poisso de paramètre θ > 0 à estimer, le TLC doe : X θ) L N 0, θ) + Des outils plus élaborés doivet être utilisés pour costruire u itervalle de cofiace si o e coaît pas de majorat de θ. Le lemme de Slutsky permet de surmoter certaies difficultés comme le motre l exemple suivat. Si o repred l exemple, e utilisat les propriétés de forte cosistace d estimateur, o obtiet : X θ) L N 0, ) X +

15 3. Exemples classiques d estimatio par itervalle 5 mais aussi avec S 2 = X i X ) 2 qui est u estimateur fortemet cosistat de la variace X θ) L N 0, ). S 2 + i= 3. Exemples classiques d estimatio par itervalle Soit X ue variable aléatoire de loi ormale N m, σ 2 ). 3.a. Estimatio de la moyee quad la variace est coue. Théorème 4. Lorsque σ 2 est cou u itervalle de cofiace au iveau α de m est [X q α/2 σ, X + q α/2 σ ] où q α/2 est le quatile d ordre α/2 F q α/2 ) = α/2) de la loi ormale cetrée réduite. Démostratio. O sait que X m)/σ suit la loi N 0, ). Par coséquet o a X m [ [ ] ] σ σ q α/2, q α/2 m X q α/2, X + q α/2 σ Exemple : puisque q 0,975 =.96 l itervalle de cofiace de m au iveau 95% est [X.96 σ, X +.96 σ ] ce qui sigifie que sur u grad ombre d expérieces cet itervalle cotiedra effectivemet m das 95% des cas e moyee. 3.b. Estimatio de la moyee quad la variace est icoue. Défiitio 5. Soiet X et Y deux variables aléatoires idépedates suivat respectivemet la loi ormale cetrée réduite et la loi du χ 2 à degrés de liberté. La variable aléatoire T = X Y/ suit la loi de Studet à degrés de liberté. La desité de cette loi est doée par : f T u) = Γ + )/2) π Γ/2) + u 2 /) +)/2 Cette variable a pas d espérace pour = et pas de variace pour 2. Sio o a ET ) = 0 et VarT ) = / 2).

16 6 Chapitre II. Estimatio par itervalle f Tk Théorème 6. Lorsque σ 2 est icou u itervalle de cofiace au iveau α de m est Ŝ X 2 Ŝ 2 t, α/2, X + t, α/2 où t, α/2 est le quatile d ordre α/2 de la loi de Studet à degrés de liberté. Cela proviet du résultat précédet et de l estimatio de σ 2 par Ŝ2. Exemple : pour = 0, avec u iveau de cofiace de 95% et u itervalle symétrique o obtiet l itervalle X 2, 26 Ŝ 2, X + 2, 26 Ŝ 2 L itervalle de cofiace est plus grad que celui obteu lorsqu o coaît la variace. 3.c. Estimatio de la variace quad la moyee est coue.

17 3. Exemples classiques d estimatio par itervalle 7 Théorème 7. Lorsque m est cou u itervalle de cofiace au iveau α de σ 2 est [ ] X k m) 2, X k m) 2 u u 2 où u et u 2 sot les quatiles d ordre α/2 et α/2 de la loi du χ 2 à degrés de liberté. Exemples d itervalles bilatères et uilatères pour la loi du χ 2 : Démostratio. Si X k suit ue loi N m, σ 2 ) alors X k m)/σ suit ue loi N 0, ) et par coséquet X k m σ ) 2 suit ue loi du χ 2 à degrés de liberté. O défiit alors u et u 2 tels que Pχ 2 u ) = α 2 et Pχ 2 u 2 ) = α 2, et doc o a P u σ 2 X k m) 2 u 2 ) = α.

18 8 Chapitre II. Estimatio par itervalle D où o e déduit le résultat. 3.d. Estimatio de la variace quad la moyee est icoue. Théorème 8. Lorsque m est icou u itervalle de cofiace au iveau α de σ 2 est [ X k X ) 2, ] X k X ) 2 u u 2 où u et u 2 sot les quatiles d ordre α/2 et α/2 de la loi du χ 2 à degrés de liberté. Démostratio. O estime m par X, puis Xk X ) 2 suit ue loi du χ 2 à degrés de liberté. Esuite o procède comme das la preuve précédete. σ Lorsqu o s itéresse à l écart-type o pred les racies carrées des bores des itervalles obteus pour la variace. 4. Comparaiso de moyees et de variaces Soiet X, X 2,..., X ) u échatillo d ue populatio suivat la loi ormale N m, σ 2 ) et Y, Y 2,..., Y 2 ) u échatillo d ue populatio suivat la loi ormale N m 2, σ 2 2) ; ces deux échatillos sot supposés idépedats. Nous souhaitos comparer les moyees, m et m 2, et les variaces, σ 2 et σ 2 2, à l aide de ces échatillos. Pour cela ous allos costruire des itervalles de cofiace pour m m 2 et pour σ 2 et σ 2 2. O pose 4.a. Itervalle de cofiace de la différece de deux moyee. X = X i, Y = 2 Y i, i= i= D = X Y Propositio 9. L estimateur D est u estimateur sas biais m m 2. Démostratio. Par défiitio X suit ue loi N m, σ/ 2 ) et Y suit ue loi N m 2, σ2/ 2 2 ) et par coséquet D suit la loi N m m 2, σ/ 2 + σ2/ 2 2 ), d où le résultat. Théorème 0. Si σ et σ 2 sot coues, u itervalle de cofiace de m m 2 au iveau α est ] [D q α/2 σ 2 / + σ 22 / 2, D + q α/2 σ 2/ + σ2 2/ 2 où q α/2 représete le fractile d ordre α/2 de la loi ormale cetrée réduite.

19 4. Comparaiso de moyees et de variaces 9 Démostratio. U itervalle de cofiace de m m 2 au iveau α est [D a, D + b] si α = PD a m m 2 D + b) = P b D m m 2 ) a) ) b = P σ 2 / + σ2 2/ D m m 2 ) a 2 σ 2 / + σ2 2/ 2 σ 2 / + σ2 2/ 2 = 2π u2 u O e déduit l itervalle aocé. exp x 2 /2)dx E gééral les variaces e sot pas coues. Il peut alors se préseter deux cas. Posos : Ŝ 2 =,X X i X) 2 Ŝ2 = 2 2,Y Y i Y ) 2 2 et i= ŜX,Y 2 = X i X) i= 2 i= Y i Y ) 2 ) i= = )Ŝ2,X + 2 )Ŝ2 2,Y Théorème. Si les variaces σ et σ 2 sot icoues mais égales, u itervalle de cofiace de m m 2 au iveau α est [ ] D t + 2 2, α/2 SX,Y 2 / + SX,Y 2 / 2, D + t + 2 2, α/2ŝ2 X,Y / + Ŝ2 X,Y / 2 où t + 2 2, α/2 représete le fractile d ordre α/2 de la loi de Studet à degrés de libertés. O aurait pu remplacer σ 2 et σ2 2 par Ŝ2 et,x Ŝ2 2,Y, mais e gééral o préfère predre u estimateur basé sur la réuio des deux échatillos. O a déjà vu que : ) 2 Xi X 2 ) 2 Yi Y Z = et Z 2 = i= σ suivet respectivemet ue loi du χ 2 à et 2 degrés de liberté. Par coséquet, comme Z et Z 2 sot idépedates, Z + Z 2 suit ue loi du χ 2 à degrés de liberté. O obtiet alors, e posat σ 2 = σ2 2 = σ 2, [ EZ + Z 2 ) = = ] σ 2 E 2 X i X) 2 + Y i Y ) 2 c est-à-dire que Ŝ2 X,Y est u estimateur sas biais de σ2. Démostratio. O va remplacer l écart-type de D, Ŝ2 X,Y / + Ŝ2 X,Y / 2 par O a i= i= σ 2 i= S 2 X,Y / + S 2 X,Y / 2. α = PD a m m 2 D + b) = P b D m m 2 ) a) b D m m 2 ) a = P Ŝ2 X,Y / + Ŝ2 X,Y / 2 Ŝ2 X,Y / + Ŝ2 X,Y / 2 Ŝ2 X,Y / + Ŝ2 X,Y / 2

20 20 Chapitre II. Estimatio par itervalle O pose D m m 2 ) T = = Ŝ2 X,Y / + Ŝ2 X,Y / 2 D m m 2) σ2 / +σ 2 / 2 Ŝ 2 X,Y σ 2 Ŝ 2 X,Y U Le umérateur suit ue loi ormale cetrée réduite. Au déomiateur o a σ 2 = où U suit ue loi du χ 2 à degrés de liberté. O e déduit que T suit ue loi de Studet à degrés de liberté, et doc o obtiet le résultat. Lorsqu o σ et σ 2 sot icoues mais o écessairemet égales, o utilise la méthode approchée suivate. Théorème 2. Si les échatillos ot des tailles importates et égales à = 2 = > 30, u itervalle de cofiace de m m 2 au iveau α est ] [D q α/2 Ŝ2,X + Ŝ22,Y )/ Ŝ2,X + Ŝ2 2,Y )/, D + q α/2 où q α/2 représete le fractile d ordre α/2 de la loi ormale cetrée réduite. Il suffit de remarquer que la variable réduite. D m m 2 ) Ŝ2,X + Ŝ22,Y )/ suit sesiblemet ue loi ormale cetrée 4.b. Itervalle de cofiace du rapport de deux variaces. Théorème 3. U itervalle de cofiace au iveau α de σ/σ est Ŝ 2,X, f, 2, α/2 Ŝ 2 2,Y Ŝ 2,X f, 2, α/2 Ŝ 2 2,Y où les fractiles sot ceux de loi de Fisher-Sedecor F, 2 ). Le résultat s obtiet par les mêmes méthodes que pour les théorèmes précédets. La loi de Fisher-Sedecor peut être obteue comme le quotiet de deux lois du χ 2 időpedates : F, 2 ) = χ2 / ) χ 2 2 / 2 ) 5. Estimatio d ue proportio Das ue certaie populatio, la proportio d idividus ayat ue propriété doée est égale à p. Soit X le ombre d idividus d u échatillo de taille ayat la propriété.

21 5. Estimatio d ue proportio 2 5.a. Estimatio poctuelle. Théorème 4. U estimateur sas biais et cosistat de p est : T = X E effet, le ombre X d idividus de l échatillo ayat la propriété suit la loi biomiale B, p). O a : ET ) = EX) 5.b. Estimatio par itervalle. = p et VarT ) = VarX) p p) 2 = 0 O e sait pas détermier exactemet u itervalle de cofiace. O utilise des solutios approchées, qui foctioet lorsqu o dispose d échatillo de grade taille. Aisi, lorsque est grad ou/et p voisi de 0, 5 o peut approcher la loi biomiale par ue loi ormale. Rappel : Soit ue suite de variables aléatoires Z suivat la loi biomiale B, p) ; la suite des variables réduites Z = Z p coverge e loi vers la loi ormale cetrée réduite, et o a : p p) Pa Z b) b exp x 2 /2)dx 2π a Théorème 5. U itervalle de cofiace approché de p au iveau α est doée par [ ] T T ) T T ) T q α/2, T + q α/2 où q α/2 représete le fractile d ordre α/2 de la loi ormale cetrée réduite. Démostratio. D après le rappel, X p T p = p p) p p)/ suit approximativemet la loi ormale cetrée réduite. L itervalle [T a, T + b] est u itervalle de cofiace de p au iveau α si : ) b T p a α = PT a < p < T + b) = P < < p p)/ p p)/ p p)/ ) ) a b Φ Φ p p)/ p p)/ où Φu) = 2π u exp x 2 /2)dx E choisissat u itervalle symétrique o obtiet la quatile q α/2. Comme p p) est pas cou, o obtiet alors u itervalle de cofiace approché e remplaçat p par l estimateur T. O peut doer ue approximatio de l itervalle de cofiace u peu plus précise.

22 22 Chapitre II. Estimatio par itervalle U itervalle de cofiace approché de p au iveau α est doée par ) T + q2 α/2, T + q2 α/2 + q2 α/2 2 + q2 α/2 2 où = q α/2 cetrée réduite. T T ) + q2 α/2 4 Démostratio. O a : + ) et q α/2 représete le fractile d ordre α/2 de la loi ormale q α/2 < T p p p) < q α/2 T p) 2 < q α/2 2 p p) p 2 + q2 α/2 ) 2p T + q2 α/2 2 ) + T 2 < 0 Le paramètre p doit doc être compris etre les racies de l équatio du secod degré. O vérifie aisémet qu elle a deux racies réelles apparteat à l itervalle [0, ]. D où, o obtiet l itervalle de cofiace idiqué. 5.c. Méthode du Bootstrap. A partir d u échatillo X = X, X 2,..., X ) o détermie u estimateur poctuel sx) d u paramètre θ. Sauf das quelques cas particuliers sx) = X par exemple) le calcul de la variace est pas aisé, ce qui red problématique la détermiatio d itervalles de cofiace pour?. E 979 ue ouvelle méthode a été développé. Cette méthode s appuie sur des cocepts simples permettat, à partir d ue réalisatio x, x 2,..., x ) de l échatillo, d obteir ue estimatio de la variace de sx) et u itervalle de cofiace pour θ. O cosidère que la réalisatio de l échatillo x, x 2,..., x ) est représetative de la populatio et o tire parmi les x k, au hasard et avec remise, u échatillo bootstrapé X = X, X2,..., X) ; e pratique o tire ombres au hasard etre et et o associe au ombre tiré k la valeur X k. Sur cet échatillo bootstrapé o peut calculer u estimateur sx ) par le même algorithme que celui qui doe sx). O répète le tirage u grad ombre de fois, B, ce qui doe ue populatio de valeurs de sx ) S = s, s 2,..., s B que l o peut représeter par u histogramme. Sur cette populatio o peut calculer ue estimatio de la moyee et de l écart-type : s = B s k, B s k s) B B 2 La populatio S peut être triée par valeurs croissates ce qui permet de détermier u itervalle de cofiace e gardat ue certaie proportio des valeurs cetrales. Par exemple si B = 000 et si les valeurs triées de S sot α α 2 α 000, l itervalle de cofiace à 95% est [α 25, α 975 ].

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

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

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

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

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

. (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

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

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

Cours 5 : ESTIMATION PONCTUELLE

Cours 5 : ESTIMATION PONCTUELLE Cours 5 : ESTIMATION PONCTUELLE A- Gééralités B- Précisio d u estimateur C- Exhaustivité D- iformatio E-estimateur sas biais de variace miimale, estimateur efficace F- Quelques méthode s d estimatio A-

Plus en 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

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

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

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

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

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

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

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

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

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

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

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 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

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

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

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

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

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

* 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

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

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 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

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

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

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

* 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

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

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

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

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

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

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

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

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

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

PROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS J. L. NICOLAS

PROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS J. L. NICOLAS PROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS ET APPROXIMATIONS DIOPHANTIENNES J. L. NICOLAS Cet article expose sup 3 e quelques iter'f~reces etre les pr'obl~res dloptimisatio e hombres etiers et la th~or-ie

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

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

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

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

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

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

Des résultats d irrationalité pour deux fonctions particulières

Des résultats d irrationalité pour deux fonctions particulières Collect. Math. 5, 00, 0 c 00 Uiversitat de Barceloa Des résultats d irratioalité pour deux foctios particulières Richard Choulet 7, Rue du 4 Août, 40 Aveay, Frace E-mail: richardchoulet@waadoo.fr Received

Plus en 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

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

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

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

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

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

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

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

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

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

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

Introduction : Mesures et espaces de probabilités

Introduction : Mesures et espaces de probabilités Itroductio : Mesures et espaces de probabilités Référeces : Poly cédric Berardi et Jea Michel Morel. J.-F. Le Gall, Itégratio, Probabilités et Processus Aléatoire J.-Y. Ouvrard, Probabilités 2, maîtrise-agrégatio,

Plus en 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

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

Tempêtes : Etude des dépendances entre les branches Automobile et Incendie à l aide de la théorie des copulas Topic 1 Risk evaluation

Tempêtes : Etude des dépendances entre les branches Automobile et Incendie à l aide de la théorie des copulas Topic 1 Risk evaluation Tempêtes : Etude des dépedaces etre les braches Automobile et Icedie à l aide de la théorie des copulas Topic Risk evaluatio Belguise Olivier Charles Levi ACM Guy Carpeter 34 rue du Wacke 47/53 rue Raspail

Plus en 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

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

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

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

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

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

Contribution à la théorie des entiers friables

Contribution à la théorie des entiers friables UFR STMIA École Doctorale IAE + M Uiversité Heri Poicaré - Nacy I DFD Mathématiques THÈSE présetée pour l obtetio du titre de Docteur de l Uiversité Heri Poicaré, Nacy-I e Mathématiques par Bruo MARTIN

Plus en 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

3.1 Différences entre ESX 3.5 et ESXi 3.5 au niveau du réseau. Solution Cette section récapitule les différences entre les deux versions.

3.1 Différences entre ESX 3.5 et ESXi 3.5 au niveau du réseau. Solution Cette section récapitule les différences entre les deux versions. 3 Réseau Le réseau costitue u aspect essetiel d u eviroemet virtuel ESX. Il est doc importat de compredre la techologie, y compris ses différets composats et leur coopératio. Das ce chapitre, ous étudios

Plus en 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

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

INTRODUCTION AUX MATRICES ALÉATOIRES. par. Djalil Chafaï

INTRODUCTION AUX MATRICES ALÉATOIRES. par. Djalil Chafaï INTRODUCTION AUX MATRICES ALÉATOIRES par Djalil Chafaï Résumé. E cocevat les mathématiques comme u graphe, où chaque sommet est u domaie, la théorie des probabilités et l algèbre liéaire figuret parmi

Plus en détail

Un nouvel opérateur de fusion adaptatif. A new adaptive operator of fusion. 1. introduction

Un nouvel opérateur de fusion adaptatif. A new adaptive operator of fusion. 1. introduction A ew adaptive operator of fusio par Fraçois DELMOTTE LAMIH, Uiversité de Valeciees et du Haiaut-Cambrésis, Le Mot Houy, BP 3, 5933 Valeciees CEDEX 9 fdelmott@flore.uiv-valeciees.fr résumé et mots clés

Plus en détail

Risque de longévité et détermination du besoin en capital : travaux en cours

Risque de longévité et détermination du besoin en capital : travaux en cours Risque de logévité et détermiatio du besoi e capital : travaux e cours Frédéric PLANCHET ISFA Laboratoire SAF Versio.6 / Septembre 2008 Sommaire La prise e compte de l expériece propre au groupe das l

Plus en détail

STRATÉGIE DE REMPLACEMENT DE LUTTE CONTRE LA PUNAISE TERNE DANS LES FRAISERAIES DE L ONTARIO

STRATÉGIE DE REMPLACEMENT DE LUTTE CONTRE LA PUNAISE TERNE DANS LES FRAISERAIES DE L ONTARIO Des résultats du Programme de réductio des risques STRATÉGIE DE REMPLACEMENT DE LUTTE CONTRE LA PUNAISE TERNE DANS LES FRAISERAIES DE L ONTARIO 1. Cotexte La puaise tere Lygus lieolaris (figure 1) est

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

Compte Sélect Banque Manuvie Guide du débutant

Compte Sélect Banque Manuvie Guide du débutant GUIDE DU DÉBUTANT Compte Sélect Baque Mauvie Guide du débutat Besoi d aide? Preez quelques miutes pour lire attetivemet votre Guide du cliet. Le préset Guide du débutat vous facilitera l utilisatio de

Plus en détail

LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE

LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE. Exemple troductf (Les élèves qu coasset déà be le prcpe peuvet sauter ce paragraphe) Cosdéros la sute (u ), défe pour tout, par : u u u 0 0 Cette sute est défe

Plus en détail

La maladie rénale chronique

La maladie rénale chronique La maladie réale chroique Qu est-ce que cela veut dire pour moi? Natioal Kidey Disease Educatio Program La maladie réale chroique: l essetiel Vous avez été iformé(e) que vous êtes atteit(e) de la maladie

Plus en détail

RECHERCHE DE CLIENTS simplifiée

RECHERCHE DE CLIENTS simplifiée RECHERCHE DE CLIENTS simplifiée Nous ous occupos d accroître votre clietèle avec le compte Avatage d etreprise Pour trouver des cliets potetiels grâce à u simple compte bacaire Vous cherchez des idées

Plus en détail

RESOLUTION PAR LA METHODE DE NORTON, MILLMAN ET KENNELY

RESOLUTION PAR LA METHODE DE NORTON, MILLMAN ET KENNELY LO 4 : SOLUTO P L MTHO OTO, MLLM T KLY SOLUTO P L MTHO OTO, MLLM T KLY MTHO OTO. toductio Le théoème de oto va ous pemette de éduie u cicuit complexe e gééateu de couat éel. e gééateu possède ue souce

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

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

Les algorithmes de tri

Les algorithmes de tri CONSERVATOIRE NATIONAL DES ARTS ET METIERS PARIS MEMOIRE POUR L'EXAMEN PROBATOIRE e INFORMATIQUE par Nicolas HERVE Les algorithmes de tri Souteu le mai JURY PRESIDENTE : Mme COSTA Sommaire Itroductio....

Plus en détail

Tests 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 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 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

Simulation de variables aléatoires

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 détail

La tarification hospitalière : de l enveloppe globale à la concurrence par comparaison

La tarification hospitalière : de l enveloppe globale à la concurrence par comparaison ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 58 2000 La tarificatio hospitalière : de l eveloppe globale à la cocurrece par comparaiso Michel MOUGEOT * RÉSUMÉ. Cet article cosidère différetes politiques de

Plus en détail

Le chef d entreprise développe les services funéraires de l entreprise, en

Le chef d entreprise développe les services funéraires de l entreprise, en Le chef d etreprise développe les services fuéraires de l etreprise, e assurat lui-même tout ou partie des activités de vete et e ecadrat directemet le persoel techique et commercial et d exploitatio.

Plus en détail

Régulation analogique industrielle ESTF- G.Thermique

Régulation analogique industrielle ESTF- G.Thermique Chapitre 5 Stabilité, Rapidité, Précisio et Réglage Stabilité. Défiitio Coditio de stabilité. Critères de stabilité.. Critères algébriques.. Critère graphique ou de revers das le pla de Nyquist Rapidité

Plus en 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

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

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