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

Dimension: px
Commencer à balayer dès la page:

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

Transcription

1 Ue méthode alteratve de provsoemet stochastque e Assurace No Ve : Les Modèles Addtfs Gééralsés Lheureux Else B&W Delotte 85, av. Charles de Gaulle 954 Neully-sur-See cedex Frace Drect: 33(0) Fax: 33 (0) Résumé Cet artcle trate des modèles de provsoemet stochastque à travers les Modèles Addtfs Gééralsés. Leur méthodologe repose sur le lssage o paramétrque qu offre ue grade flexblté das l austemet du modèle du fat de l dépedace du prédcteur avec ue quelcoque forme rgde paramétrque, permettat as au modèle de suvre la tedace présete das les doées. Cette structure est égalemet adaptée au calcul de mesures de volatlté des estmatos de réserves et d dcateurs de valeurs cetrales de la lo des réserves (quatles, ). Mots clés Provsoemet stochastque, Modèles Addtfs Gééralsés, Modèles Léares Gééralsés, Cha Ladder, Mack, Bootstrap, Méthode Delta, quatles.

2 SOMMAIRE I. INTRODUCTION... II. METHODOLOGIE DES MODELES ADDITIFS GENERALISES...3 III. DISCUSSION...8 IV. RESULTATS...9 V. CONCLUSIONS... BIBLIOGRAPHIE... ANNEXES...3 I. INTRODUCTION Les ouvelles ormes IFRS duset de profods chagemets e ce qu cocere les provsos techques et e partculer la provso pour sstre à payer. U des prcpes sous-acets à ces ormes est l évaluato au plus uste du motat des réserves. Das les pays aglo-saxos, l estmato e «best estmate» est désormas ue pratque courate, alors que la plupart des assureurs o-ve d Europe cotetale ot pas de règles clares quat au veau de provsos requs. De ce fat, certas assureurs ot prs l habtude d clure ue marge das leurs réserves, dot le but recherché peut être par exemple de lsser les résultats das le temps. Le passage e «best estmate» et la écessté de predre e compte le rsque lé à l certtude du motat de réserves lmterot ce gere de pratque et oblgerot la compage d assuraces à ustfer les hypothèses sous-acetes au veau de so provsoemet d ue aée sur l autre. As, le traval de l actuare cosstera à mettre œuvre des modèles de provsoemet stochastque, lesquels deveet cotourables pour répodre à ces problématques. L obectf de cet artcle est de préseter ue ouvelle classe de modèles pour le provsoemet stochastque e Assurace No Ve, qu ous semble plus souple que les méthodes exstates. Il s agt de la classe des Modèles Addtfs Gééralsés (Geeralzed Addtve Models ou GAMs). Ces modèles permettet d applquer aux doées ssues de la famlle expoetelle des techques de lssage o paramétrque. Ils préservet la structure sous-acete des Modèles Léares Gééralsés [9] (Geeralzed Lear Models ou GLMs) car la relato etre la varable répose et les varables explcatves est modélsée. Mas la dfférece maeure etre ces deux modèles résde das le fat que cette relato est paramétrque das les GLMs alors que la répose est lée aux varables explcatves par ue procédure de lssage o paramétrque das le cas des GAMs. Ce type de modèle s adapte formellemet à tout tragle de lqudato mas l estmato des réserves est d autat plus précse que le développemet des sstres de la brache étudée est stable. As, les études de modélsato GAMs ot usqu à préset été applquées à des tragles «classques» servat de référece pour tester de ouvelles méthodes. Nous avos cepedat chos d llustrer os aalyses à partr de tragles de lqudato «réels», chacu d etre eux correspodat à ue brache dfférete. Parm les tros braches étudées, l ue est à déroulemet relatvemet court et correspod à la catégore «Dommages aux bes Automoble». Les deux autres braches sot à déroulemet plus ou mos log et correspodet aux catégores «Resposablté Cvle Automoble» et «Resposablté Cvle Géérale». L étude de ces dfféretes braches ous a as perms d llustrer la mse e

3 œuvre des modèles GAMs e focto de la logueur de la cadece de développemet des sstres. Nous avos utlsé le logcel R mu du package «mgcv» («Mmzg Geeralzed Cross Valdato») qu ous fourt les méthodes et sortes formatques écessares à cette étude. Le prcpal avatage des modèles de provsoemet stochastque est de dsposer de mesures de précso des estmatos des réserves effectuées : das ce but, ous avos calculé le «Root Mea Square Error of Predcto» (RMSEP). Nous avos égalemet cherché à estmer la dstrbuto des réserves à l ade de la méthode du Bootstrap af d obter ses dfférets quatles et so écart-type. Ef, ous avos utlsé certaes méthodes alteratves au Bootstrap, basées sur les premers momets et l approxmato de dstrbutos ; celles-c permettet d estmer les quatles du motat de réserves sas écesster ue estmato de la dstrbuto de ces réserves. Cet artcle présete égalemet ue comparaso des résultats avec ceux obteus par d autres modèles détermstes et stochastques, déà utlsés e pratque. L aalyse de la qualté de l austemet de ces dfférets modèles (mesure aalytque de varablté, étude des résdus, ) et de leur «best estmate» ous codut au fl de l étude à cosdérer les modèles GAMs comme des modèles robustes et satsfasats pour répodre au cocept de «best estmate» et au beso d ue mesure du rsque assocé. II. METHODOLOGIE DES MODELES ADDITIFS GENERALISES Nous proposos das cet artcle d utlser les méthodes de lssage o paramétrque à travers les modèles GAMs [5] comme ue alteratve aux méthodes de provsoemet déà exstates. Nous cosdéros sas perte de gééralté u tragle de doées avec aées d orge et aées de développemet. Nous désgos les motats crémetaux relatfs à l aée d orge et à l aée de développemet par Y. Les doées sot alors : { : =,..., ; =,..., }. Y Nous désgos das la sute de cette étude les varables aée d orge et aée de développemet par Year et Dev. La composate aléatore Les modèles GAMs reposet sur l hypothèse forte suvate : Ho : Les varables aléatores Y sot dépedates mas o detquemet dstrbuées. Ces modèles supposet égalemet l apparteace des varables Y à la famlle expoetelle à deux paramètres dot la desté est : yθ b( θ ) f ( y, θ, φ) = exp( c( y, φ)) (II.) φ 3

4 où θ est u paramètre réel dt «aturel», Φ > 0 est u paramètre de dsperso ou d échelle (cou), dépedat de et, les foctos b et c sot des foctos spécfques de la dstrbuto expoetelle. Sous cette hypothèse de dstrbuto, l espérace et la varace des Y peuvet s écrre : E ( Y ) = b'( θ ) = µ et Var Y ) = φ b"( θ ) = φ V ( µ ) (II.) ( La focto V(.) est appelée la focto de varace de la dstrbuto et Φ le paramètre de dsperso. Esemble, ls détermet de maère uque la dstrbuto. Les dfféretes dstrbutos et foctos de le que ous allos tester sur os doées sot résumées das le tableau c-dessous. Nous cosdéros les foctos de le stadards Idetté, Caoque, Logarthme, et Race Carré. Tableau II. Dstrbutos et foctos de le testées. Dstrbuto Desté de Y Domae des paramètres Normale Posso Surdspersé Gamma Iverse Gaussee Focto de le g Focto de varace V(.) Paramètre de dsperso Φ cou et estmé ( µ ) exp( y µ Є R, g(µ)= µ V(µ)= Φ = σ ) σ >0 πσ σ e µ µ y µ > 0 g(µ)= µ, V(µ)= µ Φ g(µ)= l(µ), y! g(µ)= µ ry µ, r > 0 g(µ)= µ V(µ)= µ Φ = /r r ( ) r y r e µ g(µ)= l(µ), Γ( r) µ g(µ)= /µ µ, r > 0 g(µ)= / µ, V(µ)= µ 3 Φ = r exp ( y µ ) g(µ)= µ, π. ry 3 rµ y g(µ)= l(µ) LogNormale (l( y) µ ) exp( ) πσy σ µ Є R, σ >0 g(µ)= µ V(µ) Φ Chox des varables explcatves du modèle Les varables terveat das la modélsato d u tragle de lqudato correspodet à ses tros dmesos «aturelles» : e lge avec les aées d orge des sstres, e coloe avec les aées de développemet des paemets, et e dagoale avec les aées caledares. Cepedat, ous e preos pas e compte das otre modélsato cette derère varable aée caledare qu représete l flato car ous travallos sur des tragles déflatés das le cotexte de cette étude. 4

5 La mse e œuvre d ue modélsato GAM requert la cotuté de ces varables du fat de l utlsato de foctos de lssage. Or la varable aée de développemet est ue varable quattatve dscrète. Nous la redos cotue e défssat ue varable artfcelle Y= qu sera tratée comme ue varable cotue. La varable aée d orge est quat à elle ue varable qualtatve ordale et est as tratée comme u dce das les modélsatos classques telles que Cha Ladder ou GLM. Mas s cette varable état vramet u pur dce, alors les lges pourraet être versées sas aucu effet sur le modèle. Or cec est pas supporté par la théore sous-acete du provsoemet et l est as plus appropré de caractérser la varable aée d orge comme u dce ordoé. De plus, les aées d orges sot régulèremet espacées et peuvet être cosdérées comme ue sére «chroologque», suggérat as de trater cette varable, o pas comme u dce ordoé, mas comme ue varable cotue e défssat ue varable artfcelle X= qu sera elle auss tratée comme ue varable cotue. Cela permet au modèle d applquer égalemet ue focto de lssage à cette varable. La composate systématque, la focto de le U modèle GAM peut être vu comme ayat la structure d u modèle factorel à facteurs (aée d orge et aée de développemet ), dot la varable répose Y appartet à la famlle expoetelle à deux paramètres (cf. équato (II.)). La présece supplémetare d u lssage des deux varables explcatves Year et Dev dfférece la modélsato GAM d u modèle d aalyse de la varace classque. La focto de le otée g, strctemet mootoe et dérvable, rele µ = E( Y ) au prédcteur ou composate systématque η qu fat terver uquemet les varables explcatves : η = g( µ ) = c sλ ( Year ) sν ( Dev ) (II.3) µ = g c s ( Year ) s ( Dev ) [ ] λ La focto s λ ( Year ) représete u lssage de la varable explcatve aée d orge avec le paramètre de lssage λ. De faço smlare, la focto s ν ( Dev ) représete le lssage de la structure de développemet du tragle avec le paramètre de lssage ν. E cosdérat les deux varables aée d orge Year et aée de développemet Dev comme des varables «cotues», la structure du modèle GAM cherche à lsser de telle faço que les valeurs de η etre et et etre et, e dffèret pas trop. C est ce qu llustre le graphque II.. η Graphque II. Illustrato d ue courbe de lssage ν 3 4, 5

6 Paramètres de la modélsato La focto de lssage U lsseur est u outl qu permet de résumer la tedace de la varable répose Y e ue focto de ue ou pluseurs varables prédctves. Cela produt ue estmato de cette tedace qu est plus stable que la varable Y elle-même. Ue proprété mportate du lsseur est sa ature o paramétrque : l e suppose pas ue forme rgde pour la dépedace de Y e focto des varables explcatves. Das cet artcle, ous ous cocetros uquemet sur la procédure de lssage «cubc smoothg sple» car elle seule est mplémetée das le logcel R avec le package «mgcv». U sple de lssage cubc ou «cubc smoothg sple» est la soluto du problème d optmsato suvat (appelé auss «Pealzed Resdual Sum Of Square»): Parm toutes les foctos g(x) et h(x) deux fos cotuemet dfféretables, trouver celles qu mmset la somme des carrés péalsés : ( y c g( Year ) h( Dev )) = = Mesure l' écart avec les doées " " λ ( g ( t)) ν ( ( )) h t (II.4) Péalse la courbure de la focto (Péalté de lssage) où Year ; Dev Year ; Dev λ, ν, costates fxées sot les paramètres de lssage. O peut motrer qu l exste ue soluto explcte et uque à ce problème de mmsato et que le mmum est u sple cubc aturel s λ et s ν avec des œuds uquemet aux valeurs Year et Dev. As les GAMs produset les estmatos { s λ ( Year ), s λ ( Year ),..., s λ ( Year )} et { s ν ( Dev ), s ν ( Dev ),..., s ν ( Dev )} qu correspodet respectvemet à l effet de lssage sur les aées d orge et à l effet de lssage sur les aées de développemet. Le chox du paramètre de lssage Les deux foctos de lssage ŝ λ et ŝ ν ot qu u seul paramètre de lssage chacue. Chaque paramètre gouvere le veau de lssage as que le comproms etre le bas et la varace : Quad λ, ν tedet vers 0, l y a pas de péalté de lssage et le modèle fourt u austemet parfat : les valeurs austées sot les doées elles-mêmes. Quad λ, ν sot grads (tedet vers l f), l austemet est u lssage parfat : les valeurs austées tombet le log d ue lge drote forçat as la laso à être léare. Il e résulte ue fable varace mas u bas mportat. Les paramètres λ et ν dovet être comprs etre ces deux cas extrêmes pour produre le veau désré de lssage qu permet d avor u bo austemet du modèle avec u équlbre bas - varace. Le chox de ces paramètres de lssage peut se fare à l ade de la méthode par valdato crosée géérale (GCV). Mas ue valeur partculère pour λ et ν peut égalemet être chose e fxat so-même le ombre de degrés de lberté. 6

7 La méthode de valdato crosée géérale (GCV) Wahba [5] a proposé la focto de valdato crosée géérale (GCV) pour résoudre les problèmes qu écesstet la sélecto de paramètres mmsat le rsque de prédcto. O peut motrer que η = c A( λ, ν ) Y, où A( λ, ν ) est ue matrce qu déped de λ, ν et de la sére de doées ; c est l aaloge avec ue matrce de proecto das ue régresso léare. Soet a kk les élémets dagoaux de A ( λ, ν ). La focto GCV à mmser est alors : GCV ( λ, ν ) = = = ( y η ) ( tr( A( λ, ν ))) (II.5) où tr( A ( λ, ν ) ) est la trace de la matrce A ( λ, ν ), sot la somme des élémets dagoaux de cette matrce. Malheureusemet, la méthode GCV est très coûteuse pour les problèmes à paramètres de lssage multples. Smo Wood [6] a développé ue approche amélorée pour résoudre ce problème das le cas d ue classe de modèles de sple de lssage cluat les modèles GAMs avec le problème d optmsato (II.4). Le logcel R utlse cette focto GCV «amélorée» comme crtère de sélecto des paramètres de lssage λ et ν. Le ombre de Degrés de Lberté (DF) Le logcel R permet auss de chosr le veau de lssage e fxat le ombre de degrés de lberté pour chaque lsseur sλ et s γ. Le ombre de degrés de lberté o paramétrques (DF) pour le lsseur s λ (respectvemet pour s γ ) peut être déf par : DF ( lsseur sλ ) = tr( A( y, λ)) (II.6) S ue valeur partculère est chose pour le ombre de degrés de lberté, alors pedat toute la phase du problème d optmsato (II.4), le paramètre λ (et respectvemet ν) satsfera l équato (II.6). 7

8 Graphque II. Effet du lssage sur les aées d orge pour u DF de 3 et de 9 As, comme l llustre le graphque II., plus le ombre de degrés de lberté DF de s λ augmete, plus λ dmue et mos la courbe est lssée (et versemet). Par la sute, ous utlseros la méthode GCV «amélorée» pour le chox du paramètre optmal et cela pour chacue des deux varables explcatves Year et Dev. Nous sommes à la lmte féreure du ombre de doées écessare ( = 55) pour utlser ce crtère de sélecto mas ce derer a l avatage cosdérable d être automatsé et de permettre as u ga de temps o églgeable lors du processus de sélecto des modèles. III. DISCUSSION Présetato des doées L approche des modèles addtfs gééralsés est suette au rsque d erreur de spécfcato du modèle, comme tout modèle stochastque. Pluseurs exgeces cocerat les doées sot requses af d obter u modèle correctemet austé : - dsposer d ue part d u ombre suffsat de doées (ue cquatae de doées au mmum), - vérfer d autre part qu l y a pas de doées aberrates. Nous dsposos pour chacue des tros braches «Dommages aux bes Automoble», «Resposablté Cvle Automoble» et «Resposablté Cvle Géérale», d u eu de 55 doées correspodat à dx aées de surveace de sstres avec u développemet des paemets sur u maxmum de dx as. Cepedat, avat toute modélsato, ous avos supprmé das os doées la derère valeur de paemet coue de la premère aée de surveace ( Year = et Dev =0) pour les braches «Resposablté Cvle Automoble» et «Resposablté Cvle Géérale». E effet, cette valeur état aberrate pour ces deux braches, et aurat perturbé les résultats de toute modélsato. Pour des questos pratques, os tros tragles de lqudato ot été modélsés bruts de recours; la théore sous-acete aux modèles GAMs dque qu l est pas écessare de 8

9 fare l hypothèse que tous les motats crémetaux soet postfs à codto que la somme de chaque coloe du tragle sot postve. Cepedat, l usage de certaes foctos de le (logarthme, race carré,..) das la modélsato GAM e permet pas la présece de motats égatfs, à mos d gorer les cellules cocerées, ou be d utlser la Quas Vrasemblace. Il ous a doc semblé plus adapté de fare cette étude sur des tragles etèremet postfs, e e teat pas compte des recours ecassés. Avatages d ue structure de lssage U des gros avatages de l utlsato de ces lsseurs résde das l absece d ue structure prédétermée das le développemet du tragle, permettat as au modèle de suvre la tedace présete das les doées, d où ue grade flexblté das l austemet du modèle. E outre, la méthodologe ous semble téressate car elle permet de lsser les facteurs de développemet de la méthode Cha Ladder et d obter drectemet ue estmato du facteur de queue, sas écesster ue étape supplémetare das le processus de provsoemet. Cet avatage o églgeable des modèles GAMs est dû à la présece de varables explcatves cotues das la modélsato offrat as la possblté d extrapoler au-delà des ragées de doées observées. C est ue alteratve aux pratques habtuelles qu cosstet à auster u modèle stadard aux motats cumulés du type Cha Ladder pus d auster esute u autre modèle aux facteurs de développemet qu e découlet. L extrapolato de la courbe de lssage est égalemet beaucoup plus tutve et cosstate que cette derère techque. Notos égalemet que les modèles GAMs, grâce à leur structure, cotrôlet leur veau d austemet aux doées e ayat u ombre de degrés de lberté rasoable cotraremet aux modèles GLMs qu ot tedace à être sur-paramétrés par rapport à la talle des doées [4]. Ef, l est mportat de sgaler que les mêmes méthodes d estmato d ue dstrbuto du motat de réserve (Bootstrap) et de calculs de quatles (Bootstrap, Approxmatos Normal Power, Gamma,..) utlsées sur les modèles GLMs s applquet égalemet aux modèles GAMs. IV. RESULTATS Processus de sélecto des GAMs Le dagramme IV. llustre le processus suv au cours de otre étude pour sélectoer et valder les modèles GAMs les meux adaptés à chacue des braches étudées parm la sélecto décrte das le tableau II.. Le tableau IV. présete les ou 3 modèles faux reteus pour chacue des braches étudées. Ceux-c serot esute comparés avec d autres modèles détermstes et stochastques utlsés e pratque. Cette étude ous permettra d llustrer l térêt des Modèles Addtfs Gééralsés par rapport à d autres méthodes coues et utlsées usqu à préset. 9

10 Dagramme IV. Schéma récaptulatf du processus d évaluato et de sélecto des modèles GAMs. Dstrbutos à tester Avec les foctos de le stadards (Idetté, Log, Race Carré) et caoques : Posso Posso Sudspersé Gaussee Gamma Iverse Gaussee Avec la focto de le Idetté : LogNormale Approche descrptve Dstaces de Kolmogorov-Smrov (KS) et d Aderso Darlg. Crtère de comparaso Maxmsato de la statstque de Quas Vrasemblace Etedue q. Sélecto et valdato statstque des modèles GAMs Vérfcato de l hypothèse d dépedace de la varable répose Y Test de sgfcatvté des coeffcets (Devace) Graphques des résdus : - Hypothèses (asymptotques) de ormalté et d équdstrbuto à vérfer (hstogramme, QQplot, test de Shapro-Wlks, aalyses des graphques) - Structure o aléatore pour les graphques des résdus e focto : du prédcteur et des varables explcatves. Das le cas cotrare, mauvas chox de la dstrbuto et/ou de la focto de le. Graphque Valeurs Austées x Valeurs Observées : les pots dovet être algés le log de la ère bssectrce. 0

11 Nous apportos quelques remarques à predre e compte lors de la mse e pratque de ces dfférets crtères et tests : Le calcul des dstaces de Kolmogorov Smrov (KS) et d Aderso Darlg cosste e ue approche descrptve et o quattatve de l adéquato du modèle aux doées. E effet, l faut être prudet avec la théore de ces tests statstques qu repose sur l hypothèse «forte» d dépedace et d équdstrbuto des doées alors que les varables Y e sot pas équdstrbuées. De plus, le ombre de doées ( = 55) est trop fable et egedre ue bade de coface beaucoup trop grade ous forçat à accepter toutes les los testées. Nous avos quad même effectué ces tests e e coservat que les los ayat ue dstace de KS et d Aderso suffsammet pette, ous permettat as d avor ue premère dée des dstrbutos les meux adaptées aux doées. La lo LogNormale e peut se comparer aux autres los avec le crtère de Quas Vrasemblace Etedue détallé e aexe, car cette statstque fat terver la dévace et as tègre das so calcul l écart de la varable l(y ) avec sa prédcto et o de la varable Y avec l expoetelle de cette prédcto. La vérfcato des hypothèses sur les résdus est alors ue méthode alteratve qu ous permet de valder ou o la cohérece du chox de cette dstrbuto LogNormale. L hypothèse de ormalté des résdus dot être vérfée o pas asymptotquemet mas exactemet pour cette dstrbuto. Il faut être prudet avec l esemble des tests asymptotques effectués et leurs coclusos, car l faut garder à l esprt que le eu de doées sur lequel ous travallos est de talle =55, ce qu est a pror suffsat pour u cadre asymptotque. Il faut oter qu ue partcularté des deux braches logues «Resposablté Cvle automoble» et «Resposablté Cvle Géérale» est la écessté d extrapoler les résultats au-delà du tragle de doées car la totalté des paemets est pas réglée au bout de 0 as de développemet. Or, certaes foctos de le telles que l Idetté ou la Racé Carrée e sot pas adaptées à ue extrapolato des résultats. Seule la focto de le logarthme est acceptable pour ue modélsato GAM avec extrapolato, car so verse g - est la focto expoetelle. E effet, état doé qu à partr d ue certae valeur de Dev (>0) qu dffère selo le modèle GAM, le prédcteur η décroît égatvemet, l équato (II.3) dque que pour rester cohéret avec la réalté, seule la focto de le logarthme permet à l espérace des motats crémetaux de paemets µ de tedre vers 0 e restat postve. A l ssue de ces tests, u à deux modèles GAMs ot été reteus selo la brache étudée pour poursuvre cette étude, comme l dque le tableau IV. c-dessous. Nous ous téressos à d autres méthodes de provsoemet détermstes et stochastques (Cha Ladder, Mack, GLM et LogNormale) et les applquos aux mêmes tros braches d actvtés étudées pour les GAMs af de comparer les résultats obteus et d aalyser les avatages et partculartés propres à chacue des méthodes selo des logueurs de cadece de développemet des sstres dfféretes. Le lecteur pourra retrouver la théore détallée de ce pael de modèles das l artcle d Eglad et Verral [4]. Pour meer à be cette étude comparatve des GAMs avec les autres modèles, ous cosdéros u modèle de référece détermste ommé «Cha Ladder Austé» qu est élaboré à l ade d u logcel développé par la socété (CROS) et qu fourt le «Best estmate» grâce à ue combaso adéquate de modèles Cha Ladder.

12 Tableau IV. Modèles GAMs sélectoés par brache étudée Calcul des réserves avat et après extrapolato Après avor austé chaque modèle sur le tragle de doées, ous obteos l estmato des réserves e sommat les paemets estmés approprés du tragle féreur. Les motats de réserves estmés par l esemble des modèles étudés sot présetés pour chaque brache das les tableaux IV.4, IV.5 et IV.6. Nous cosdéros que les sstres de la brache courte «Dommages Automoble» sot etèremet réglés au bout de 0 as car la cadece de règlemet est de 99.9%. Les deux autres braches plus logues «Resposablté Cvle Automoble» et «Resposablté Cvle Géérale» ot ue cadece respectve de 94% et 98% au bout de 0 as, écesstat de prologer les estmatos de paemets pour le calcul de la charge ultme. Pour ue smple comparaso des modèles etre eux et otammet avec celu de Cha Ladder, ous trodusos pas dès cette étape l estmato supplémetare lée à l extrapolato des paemets au-delà du tragle de doées. Le calcul des réserves est effectué à la f de la derère aée comptable coue (3//) ce qu géère u motat de réserves ul la premère aée d orge car tous les paemets sot cous à cette date (sous l hypothèse de o extrapolato). Pour les deux braches logues (tableau IV.5 et IV.6), le motat de réserves de la deuxème aée d orge est égalemet ul car le motat correspodat à (Year=, Dev=0) e retre pas das la modélsato (e rouge das le tableau IV.3) ; as aucu motat de paemet est estmé pour (Year=, Dev=0), =,, et tervet doc pas das le calcul du motat de réserves correspodat s l y a pas d extrapolato. Ce pot est llustré par le tableau IV.3 : les valeurs estmées par le modèle sot surlgées e vert et leur somme par aée d orge costtue le motat de réserve par aée d orge au 3// qu repose sur l hypothèse de o extrapolato, c'est-à-dre qu l se base uquemet sur l hstorque. La parte grsée correspod aux motats qu e peuvet être estmés qu e utlsat ue méthode d extrapolato. Cette techque fat l obet de la secto suvate et doera leu à u calcul de motat de réserve ultme.

13 Tableaux IV.3 Illustrato du tragle de paemet des deux braches logues Tableau IV.4 Motat de Réserves estmé pour la brache Dommages Auto Quelque sot la brache étudée, le modèle Cha Ladder Austé, qu est otre «Best estmate» détermste est plus pessmste que le Cha Ladder stadard. La dfférece se fat sur les ou 3 derères aées d orge. E tat que modèle d expert, le Cha Ladder Austé pred e compte certaes formatos (après échage avec le clet, les gestoares de sstres, ) qu l ctet à «gofler» les provsos des aées 8, 9 et/ou 0 selo la brache étudée. Le modèle Cha Ladder stadard ou sa verso stochastque GLM Posso Surdspersé doet par costructo, ue mportace excessve aux premers développemets cous, e partculer pour les aées d orge les plus récetes ; or l se trouve que pour les aées d orge 8, 9 et/ou 0, les motats des premers développemets dspobles sot assez fables et se répercutet das les estmatos des paemets des développemets suvats, 3

14 permettat au Cha Ladder stadard ou GLM Posso Surdspersé d être plus optmstes qu ls e devraet. Cette remarque peut égalemet être fate pour le modèle GLM Gamma qu a la même costructo que le GLM Posso Surdspersé et qu estme des motats de réserves sesblemet proches de ceux du modèle GLM Posso Surdspersé ou du modèle Cha Ladder stadard. Nous retedros doc que pour chaque brache étudée, les modèles GLMs de Posso Surdspersé et Gamma sot très élogés e terme de «best estmate» du modèle de référece e comparaso avec la régresso LogNormale et les modèles GAMs (écarts avec Cha Ladder Austé surlgés e rose das les 3 tableaux IV. 4,.5,.6). Ce phéomèe s observe de faço mportate pour la brache courte «Dommages aux bes Automoble» avec u et écart de plus de 3% etre le «best estmate» et les estmatos des modèles de Cha Ladder stadard et GLMs, alors qu a pror, cette catégore est la plus facle à modélser et e devrat pas egedrer de telles dfféreces etre les modélsatos. Tableau IV.5 Motat de Réserves estmé pour la brache RC Auto Seuls les motats de réserve totale estmés par les modèles GAMs et parfos par le modèle LogNormal excepté pour la brache «Resposablté Cvle Automoble» sot assez proches du «Best estmate» du Cha Ladder Austé. Il semble que GAM s adapte très be aux aées d orge 8, 9 et/ou 0 selo la brache étudée (valeurs surlgées e rose), qu sot comme ous l avos remarqué précédemmet, les aées pour lesquelles Cha Ladder Austé dffère le plus des modèles de Cha Ladder stadard, GLMs et LogNormale. 4

15 Tableau IV.6 Motat de Réserves estmé pour la brache RC Géérale Les deux braches logues «Resposablté Cvle Automoble» et «Resposablté Cvle Géérale» écesstet ue extrapolato des paemets estmés au-delà du tragle de doées pour chaque modèle étudé. La charge ultme pred e cosdérato l esemble de ces motats estmés. Tableau IV.7 Motat de Réserves estmé pour la brache RC Auto après extrapolato U des avatages des GAMs est la présece de varables explcatves cotues das le modèle qu offret la possblté de prologer la courbe de lssage s ν ( Dev ) au-delà des ragées de doées observées. Cette techque est assez tutve et est ue alteratve aux pratques habtuelles réalsées sur les modèles Cha Ladder Austé, LogNormale et GLMs qu cosstet à auster ue courbe paramétrque sur les facteurs de développemet ssus du modèle étudé et à la prologer usqu à ce qu elle devee stable. Les facteurs de 5

16 développemet sot das le cas du modèle GLM Posso Surdspersé les mêmes que ceux de Cha Ladder stadard ; pour les autres modèles l s agt de facteurs de développemet «équvalets» obteus [3] e applquat la même techque que Cha Ladder stadard aux valeurs austées par le modèle étudé. Ue fos l austemet de la courbe paramétrque sur les facteurs de développemet effectué, les motats estmés sot calculés e applquat la méthode de Cha Ladder stadard aux facteurs de développemet austés sur les derères aées de développemet. Tableau IV.8 Motat de Réserves estmé pour la brache RC Géérale après extrapolato Ue aalyse des tableaux de résultats IV.7 et IV.8 ous dque que l écart etre le «Best estmate» de Cha Ladder Austé et le motat de réserve des GAMs s est creusé pour les deux braches sute à l extrapolato. L explcato de cet écart tet essetellemet das la dfférece de techque utlsée pour obter les estmatos des paemets au-delà du tragle de doées. Les résultats des GAMs restet ecore très satsfasats, otammet pour le GAM Posso Surdspersé de la brache «Resposablté Cvle Géérale» et pour le GAM Gamma de la brache «Resposablté Cvle Automoble». L esemble des remarques fates avat extrapolato reste valable après extrapolato. De plus, l extrapolato des GAMs est ue techque plus cosstate que celle applquée aux autres modèles e austat ue courbe paramétrque, reforçat as os coclusos sur les résultats des GAMs des tableaux IV.7 et IV.8. Précso de l estmato des réserves L erreur de prédcto ou RMSEP («Root Mea Square Error of Predcto») U des prcpaux avatages des modèles de provsoemet stochastque est l exstece de mesures de précso des estmatos. Nous avos chos d utlser le «Root Mea Square Error of Predcto» ou RMSEP. Supposos que ous ayos ue estmato R du motat de réserve total R. Alors le RMSEP est déf par : E( R R). 6

17 Le RMSEP est ue mesure de varablté de l estmato R et peut être cosdéré comme la somme de deux composates : la varablté des doées (varace du processus) et la varablté due à l estmato (varace de l estmato). Ue méthode détallée e aexe doe ue approxmato du calcul du RMSEP. Ce calcul écesste la matrce de varace-covarace des coeffcets paramétrques pour les GLMs et o paramétrques pour les GAMs. La méthode sera surommée «Delta». L approxmato du RMESP peut être utlsée égalemet pour costrure des tervalles de coface. Le modèle de Mack [6] permet égalemet le calcul d u RMSEP qu est u crtère d évaluato de la varato des estmatos de Cha Ladder stadard et de Cha Ladder Austé. Ce calcul dffère de celu des GAMs et GLMs car l repose sur les facteurs de développemet ; l est égalemet exposé e aexe. Les RMSEP rapportés au motat de réserve estmé servet d dcateur de qualté des estmatos des réserves. Le tableau IV.9 résume l esemble des résultats de RMSEP obteus pour les modèles de Cha Ladder et Cha Ladder Austé (avec Mack), les modèles GLMs, GAMs et LogNormale austés sur la brache «Resposablté Cvle Géérale». Les coclusos apportées sur cette catégore sot égalemet valables pour les deux autres catégores. Les résultats de l erreur de prédcto RMSEP exprmés e u pourcetage de l estmato du motat des réserves e sot pas comparables pour des dstrbutos dfféretes. E effet, la dfférece etre les erreurs de prédcto des modèles Posso Surdspersé et Gamma est e parte due à la présece du paramètre d échelle Φ. Quat à la dstrbuto LogNormale, le mode de calcul du «MSEP» est dfféret de celu des autres modélsatos. Ue remarque peut cepedat être fate : pour les premères aées d orge (Year 3, Year 4, ) des modèles GAMs et GLMs, le rapport RMSEP(R )/R de la lo Gamma est plus fable que celu de la lo Posso Surdspersé ; la modélsato Gamma prvlége les aées les plus acees. Ce comportemet se reverse pour les aées les plus récetes (Year 0, Year 9, ) car le rapport RMSEP(R )/R de la lo Gamma est plus élevé que celu de la lo Posso Surdspersé. As, comme ces derères aées ot u pods très mportat das le motat de réserve total, le rapport RMSEP(R)/R de la lo Gamma est supéreur à celu de la Posso Surdspersé. E outre, la comparaso des modèles GLMs avec les modèles GAMs pour ue dstrbuto fxée peut se fare et elle dque que ces derers doet de melleurs résultats e terme de varablté du motat de réserves estmé par aée d orge et au total. Tableau IV.9 RMSEP et Itervalle de Coface de chaque modèle pour la brache RC Géérale 7

18 Tableau IV.9- Sute RMSEP et Itervalle de Coface de chaque modèle pour la brache RC Géérale La comparaso des erreurs de prédcto des dfférets modèles avec celles de Mack est assez dffcle. Cette derère modélsato e repose pas sur l hypothèse d ue dstrbuto sous-acete mas les résultats de varablté du RMSEP permettet de doer ue dcato sur la robustesse du modèle. Das cette optque, l est téressat de oter que les résultats de varablté du motat de réserve global des modèles GAMs sot plus bas que ceux de Mack sur le modèle de référece. Pour la brache «Resposablté Cvle Géérale», les modèles GAMs semblet doc plus robustes que les GLMs et ot même u dcateur de varablté plus fable que celu du modèle de référece. Au se des modèles GAMs, le chox du modèle le meux adapté peut se fare etre la modélsato de Posso Surdspersé et celle de la lo Gamma. Il est dffcle de chosr aalytquemet l u des deux car ous veos de vor que leurs résultats de RMSEP e sot pas comparables. Mas à la vue des résultats précédets cocerat l écart relatf sur le motat de réserve avec la modélsato de Cha Ladder Austé avat et après extrapolato, o préférera le modèle GAM Posso Surdspersé. 8

19 L erreur de prédcto du Bootstrap La méthodologe du Bootstrap qu est pas décrte das cet artcle mas que le lecteur pourra lre e détal das Eglad P.D et Verrall R.J [], est ue techque de rééchatlloage des résdus du modèle qu permet d obter ue estmato de la dstrbuto des provsos. L écart-type ou l erreur stadard de la dstrbuto peut as être calculé. Cette erreur stadard ssue du Bootstrap est ue estmato de la race carrée de la varace de la dstrbuto. Cepedat, elle e peut être comparée drectemet avec so équvalet aalytque qu est la ème composate du RMSEP (varace de l estmato), car cette erreur e tet pas compte du ombre de paramètres utlsés das le modèle [3]. Pour obter l erreur de prédcto du Bootstrap otée PE et pouvor as la comparer avec le RMSEP, l est écessare d aouter ue estmato de la varace du processus, laquelle est égale au paramètre d échelle multplé par l estmato des réserves. Tableau IV.0 Idcateurs de la volatlté des prévsos de réserves de la brache RC Géérale : RMSEP (Mack et Delta) et PE (Bootstrap) A dstrbuto et focto de le fxées, les erreurs de prédcto Bootstrap (PE bs ) sot assez proches des erreurs de prédcto aalytques (RMSEP), à la fos au total et par aée d orge. Le tableau IV.0 llustre e parte cette costatato pour le motat total de réserve de la brache «Resposablté Cvle Géérale». Cec est assez remarquable état doée la dfférece structurelle qu exste etre les deux méthodes utlsées. Les résultats des tros braches étudées e sot pas présetés das le détal, excepté pour la brache «Resposablté Cvle Géérale», mas ous amèet aux mêmes coclusos : Les erreurs de prédcto Bootstrap (PE bs ) sot assez proches des erreurs de prédcto aalytques (RMSEP), à dstrbuto et focto de le fxées, avec cepedat ue légère tedace pour ces derères à être féreures à celles du Bootstrap. La comparaso des modèles GLMs avec les modèles GAMs, pour ue dstrbuto fxée, dque que ces derers doet de melleurs résultats e terme de varablté du motat de réserves estmé au global et par aée d orge, et cela, quel que sot l dcateur utlsé (la mesure aalytque ou la mesure ssue du Bootstrap). Les bades de coface costrutes avec les méthodes Delta et Bootstrap se recoupet assez be. 9

20 Dstrbuto de la prédcto et estmato des quatles Coaître les momets du motat de réserve R (espérace, varace) est pas suffsat pour obter certaes caractérstques de R : probablté d suffsace, quatles,. C est pourquo, l est écessare d applquer certaes méthodes comme le Bootstrap pour avor la dstrbuto de R ou ecore d autres méthodes alteratves [] pour avor les quatles de R. Ces derères reposet e parte sur les premers momets de R et cosstet e : ue approche addtve qu das le cas préset e s adapte qu à la dstrbuto de Posso Surdspersé, ue approxmato Normal Power qu s applque à toutes les dstrbutos étudées, ue approxmato Gamma qu e s applque qu aux dstrbutos ayat u coeffcet d asymétre élogé de 0. Le lecteur pourra trouver toute la théore et les champs d applcato de ces méthodes das l artcle de Partrat C., Pey N. et Schllg J. []. Tableau IV. Estmato des quatles de R par le Bootstrap et les méthodes alteratves sur la brache «Resposablté Cvle Géérale» Le tableau IV. dque que les dfféretes méthodes d estmato de quatles utlsées foursset des résultats assez proches, otammet pour les quatles à 50 et 75%. Toutefos, les quatles de l approxmato Normal Power semblet légèremet e dessous des autres et les derers quatles du Bootstrap ot tedace à s échapper vers le haut lassat présager quelques dérves sur la queue de dstrbuto. Ce problème de valeurs extrêmes est d alleurs vérfé par ue lecture graphque de l hstogramme de la dstrbuto 0

Analyse de régression

Analyse de régression Itroducto à la régresso Aalyse de régresso La régresso est utlsée pour estmer ue focto f( ) décrvat ue relato etre ue varable explquée cotue,, et ue ou pluseurs varables explcatves,. = f(,, 3,, )+ε Remarque

Plus en détail

Annexe 1. Estimation d un quantile non-paramétrique par la méthode de Hazen

Annexe 1. Estimation d un quantile non-paramétrique par la méthode de Hazen Aexe. Estmato d u quatle o-paramétrque par la méthode de Haze La probablté cumulée emprque d ue doée au se d u échatllo est pas u cocept parfatemet déf : pluseurs estmatos sot possbles ; l e est de même

Plus en détail

TD Techniques de prévision pour la Gestion de production

TD Techniques de prévision pour la Gestion de production Orgasato et gesto dustrelle Page / 6 TD Techques de prévso pour la Gesto de producto er Exercce Vetes d u rayo de jouraux das u supermarché Javer Févrer Mars Avrl Ma Ju Jullet Août Septembre Octobre Novembre

Plus en détail

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

Semestre : 4 Module : Méthodes Quantitatives III Elément : Mathématiques Financières Enseignant : Mme BENOMAR Semestre : 4 Module : Méthodes Quattatves III Elémet : Mathématques Facères Esegat : Mme BENOMAR Elémets du cours Itérêts smples, précompte, escompte et compte courat Itérêts composés Autés Amortssemets

Plus en détail

STATISTIQUES. La taille moyenne d un jeune enfant est donnée, en fonction de son âge (en mois), dans le tableau suivant :

STATISTIQUES. La taille moyenne d un jeune enfant est donnée, en fonction de son âge (en mois), dans le tableau suivant : STATISTIQUES Cours Termale ES O observe que, das certas cas, l semble ester u le etre deu caractères statstques quattatfs (deu varables) sur ue populato ; par eemple, etre le pods et la talle d u ouveau-é,

Plus en détail

Module 4 - Leçon 01 - Budget des ventes 1. Introduction - Recherche de la tendance générale

Module 4 - Leçon 01 - Budget des ventes 1. Introduction - Recherche de la tendance générale Cotrôle de gesto Budget des vetes Module 4 - Leço - Budget des vetes Itroducto - Recherche de la tedace géérale - Itroducto Le budget des vetes est le premer budget opératoel à établr. Il est cosdéré comme

Plus en détail

BTS C.G. 1996. B) Retour au problème concret: Le nombre d'appartements commercialisé est nécessairement un entier entre 2 et 20.

BTS C.G. 1996. B) Retour au problème concret: Le nombre d'appartements commercialisé est nécessairement un entier entre 2 et 20. BTS CG 996 Eercce : (0 pots) Ue agece mmoblère evsage de commercalser u programme de costructo d'appartemets Deu projets lu sot soums: Projet P : Le coût de producto de appartemets ( eter et 0 )est doé

Plus en détail

ANALYSE FACTORIELLE DES CORRESPONDANCES SIMPLES

ANALYSE FACTORIELLE DES CORRESPONDANCES SIMPLES ANALYSE DES DONNÉES TEST DU KHI-DEUX ANALYSE FACTORIELLE DES CORRESPONDANCES SIMPLES Perre-Lous Gozalez Mesure de la laso etre deux varables qualtatves Kh deux Equête : Êtes-vous «pas du tout d accord»

Plus en détail

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

II - Notions de probabilité. 19/10/2007 PHYS-F-301 G. Wilquet 1 II - Notos de probablté 9/0/007 PHYS-F-30 G. Wlquet Ue varable aléatore est ue varable dot la valeur e peut être prédte avec certtude mas dot la probablté d occurrece d ue valeur (varable dscrète) ou d

Plus en détail

Coefficient de partage

Coefficient de partage Coeffcet de partage E chme aque, la sythèse d'u composé se fat e pluseurs étapes : la réacto propremet dte (utlsat par exemple u motage à reflux quad la réacto dot être actvée thermquemet), les extractos

Plus en détail

Evaluation des méthodes d analyse appliquées aux sciences de la vie et de la santé. Statistique. Variables aléatoires

Evaluation des méthodes d analyse appliquées aux sciences de la vie et de la santé. Statistique. Variables aléatoires UE 4 Evaluato des méthodes d aalyse applquées au sceces de la ve et de la saté Statstque Varables aléatores Frédérc Mauy - 27 septembre et 3 octobre 2013 1 Pla du cours 1. Varable aléatore 1. Défto 2.

Plus en détail

SYSTEME FERME EN REACTION CHIMIQUE

SYSTEME FERME EN REACTION CHIMIQUE SYSTEME FERME EN REACTION CHIMIQUE I. DESCRIPTION D UN SYSTEME. Les dfférets types de système (ouvert, fermé, solé U système S est formé d u esemble de corps séparés du reste de l uvers (appelé mleu extéreur

Plus en détail

2013 LES DÉLAIS DE PAIEMENT. STATISTIQUES DE 2000 À 2012 EN NOMENCLATURE NAF rev. 2

2013 LES DÉLAIS DE PAIEMENT. STATISTIQUES DE 2000 À 2012 EN NOMENCLATURE NAF rev. 2 203 LES DÉLAIS DE PAIEMENT STATISTIQUES DE 2000 À 202 EN NOMENCLATURE NAF rev. 2 Javer 204 Itroducto Des séres statstques chroologques des délas de paemet et du solde du crédt teretreprses sot dspobles

Plus en détail

Apport de la technique de décomposition de domaine en réduction modale de branche

Apport de la technique de décomposition de domaine en réduction modale de branche Apport de la techque de décomposto de domae e réducto modale de brache Perre-Olver LAFFAY, Olver QUEMENER *, Etee VIDECOQ, Ala NEVEU Laboratore de Mécaque et d Eergétque d Evry (LMEE) 40, Rue du Pelvoux

Plus en détail

Calculs en chromatographie

Calculs en chromatographie Calculs e chroatographe éthode de la oralsato tere... 1 Coeffcet de répose assque relatf... 1 Calcul des pourcetages assques... 2 Calcul des pourcetages olares... 3 xeple d aalyse CG d ue substtuto copéttve

Plus en détail

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

CHAPITRE 6 : LE BIEN-ETRE. Durée : Objectif spécifique : Résumé : I. L agrégation des préférences. Cerner la notion de bien-être et sa mesure. TABLE DES MATIERES Durée...2 Objectf spécfque...2 Résumé...2 I. L agrégato des préféreces...2 I. Le système de vote à la majorté...2 I.2 Vote par classemet...3 I.3 Codtos de décso socale et théorème d

Plus en détail

1 ère partie : STATISTIQUE DESCRIPTIVE

1 ère partie : STATISTIQUE DESCRIPTIVE ère parte : STATISTIQUE DESCRIPTIVE CHAPITRE : COLLECTE DE L INFORMATION, TABLEAUX ET GRAPHIQUES. I. Défto et vocabulare Défto : la statstque est ue méthode scetfque qu cosste à réur des doées chffrées

Plus en détail

6GEI300 - Électronique I. Examen Partiel #1

6GEI300 - Électronique I. Examen Partiel #1 6GEI3 Électroque I Autome 27 Modalté: Aucue documetato est permse. Vous avez drot à ue calculatrce o programmable. La durée de l exame est de 3h Cet exame compte pour 2% de la ote fale. Questo 1. Questos

Plus en détail

La statistique et les statistiques

La statistique et les statistiques Psy004 Secto : La statstque et les statstques Pla du cours: 0.0: Beveue 0.: Les catégores du savor 0.: Survol de la psychologe 0.3: Le pla de cours 0.4: Les assstats.0: La physque: scece exacte?.: Scece

Plus en détail

ANALYSE DES ENQUETES CAS-TEMOINS. AVEC PRISE EN COMPTE DE FACTEURS DE CONFUSION (Séries non appariées) ad bc. , bc. 762, nmnm

ANALYSE DES ENQUETES CAS-TEMOINS. AVEC PRISE EN COMPTE DE FACTEURS DE CONFUSION (Séries non appariées) ad bc. , bc. 762, nmnm I. DEFINITION ANALYSE DES ENQUETES CAS-TEMOINS AVEC PRISE EN COMPTE DE FACTEURS DE CONFUSION (Séres o apparées) Dr F. Séguret Départemet d Iformato Médale, Épdémologe et Bostatstques U facteur F est ue

Plus en détail

AJUSTEMENT ANALYTIQUE RÉGRESSION - CORRÉLATION

AJUSTEMENT ANALYTIQUE RÉGRESSION - CORRÉLATION AJUSTEMENT ANALYTIQUE RÉGRESSION - CORRÉLATION. INTRODUCTION Il est fréquet de s'terroger sur la relato qu peut exster etre deux gradeurs e partculer das les problèmes de prévso et d estmato. Tros types

Plus en détail

Application de la théorie des valeurs extrêmes en assurance automobile

Application de la théorie des valeurs extrêmes en assurance automobile Applcato de la théore des valeurs extrêmes e assurace automoble Nouredde Belagha & Mchel Gru-Réhomme Uversté Pars 2, ERMES-UMR78-CNRS, 92 rue d Assas, 75006 Pars, Frace E-Mal: blour2002@yahoo.fr E-Mal:

Plus en détail

6. RADIERS 6.1. GÉNÉRALITÉS

6. RADIERS 6.1. GÉNÉRALITÉS 6. RADIERS 6.. GÉNÉRALITÉS U raer est ue alle plae, évetuellemet ervurée, costtuat l'esemble es foatos 'u bâtmet. Il s'éte sur toute la surface e l'ouvrage. Ce moe e foato est utlsé as eux cas : lorsque

Plus en détail

RECUEIL DES METHODES INTERNATIONALES D'ANALYSES OIV Guide de validation Contrôle qualité

RECUEIL DES METHODES INTERNATIONALES D'ANALYSES OIV Guide de validation Contrôle qualité Gude de valdato Cotrôle qualté Gude pratque pour la valdato, le cotrôle qualté, et l estmato de l certtude d ue méthode d aalyse œologque alteratve (Résoluto Oeo 10/005) Sommare 1. OBJET... 5. PREAMBULE

Plus en détail

DETERMINATION D UNE METHODE DE

DETERMINATION D UNE METHODE DE UNIVERITÉ PARI DAUPHINE Place du Maréchal de Lattre de Tassgy 75775 Pars CEDEX 6 MEMOIRE D ACTUARIAT - Promoto 8 - DETERMINATION D UNE METHODE DE PROVIIONNEMENT POUR LE CREANCE DOUTEUE Mots clés : Provso

Plus en détail

Analyse Statistique des Données de Lifetest

Analyse Statistique des Données de Lifetest Aalyse Statstque des Doées de Lfetest Evas Gouo Laboratore de Statstque Applquée de l Uversté de Bretage-Sud Pla Gééraltés Les modèles paramétrques Essas accélérés : modèle d accélérato Exemple Step-Stress

Plus en détail

APPRENTISSAGE ARTIFICIEL («Machine-Learning»)

APPRENTISSAGE ARTIFICIEL («Machine-Learning») APPRENTISSAGE ARTIFICIEL («Mache-Learg») Fabe Moutarde Cetre de Robotque (CAOR) MINES ParsTech (Ecole des Mes de Pars) Fabe.Moutarde@mes-parstech.fr http://perso.mes-parstech.fr/fabe.moutarde Appretssage

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

Analyse de survie. Michel Fioc. (Michel.Fioc@iap.fr, www2.iap.fr/users/fioc/enseignement/analyse_de_survie/)

Analyse de survie. Michel Fioc. (Michel.Fioc@iap.fr, www2.iap.fr/users/fioc/enseignement/analyse_de_survie/) École doctorale d astroome et d astrophysque d Île de Frace. I.A.P., févrer 2013 Post-master. Approche statstque bayésee par l exemple Aalyse de surve Mchel Foc (Mchel.Foc@ap.fr, www2.ap.fr/users/foc/esegemet/aalyse_de_surve/)

Plus en détail

Rappel (voir cours 1). On obtient l ampleur de chacune de ces dispersions par les sommes suivantes :

Rappel (voir cours 1). On obtient l ampleur de chacune de ces dispersions par les sommes suivantes : Master SV U7 COURS III - - Aalyse de varace (ANOVA I Patrc Coqullard I. ANOVA T RGRSSION MULTIPL I.. Rappels Ue régresso multple s accompage toujours d ue aalyse de varace ( ANalyse Of VArace = ANOVA.

Plus en détail

Améliorer la productivité

Améliorer la productivité Maurce Pllet Amélorer la productvté Déploemet dustrel du toléracemet ertel, 010 SBN : 978--1-54754- Sommare Remercemets... troducto De l terchageablté à Sx Sgma... 1 V CHAPTRE 1 Du toléracemet tradtoel

Plus en détail

Cours 8 : Analyse de variance à un facteur

Cours 8 : Analyse de variance à un facteur PSY 004 Techques d aalyses e sychologe Cours 8 : alyse de varace à u facteur Table des matères Secto. "U cou de dé jamas 'abolra le hasard"... Secto. Itroducto à l aalyse de varace NOV... Secto 3. Réartto

Plus en détail

Incertitudes expérimentales

Incertitudes expérimentales U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E 995 Icerttudes érmetales par Fraços-Xaver BALLY Lcée Le Corbuser - 93300 Aubervllers et Jea-Marc BERROIR École ormale supéreure

Plus en détail

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

Les sinistres graves en assurance automobile : Une nouvelle approche par la théorie des valeurs extrêmes Les sstres graves e assurace automoble : Ue ouvelle approche par la théore des valeurs extrêmes Nouredde Belagha (*, Mchel Gru-Réhomme (*, Olga Vasecho (** (* Uversté Pars 2, ERMES-UMR78-CNRS, 2 place

Plus en détail

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

COURS DE MATHEMATIQUE FINANCIERE A COURT ET LONG TERME Promotion : Première année de graduat P R O F E S REPUBLIQUE DEMOCRATIQUE DU CONGO ENSEIGNEMENT SUPEREIEUR ET UNIVERSITAIRE INSTITUT SUPERIEUR DE GESTION INFORMATIQUE DE GOMA /I.S.I.G-GOMA DEVELOPPEMENT ISIG M A T I O N COURS DE MATHEMATIQUE

Plus en détail

PHYSIQUE DES SEMICONDUCTEURS

PHYSIQUE DES SEMICONDUCTEURS MIISTERE DE L'ESEIGEMET SUPERIEURE ET DE LA REHERHE SIETIFIQUE UIERSITE DE BEHAR Départemet es Sceces Laboratore e Pysque es spostfs à semcoucteurs (L.P.D.S ttp://www.uv-becar.z/lps/ PHYSIQUE DES SEMIODUTEURS

Plus en détail

sont distincts 2 à 2.

sont distincts 2 à 2. Lycée Thers CORRIGÉ TP PYTHON - 09 L algorthme des k-meas pour partager u uage de pots e u ombre doé de classes peu dspersées 1 - La méthode de Forgy [Qu. 1] 1) Cette double somme comporte termes pusque

Plus en détail

Méthodologie statistique

Méthodologie statistique Méthodologe statstque 000 L'ECONOMETIE ET l'etude DES COMPOTEMENTS Présetato et mse e oeuvre de modèles de régresso qualtatfs Les modèles uvarés à résdus logstques ou ormaux LOGIT, POBIT Documet de traval

Plus en détail

" BIOSTATISTIQUE - 1 "

 BIOSTATISTIQUE - 1 ISTITUT SUPERIEUR DE L EDUCATIO ET DE LA FORMATIO COTIUE Départemet Bologe Géologe S0/ " BIOSTATISTIQUE - " Cours & Actvtés : Modher Abrougu Aée Uverstare - 008 Modher Abrougu Bostatstque «I» ISEFC - 008

Plus en détail

CHAPITRE I : LES SERIES STATISTIQUES A DEUX DIMENSIONS : DISTRIBUTIONS MARGINALES ET CONDITIONNELLES

CHAPITRE I : LES SERIES STATISTIQUES A DEUX DIMENSIONS : DISTRIBUTIONS MARGINALES ET CONDITIONNELLES CHAPITRE I : LES SERIES STATISTIQUES A DEU DIMESIOS : DISTRIBUTIOS MARGIALES ET CODITIOELLES CHAPITRE I : LES SERIES STATISTIQUES A DEU DIMESIOS : DISTRIBUTIOS MARGIALES ET CODITIOELLES Il est très courat

Plus en détail

ANALYSE DES CORRESPONDANCES SIMPLES

ANALYSE DES CORRESPONDANCES SIMPLES ANALYSE DES DONNÉES TEST DU KHI-DEUX ANALYSE DES CORRESPONDANCES SIMPLES Perre-Lous Gozalez MESURE DE LIAISON ENTRE DEUX VARIABLES QUALITATIVES KHI-DEUX Mesure de la laso etre deux varables qualtatves

Plus en détail

FD5-10-15 Solutions D Acquisition de données Module d acquisition de données

FD5-10-15 Solutions D Acquisition de données Module d acquisition de données Module d acqusto de doées De 5 à 15 etrées aalogques sychrosées dfféretelles uverselles Logcel d'explotato embarqué Serveur Web Jusqu'à 400 échatllos par secode par voe Voes de calcul et de tratemet Stockage

Plus en détail

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

OBLIGATION DU SECTEUR PRIVE : EVALUATION ET OUTIL DE GESTION DU RISQUE DE TAUX D INTERET Jea-Claude AUGROS Professeur à l Uversté Claude Berard LYON I et à l Isttut de Scece Facère et d Assuraces ISFA Mchel QUERUEL Docteur e Gesto Igéeur de Marché Socété de Bourse AUREL Résumé : Cet artcle

Plus en détail

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

Mathématiques Financières : l essentiel Les 10 formules incontournables (Fin de période) A-PDF OFFICE TO PDF DEMO: Purchase from www.a-pdf.com to remove the watermark Mathématques Facères : l essetel Les formules cotourables (F de érode) htt://www.ecogesam.ac-a-marselle.fr/esed/gesto/mathf/mathf.html#e5aels

Plus en détail

GESTION COOPÉRATIVE DE STOCKS DE PRODUITS FINIS DANS UN RESEAU DE DISTRIBUTION

GESTION COOPÉRATIVE DE STOCKS DE PRODUITS FINIS DANS UN RESEAU DE DISTRIBUTION GESTION COOPÉRATIVE DE STOCKS DE PRODUITS FINIS DANS UN RESEAU DE DISTRIBUTION Lama Trqu, Jea-Claude Heet To cte ths verso: Lama Trqu, Jea-Claude Heet. GESTION COOPÉRATIVE DE STOCKS DE PRO- DUITS FINIS

Plus en détail

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

Conception d un outil décisionnel pour la gestion de la relation client dans un site de e-commerce SETIT 2005 3 RD INTERNATIONAL CONFERENCE: SCIENCES OF ELECTRONIC, TECHNOLOGIES OF INFORMATION AND TELECOMMUNICATIONS MARCH 27-3, 2005 TUNISIA Cocepto d u outl décsoel pour la gesto de la relato clet das

Plus en détail

GIN FA 4 02 01 INSTRUMENTATION P Breuil

GIN FA 4 02 01 INSTRUMENTATION P Breuil GIN FA 4 0 0 INSTRUMENTATION P Breul OBJECTIFS : coatre les bases des statstques de la mesure af de pouvor d ue part compredre les spécfcatos d u composat et d autre part évaluer avec rgueur les performaces

Plus en détail

THESE. présentée devant. l UNIVERSITE D EVRY VAL D ESSONNE. en vue de l obtention du DOCTORAT DE L UNIVERSITE D EVRY. Spécialité : Robotique.

THESE. présentée devant. l UNIVERSITE D EVRY VAL D ESSONNE. en vue de l obtention du DOCTORAT DE L UNIVERSITE D EVRY. Spécialité : Robotique. THESE présetée devat l UNIVERSITE D EVRY VAL D ESSONNE e vue de l obteto du DOCTORAT DE L UNIVERSITE D EVRY Spécalté : Robotque Par Omar AÏT-AIDER Localsato référecée modèle d'u robot moble d'téreur Le

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

Pricing Avancé pour Exotiques FINKEYS FRANCE

Pricing Avancé pour Exotiques FINKEYS FRANCE Prcg Avacé pour Exotques Esegat Phlppe DUCHEMIN, Cosultat Formateur. www.fkeys.com (accès au cours) Cosultat : «Product Cotrol» CNP, chox d u outl Frot to Compta SOCIETE GENERAL SGCIB - Product Cotrol

Plus en détail

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

Conception d un outil décisionnel pour la gestion de la relation client dans un site de e-commerce Cocepto d u outl décsoel pour la gesto de la relato clet das u ste de e-commerce Nazh SELMOUNE *, Sada BOUKHEDOUMA * ad Zaa ALIMAZIGHI * * Laboratore des Systèmes Iformatques(LSI )- USTHB - ALGER selmoue@wssal.dz

Plus en détail

Du traitement de l information visuelle à la planification de trajectoires : Application à la robotique mobile d assistance.

Du traitement de l information visuelle à la planification de trajectoires : Application à la robotique mobile d assistance. Du tratemet de l formato vsuelle à la plafcato de trajectores : Applcato à la robotque moble d assstace. Mohamed Mocef Be Khelfa, Moez Bouchoucha Docteurs e Sceces et echologe Idustrelles, Postdocs au

Plus en détail

Programmation. linéaire avecexcel. Christian Prins - Marc Sevaux. Groupe Eyrolles, 2011, ISBN : 978-2-212-12659-4

Programmation. linéaire avecexcel. Christian Prins - Marc Sevaux. Groupe Eyrolles, 2011, ISBN : 978-2-212-12659-4 Programmato léare avecexcel Chrsta Prs - Marc Sevaux Groupe Eyrolles, 20, ISBN : 978-2-22-2659-4 CHAPITRE 3 Emplos du temps et gesto de persoel 3. Itroducto La gesto du persoel est u élémet sesble de la

Plus en détail

Espaces vectoriels normés

Espaces vectoriels normés Espaces vectorels ormés Marc SAGE 13 avrl 006 Table des matères 1 Sommes de fermés et d ouverts U sev strct est d téreur vde 3 U crtère de cotuté pour les formes léares 3 4 Dstace à u fermé 3 5 Covergece

Plus en détail

PROCESSUS DES RESTAURANTS CHINOIS ET LOI D EWENS

PROCESSUS DES RESTAURANTS CHINOIS ET LOI D EWENS PROCESSUS DES RESTAURANTS CHINOIS ET LOI D EWENS DJALIL CHAFAÏ, YAN DOUMERC, ET FLORENT MALRIEU Résumé. O étude ue sute aléatore à valeurs das les permutatos d esembles fs, appelée processus des restaurats

Plus en détail

ÉTUDE DE MÉTHODES D ANALYSE SPATIALE ET ILLUSTRATION À L AIDE DE MICRODONNÉES URBAINES DE LA GRANDE RÉGION DE MONTRÉAL

ÉTUDE DE MÉTHODES D ANALYSE SPATIALE ET ILLUSTRATION À L AIDE DE MICRODONNÉES URBAINES DE LA GRANDE RÉGION DE MONTRÉAL les Cahers Scetfques du Trasport N 49/006 - Pages 77-0 Cathere Morecy Étude de méthodes d aalyse spatale et llustrato à l ade de mcrodoées urbaes de la Grade Régo de Motréal JEL : C8 ÉTUDE DE MÉTHODES

Plus en détail

REPUBLIUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE MINISTAIRE DES ETUDES SUPERIEURS ET DES RECHERCHES SCIENTIFIQUES

REPUBLIUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE MINISTAIRE DES ETUDES SUPERIEURS ET DES RECHERCHES SCIENTIFIQUES REPUBLIUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE MINISTAIRE DES ETUDES SUPERIEURS ET DES RECHERCHES SCIENTIFIQUES UNIVERSITE ABOU BAKR BELKAID TLEMCEN FACULTE DE TECHNOLOGIE DEPARTEMENT DE GENIE ELECTRIQUE

Plus en détail

Ressources pour le lycée général et technologique

Ressources pour le lycée général et technologique éduscol Ressources pour le lycée gééral et techologque Ressources pour le cycle termal gééral et techologque Mesure et certtudes Ces documets peuvet être utlsés et modés lbremet das le cadre des actvtés

Plus en détail

Pauvreté multidimensionnelle des enfants et des ménages Analyse appliquée à la République Centrafricaine

Pauvreté multidimensionnelle des enfants et des ménages Analyse appliquée à la République Centrafricaine PMMA Network Sesso Paper Pauvreté multdmesoelle des efats et des méages Aalyse applquée à la Républque Cetrafrcae Serge Matchdé Naretoudjou Tt Vaha Steve Apété-Matogo Eugèe Zabolo A paper preseted durg

Plus en détail

Corrélation et régression linéaire

Corrélation et régression linéaire Corrélaton et régresson lnéare 1. Concept de corrélaton. Analyse de régresson lnéare 3. Dfférences entre valeurs prédtes et observées d une varable 1. Concept de corrélaton L objectf est d analyser un

Plus en détail

Universe Ratio Jean-François BOULIER Romain VERDIER Abstract

Universe Ratio Jean-François BOULIER Romain VERDIER Abstract Uverse Rato B Jea-Fraços BOULIER Head of Euro Fxed Icome ad Credts Crédt Agrcole Asset Maagemet 90 boulevard asteur 75730 ars cedex 5 Jea-fracos.bouler@ca-assetmaagemet.fr Roma VERDIER Egeer - EDF, place

Plus en détail

Calculs financiers. Auteur : Philippe GILLET

Calculs financiers. Auteur : Philippe GILLET Clculs fcers Auteur : Phlppe GILLET Le tux d térêt Pour l empruteur qu e dspose ps des fods écessres, l représete le prx à pyer pour ue cosommto mmédte. Pour le prêteur, l représete le prx ecssé pour l

Plus en détail

Calcul des pertes du distributeur

Calcul des pertes du distributeur Clcul des pertes du dstrbuteur Jver 007 Clcul des pertes du dstrbuteur Tros étpes : Clcul des pertes techques pr tpe d ouvrge Modélsto des pertes o techques (PNT) Modélsto d ue courbe de tpe P²+bP+c ou

Plus en détail

La classification de données quantitatives avec SPAD

La classification de données quantitatives avec SPAD La classificatio de doées quatitatives avec SPAD SPAD effectue toujours ue ACP de la matrice des doées quatitatives X " p avat de faire la classificatio des idividus. Les méthodes de classificatio s appliquet

Plus en détail

Chapitre III. Gaz parfaits

Chapitre III. Gaz parfaits Chatre III Gaz arfats IIIA : Déftos rorétés IIIAI : Gééraltés : U gaz arfat est u flude déal qu satsfat à l équato d état vr, ou ecore c est u gaz qu obét rgoureusemet aux tros los MARIOE, GAY LUSSAC et

Plus en détail

CHAPITRE III PROBABILITES

CHAPITRE III PROBABILITES HAPITRE III PROBABILITES I re B math I chatre III Probabltés Table des matères OURS A) Aalyse combatore ) Les trages au sort ) Trages avec ordre et avec réétto. 3 3) Trages avec ordre et sas réétto. 4

Plus en détail

Mémoire présenté devant l Institut de Science Financière et d Assurances le 16 mai 2001 pour l obtention du diplôme d Actuaire de Lyon

Mémoire présenté devant l Institut de Science Financière et d Assurances le 16 mai 2001 pour l obtention du diplôme d Actuaire de Lyon Uversté Claude Berard Lyo INSTITUT DE SCIENCE FINANCIERE ET D'ASSURANCES Mémore préseté devat l Isttut de Scece Facère et d Assuraces le 6 ma 200 pour l obteto du dplôme d Actuare de Lyo Par : Mlle Auréle

Plus en détail

Combinaison de dires d'experts en élicitation de lois a priori. pour Listeria chez la souris. Exposé AppliBugs

Combinaison de dires d'experts en élicitation de lois a priori. pour Listeria chez la souris. Exposé AppliBugs Combnason de dres d'experts en élctaton de los a pror. Applcaton à un modèle doseréponse pour Lstera chez la sours. Exposé ApplBugs ISABELLE ALBERT 8 / / 03 INTRODUCTION Cet exposé présente une parte du

Plus en détail

9 ème Cogrès Fraças de écaque arselle, 4-8 août 009 Evaluato des certtudes de mesure sur ue mache à mesurer trdmesoelle: Nouvelle méthode d estmato des paramètres de surface et certtudes assocées.jlid

Plus en détail

Développement d un appareil permettant de prédire la maturité du raisin par spectroscopie proche infra-rouge. (PIR)

Développement d un appareil permettant de prédire la maturité du raisin par spectroscopie proche infra-rouge. (PIR) Mauscrt auteur, publé das "Revue fraçase d'oeologe, 240 (2010) p. 2 - p. 8" Author-produced verso of the artcle publshed "Revue Fraçase d'oeologe", 2010, 240, 2-8. Développemet d u apparel permettat de

Plus en détail

BUREAU D'APPLICATION DES METHODES STATISTIQUES ET INFORMATIQUES

BUREAU D'APPLICATION DES METHODES STATISTIQUES ET INFORMATIQUES BUREAU D'APPLICATION DES METHODES STATISTIQUES ET INFORMATIQUES DT 3/2006 Pauvreté multdmesoelle au Cogo : ue approche o moétare Samuel AMBAPOUR BAMSI BAMSI B.P. 3734 Brazzavlle DT 3/2006 Pauvreté multdmesoelle

Plus en détail

Modélisations du risque en assurance automobile. Michel Grun-Rehomme Université Paris 2 et Ensae Email: grun@ensae.fr

Modélisations du risque en assurance automobile. Michel Grun-Rehomme Université Paris 2 et Ensae Email: grun@ensae.fr Modélsatons du rsque en assurance automoble Mchel Grun-Rehomme Unversté Pars 2 et Ensae Emal: grun@ensae.fr 1 Modélsatons du rsque en assurance automoble La snstralté est mesurée en terme de fréquence

Plus en détail

Exercices d algorithmique

Exercices d algorithmique Exercces d algorthmque Les algorthmes proposés ne sont pas classés par ordre de dffculté Nombres Ecrre un algorthme qu renvoe la somme des nombre entre 0 et n passé en paramètre Ecrre un algorthme qu renvoe

Plus en détail

Proposition d'une solution au problème d initialisation cas du K-means

Proposition d'une solution au problème d initialisation cas du K-means Proposton d'une soluton au problème d ntalsaton cas du K-means Z.Guelll et L.Zaou, Unversté des scences et de la technologe d Oran MB, Unversté Mohamed Boudaf USTO -BP 505 El Mnaouer -ORAN - Algére g.zouaou@gmal.com,

Plus en détail

Code_Aster Titre : Parallélisme et décomposition de domaines : Méthod[...] Responsable : Olivier BOITEAU

Code_Aster Titre : Parallélisme et décomposition de domaines : Méthod[...] Responsable : Olivier BOITEAU Orgasme(s) : Date : 8/4/29 Page : 1/71 EDF/SINEICS Mauel de Référece Fasccule R6 : Solveurs Documet : R6.1.3 Décomposto de Domae et parallélsme : la méthode FEI Résumé Das le cadre des smulatos thermo-mécaques

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours Exo7 Logique, esembles et applicatios Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I :

Plus en détail

Corrigés TD Chapitre 2 : Variables aléatoires sur un univers fini 0 0 0 1/6 0 0 1 0 1/4 0 1/4 0 4 1/6 0 0 0 1/6

Corrigés TD Chapitre 2 : Variables aléatoires sur un univers fini 0 0 0 1/6 0 0 1 0 1/4 0 1/4 0 4 1/6 0 0 0 1/6 Corrigés TD Chapitre : Variables aléatoires sur u uivers fii Exercice : Soit X la VAR défiie par le tableau suivat : x i - - 0 p 6 4 6 4 6 i O ote Y = X ) Détermier la loi cooite de X et Y ) Détermier

Plus en détail

Manuel. Servovariateurs multi-axes MOVIAXIS Fonctions technologique

Manuel. Servovariateurs multi-axes MOVIAXIS Fonctions technologique Systèmes d etraîemet \ Systèmes d automatsato \ Itégrato de systèmes \ Servces Mauel Servovarateurs mult-axes MOVIAXIS Foctos techologque Verso 11/2009 11667427 / FR SEW-EURODRIVE Drvg the world Sommare

Plus en détail

Remboursement d un emprunt par annuités constantes

Remboursement d un emprunt par annuités constantes Sére STG Journées de formaton Janver 2006 Remboursement d un emprunt par annutés constantes Le prncpe Utlsaton du tableur Un emprunteur s adresse à un prêteur pour obtenr une somme d argent (la dette)

Plus en détail

Mesure avec une règle

Mesure avec une règle Mesure avec une règle par Matheu ROUAUD Professeur de Scences Physques en prépa, Dplômé en Physque Théorque. Lycée Alan-Fourner 8000 Bourges ecrre@ncerttudes.fr RÉSUMÉ La mesure d'une grandeur par un système

Plus en détail

Estimations et intervalles de confiance

Estimations et intervalles de confiance Estimatios et itervalles de cofiace Estimatios et itervalles de cofiace Résumé Cette vigette itroduit la otio d estimateur et ses propriétés : covergece, biais, erreur quadratique, avat d aborder l estimatio

Plus en détail

Note méthodologique. Traitements hebdomadaires Quiestlemoinscher.com. Quelle méthode de collecte de prix? Qui a collecté les prix?

Note méthodologique. Traitements hebdomadaires Quiestlemoinscher.com. Quelle méthode de collecte de prix? Qui a collecté les prix? Note méthodologque Tratements hebdomadares Questlemonscher.com Quelle méthode de collecte de prx? Les éléments méthodologques ont été défns par le cabnet FaE onsel, socété d études et d analyses statstques

Plus en détail

Les emprunts indivis. Auteur : Philippe GILLET

Les emprunts indivis. Auteur : Philippe GILLET Les emruts dvs Auteur : Phle GILLET Emrut dvs et emrut oblgatare Emrut dvs Emrut oblgatare Souscrt ar ue ou luseurs baques Pluseurs souscrteurs Dvsé e arts : oblgatos Oblgatos cotées Grad ombre de souscrteurs

Plus en détail

Solution : 1. Soit y = α + βt, l équation de la droite considérée. Le problème de régression linéaire s écrit. i=1 2(α + βt i b i )t i

Solution : 1. Soit y = α + βt, l équation de la droite considérée. Le problème de régression linéaire s écrit. i=1 2(α + βt i b i )t i Exercces avec corrgé succnct du chaptre 3 (Remarque : les références ne sont pas gérées dans ce document, par contre les quelques?? qu apparassent dans ce texte sont ben défns dans la verson écran complète

Plus en détail

Chaîne de Markov - Télétrafic - Files d'attente

Chaîne de Markov - Télétrafic - Files d'attente ITRODUCTIO UX TLCOMMUICTIOS Chaîe de Marov - Télétrafc - Fles d'attete Verso 5 Mchel Terré lectroque L terre@camfr lectroque B ITRODUCTIO UX TLCOMMUICTIOS Raels de robablté Le dmesoemet d'u réseau de Télécommucatos

Plus en détail

Contrats prévoyance des TNS : Clarifier les règles pour sécuriser les prestations

Contrats prévoyance des TNS : Clarifier les règles pour sécuriser les prestations Contrats prévoyance des TNS : Clarfer les règles pour sécurser les prestatons Résumé de notre proposton : A - Amélorer l nformaton des souscrpteurs B Prévor plus de souplesse dans l apprécaton des revenus

Plus en détail

Les jeunes économistes

Les jeunes économistes Chaptre1 : les ntérêts smples 1. défnton et calcul pratque : Défnton : Dans le cas de l ntérêt smple, le captal reste nvarable pendant toute la durée du prêt. L emprunteur dot verser, à la fn de chaque

Plus en détail

Enseignement à l Université, perspective institutionnelle et contrat didactique. Le cas de la dualité en algèbre linéaire

Enseignement à l Université, perspective institutionnelle et contrat didactique. Le cas de la dualité en algèbre linéaire FACULTES UNIVERSITAIRES NOTRE-DAME DE LA PAIX FACULTE DES SCIENCES DEPARTEMENT DE MATHEMATIQUE Esegemet à l Uversté, perspectve sttutoelle et cotrat ddactque. Le cas de la dualté e algèbre léare ANNEXES

Plus en détail

10.1 Inférence dans la régression linéaire

10.1 Inférence dans la régression linéaire 0. Inférence dans la régresson lnéare La régresson lnéare tente de modeler le rapport entre deux varables en adaptant une équaton lnéare avec des données observées. Chaque valeur de la varable ndépendante

Plus en détail

f(t) g(t)dt f²(t)dt g²(t) dt a a a

f(t) g(t)dt f²(t)dt g²(t) dt a a a PCSI Chatre 4 : Produts scalares-résumé Das ce chatre E est u -ev. Produts scalares. Défto et exemles de référeces Def: O aelle rodut scalare sur E toute alcato de E² das est bléare. est symétrque: x,ye,

Plus en détail

MATHÉMATIQUES Corrigé

MATHÉMATIQUES Corrigé Exame de ovembre 009 Exame du premier trimestre Le 30 ovembre 009 Classes de ère STG Durée 3 heures MATHÉMATIQUES Corrigé Note aux cadidats L emploi des calculatrices est autorisé (circulaire 99 86 du

Plus en détail

Cours d Electrostatique-Electrocinétique

Cours d Electrostatique-Electrocinétique Uversté Joseph Fourer DEUG SMa Cours d Electrostatque-Electrocétque Joatha Ferrera Aée uverstare - Pla du cours I- Le champ électrostatque. Notos géérales a. Phéomèes électrostatques b. Structure de la

Plus en détail

Pour ce problème, une analyse est proposée à l adresse : http://www.ac-amiens.fr/pedagogie/maths/new/ue2007/synthese_atelier_annette_alain.

Pour ce problème, une analyse est proposée à l adresse : http://www.ac-amiens.fr/pedagogie/maths/new/ue2007/synthese_atelier_annette_alain. Pour ce problème, une analyse est proposée à l adresse : http://www.ac-amens.fr/pedagoge/maths/new/ue2007/synthese_ateler_annette_alan.pdf 1 La règle du jeu Un drecteur de casno se propose d nstaller le

Plus en détail

Chapitre 4 Lois discrètes

Chapitre 4 Lois discrètes Chapitre 4 Lois discrètes 1. Loi de Beroulli Ue variable aléatoire X est ue variable de Beroulli si elle e pred que les valeurs 0 et 1 avec des probabilités o ulles. P(X = 1) = p, P(X = 0) = 1 p = q, avec

Plus en détail

Test de validité et d'hypothèse

Test de validité et d'hypothèse Test de validité et d'hypothèse 1 Vocabulaire Problème: Il s'agit à partir de l'étude d'u ou plusieurs échatillos de predre des décisios cocerat l'esemble de la populatio. O est alors ameé à émettre des

Plus en détail

ZONAGE DU BRESIL A PARTIR D UNE SERIE TEMPORELLE D IMAGES MODIS

ZONAGE DU BRESIL A PARTIR D UNE SERIE TEMPORELLE D IMAGES MODIS Evroemet et géomatque : approches comparées Frace-Brésl. Rees, 2-5 ovembre 204 ZONAGE DU BRESIL A PARTIR D UNE SERIE TEMPORELLE D IMAGES MODIS JOLIVOT A. (), BEGUE A. (), BISQUERT M. (2), TONNEAU JP. (),

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

Modes propres de vibration ; interprétation ondulatoire

Modes propres de vibration ; interprétation ondulatoire SPECIALITE TS ( PHYSIQUE ) : FICHE CURS 6 1/5 MDES PRPRES DE IBRATI Ce qu'il faut reteir Modes propres de vibratio ; iterprétatio odulatoire 1. Productio d u so à l aide d u istrumet de musique U istrumet

Plus en détail

Chapitre 5. Menu de SUPPORT

Chapitre 5. Menu de SUPPORT 155 Chaptre 5. Menu de SUPPORT Ce que vous apprendrez dans ce chaptre Ce chaptre vous présentera des routnes supplémentares susceptbles de vous ader dans les analyses de données présentées dans le chaptre

Plus en détail

Correction HEC III 2007

Correction HEC III 2007 HEC III 7 Voie Écoomique Correctio Page Correctio HEC III 7 Voie écoomique La correctio comporte 9 pages. Eercice. Par dé itio est ue valeur propre de t si et seulemet si est ue valeur propre de T: Et

Plus en détail