Processus de Poisson Modèles probabilistes et stochastiques de la gestion. Geneviève Gauthier. Automne HEC Montréal.
|
|
- Renée Giroux
- il y a 8 ans
- Total affichages :
Transcription
1 Processus de Poisson Modèles probabilistes et stochastiques de la gestion Geneviève Gauthier HEC Montréal Automne
2 Références Ce texte a été librement inspiré de notes prises au cours de Denis Labelle, professeur au département de mathématique de l Université du Québec à Montréal, des chapitres 4 et 5 de A First Course in Stochastic Processes, deuxième édition de S. Karlin et H. M. Taylor ainsi que des notes de cours écrites par Jean Vaillancourt. 2
3 I Imaginons que des événements se produisent à divers moments ponctuels dans le temps [0, ). Pour tout nombre réel t > 0, nous dé nissons N (t) = le nombre d événements qui se sont produits au cours de la période de temps (0, t]. 3
4 De nition II Le processus stochastique à temps continu fn (t) : t 2 [0, )g est un processus de Poisson d intensité λ (λ > 0) si les trois conditions suivantes sont satisfaites. (PP1) Pour tout choix de nombres réels 0 t 1 < t 2 <... < t n, les s aléatoires N (t 2 ) N (t 1 ), N (t 3 ) N (t 2 ),..., N (t n ) N (t n 1 ) sont mutuellement indépendantes, c est-à-dire qu elles le sont deux à deux, trois à trois, quatre à quatre,... Autrement dit, les nombres d événements qui surviennent dans des intervalles de temps disjoints sont indépendants. Lorsqu un processus stochastique satisfait la condition (PP1), il est dit à accroissements indépendants. 4
5 III (PP2) Pour tous nombres réels positifs t et h, le nombre N (t + h) N (t) d événements qui se produisent pendant l intervalle de temps (t, t + h] est insensible à la valeur de t et ne dépend que de la longueur de l intervalle h. Dans ce cas, le processus stochastique N est dit stationnaire. 5
6 IV (PP3) P [N (t + h) N (t) 2] = o (h) et P [N (t + h) N (t) 1] = λh + o (h). où o(h) désigne une fonction petit ordre de h. C est-à-dire qui tend vers 0 in niment plus rapidement que h : une fonction f (h) est o(h) si f (h) lim = 0. h!0 h Par exemple, la fonction h 2 est petit ordre de h tandis que la fonction p h ne l est pas. La condition (PP3) signi e que si la longueur h de l intervalle de temps sur lequel nous dénombrons les événements est petite, la probabilité d observer plus d un événement est quasiment nulle. 6
7 V N(t) ,55 1,1 Trajectoire d'un processus de Poisson d'intensité lambda 1,65 2,2 2,75 3,3 3,84 4,39 4,94 5,49 6,04 6,59 7,14 temps 7,69 8,24 8,79 9,34 9,89 10, ,5 12,1 12,6 13,2 N(t) ,58 1,17 Trajectoire d'un processus de Poisson d'intensité lambda 1,75 2,34 2,92 3,51 4,09 4,68 5,26 5,84 6,43 7,01 7,6 temps 8,18 8,77 9,35 9,94 10,5 11,1 11,7 12,3 12,9 13,4 14 Note : lors de ces simulations, nous avons utilisé une intensité λ = 1. 7
8 VI Puisque nous débutons l observation du processus au temps t = 0, N(0) = 0, c est-à-dire que nous n avons dénombré aucun événement. 8
9 VII La condition (PP3) implique que P [N (t + h) N (t) = 0] = 1 P [N (t + h) {z N (t) 1] } =λh+o(h) = 1 λh + o (h) P [N (t + h) N (t) = 1] = P [N (t + h) N (t) 1] {z } =λh+o(h) = λh + o (h). P [N (t + h) N (t) 2] {z } o(h) 9
10 Distribution de N(t) I Theorem Pour tout nombre réel t > 0, la aléatoire N (t) est de loi de Poisson de paramètre λt, c est-à-dire que pour tout entier n non négatif, P [N (t) = n] = e λt (λt) n. n! 10
11 Distribution de N(t) II Preuve du théorème. Dans un premier temps, nous supposerons que n = 0. Puisque les s aléatoires N (t + h) N(t) et N(t) N(0) sont indépendantes, P [N (t + h) = 0] = P [N(t) N(0) = 0 et N (t + h) N(t) = 0] = P [N(t) N(0) = 0] P [N (t + h) N(t) = 0] = P [N(t) = 0] (1 λh + o (h)) ce qui implique que P [N (t + h) = 0] P [N(t) = 0] = P [N(t) = 0] ( λh + o (h)). 11
12 Distribution de N(t) III En divisant par h de part et d autre de l égalité, il vient P [N (t + h) = 0] P [N(t) = 0] h = P [N(t) = 0] ( λh + o (h)). h En prenant la limite lorsque h tend vers 0 de part et d autre de l égalité, nous obtenons d P [N(t) = 0] = λp [N(t) = 0]. dt Puisque P [N(0) = 0] = 1, alors la solution de cette équation di érentielle est P [N(t) = 0] = e λt. (1) 12
13 Distribution de N(t) IV En e et, lors de la résolution d une équation di érentielle, l inconnue est une fonction. Dans notre cas, nous cherchons une fonction g (t) qui satisfait l équation dg dt (t) = λg (t). Or, il est possible de montrer que g (t) = ce λt où c représente n importe quel nombre réel: dg dt (t) = d dt ce λt = λce λt = λg (t). 13
14 Distribution de N(t) V Nous avons tout de même une information supplémentaire: nous savons que g (0) = 1. Cette condition à la frontière implique que 1 = g (0) = ce λ0 = c C est pourquoi g (t) = e λt. 14
15 Maintenant, pour tout entier positif n, = P [N (t + h) = n] n k=0 Distribution de N(t) VI P [N(t) N(0) = n k et N (t + h) N(t) = k] = n P [N(t) = n k] P [N (t + h) N(t) = k] k=0 = P [N(t) = n] P [N (t + h) N(t) = 0] +P [N(t) = n 1] P [N (t + h) N(t) = 1] n + k=2 = P [N(t) = n] (1 λh + o (h)) P [N(t) = n k] P [N (t + h) N(t) = k] +P [N(t) = n 1] (λh + o (h)) + n k=2 P [N(t) = n k] o (h) 15
16 Nous venons d établir que Distribution de N(t) VII P [N (t + h) = n] = P [N(t) = n] (1 λh + o (h)) +P [N(t) = n 1] (λh + o (h)) + n k=2 P [N(t) = n k] o (h) d où P [N (t + h) = n] P [N(t) = n] = P [N(t) = n] ( λh + o (h)) +P [N(t) = n 1] (λh + o (h)) + n k=2 P [N(t) = n k] o (h). 16
17 Distribution de N(t) VIII Divisons par h de part et d autre de l égalité : P [N (t + h) = n] P [N(t) = n] h ( λh + o (h)) = P [N(t) = n] h (λh + o (h)) +P [N(t) = n 1] h + n k=2 P [N(t) = n k] o (h) h. 17
18 Distribution de N(t) IX En prenant la limite lorsque h tend vers 0, nous obtenons pour tout n = 1, 2, 3,... d P [N(t) = n] = λ (P [N(t) = n 1] P [N(t) = n]). (2) dt Il nous faut maintenant solutionner ce système d équations di érentielles. 18
19 Posons Distribution de N(t) X f n (t) = e λt P [N(t) = n]. (3) Il est bon de remarquer qu il découle de l équation (1) P [N(t) = 0] = e λt que f 0 (t) = e λt P [N(t) = 0] = e λt e λt et que pour tout entier positif n, = 1 (4) f n (0) = e λ0 P [N(0) = n] = P [N(0) = n] = 0. (5) 19
20 Distribution de N(t) XI Ainsi, utilisant le système d équations di érentielles (2) d P [N(t) = n] = λ (P [N(t) = n 1] P [N(t) = n]). dt et la dé nition (3) f n (t) = e λt P [N(t) = n], nous pouvons écrire, pour tout entier n > 0, d dt f n (t) = λe λt P [N(t) = n] + e λt d P [N(t) = n] dt = λe λt P [N(t) = n] + e λt λ (P [N(t) = n 1] P [N(t) = n]) = λe λt P [N(t) = n 1] = λf n 1 (t). 20
21 Rappel: nous venons d établir que ce qui est équivalent à Distribution de N(t) XII d dt f n (t) = λf n 1 (t). Z t f n (t) = f n (0) + λ f n 0 Z t = λ f n 1 (s) ds 0 1 (s) ds où la dernière égalité provient de la condition de frontières (5) f n (0) = 0. 21
22 Rappel: Distribution de N(t) XIII Z t f n (t) = λ f n 0 En ajoutant la condition (4) f 0 (t) = 1, 1 (s) ds nous obtenons successivement f 0 (t) = 1, f 1 (t) = λ f 2 (t) = λ f 3 (t) = λ Z t 0 Z t 0 Z t 0 Z t f 0 (s) ds = λ f 1 (s) ds = λ f 2 (s) ds = λ 0 Z t 0 Z t 0 1ds = λt, λsds = λ 2 t 2 2, λ 2 s 2 λ3 t ds = ,... 22
23 Distribution de N(t) XIV Nous pouvons montrer par induction que, pour tout entier non négatif n, f n (t) = (λt)n. (6) n! En e et, lorsque n = 0 nous avons déjà établi que f 0 (t) = 1. 23
24 Distribution de N(t) XV Supposons que l égalité (6) est véri ée pour un certain entier n non négatif et démontrons alors, elle l est aussi pour l entier n + 1 suivant. Z t f n+1 (t) = λ = λ 0 Z t 0 = λn+1 n! = (λt)n+1 (n + 1)! f n (s) ds (λs) n ds par hypothèse d induction n! t n+1 n + 1 ce qui termine la démonstration de l équation (6). 24
25 Distribution de N(t) XVI Par conséquent, comme f n (t) = e λt P [N(t) = n] alors P [N(t) = n] = e λt f n (t) = e λt (λt) n. n! 25
26 I Theorem Le temps entre deux événements successifs suit une loi exponentielle d espérance 1 λ, c est-à-dire que si T 0 = 0 et pour tout n 2 f1, 2,...g, T n = l instant auquel se produit le n ième événement, alors pour tout entier positif n et pour tout nombre réel positif t, P [T n T n 1 t] = 1 e λt. 26
27 II Preuve du théorème. Soit X, le temps avant que le premier événement survienne. Pour tout nombre réel positif x, P [X x] = 1 P [X > x] = 1 P [N (x) = 0] = 1 e λx. 27
28 III Plus généralement, P [T n T n 1 t] = 1 P [T n T n 1 > t] = 1 P [N (T n 1 + t) N (T n 1 ) = 0] = 1 P [N (t) = 0] par (PP2) = 1 e λt. 28
29 I Les admissions à l urgence d un hôpital se font selon un processus de Poisson (ici, l événement est l arrivée d un patient). Nous savons qu en moyenne un patient se présente l urgence à toutes les 12 minutes. Modélisons cette situation : nous commençons l observation du processus disons au début du quart de travail de 7 heures du matin, aujourd hui. Le temps sera exprimé en heures. N (t) = le nombre de patients s étant présentés à l urgence au temps t depuis le moment où nous avons commencé l observation du processus. 29
30 II Question. Quelle est l intensité du processus de Poisson impliqué dans la modélisation? 30
31 III Réponse. Si, en moyenne, il y a une arrivée de patient toutes les douze minutes, alors il y a, en moyenne, cinq arrivées par heure, c est-à-dire cinq arrivées par unité de temps. Par conséquent, l intensité est λ = 5. 31
32 IV Question. Si le préposé aux admissions prend 3 minutes pour remplir le dossier d un patient, quelle est la probabilité qu il ait le temps de se reposer entre l arrivée de deux patients sachant qu il était inoccupé lors de l arrivée du premier des deux? 32
33 V Réponse. Nous savons que le temps entre deux arrivées suit une loi exponentielle d espérance 1 λ = 1 5. Or, puisque 3 minutes = 3 1 heure 60 minutes = 1 20 heure, P = P le préposé a le temps de se reposer entre l arrivée de deux patients sachant qu il était inoccupé lors de l arrivée du premier des deux 6 4 T n T n 1 {z } de loi exp(0,2) 3 > = e = 0,
34 VI Question. Supposons que le préposé aux admissions commence sa journée de travail à 7 heures du matin, qu il la termine à 15 heures et qu il va dîner de midi à 13 heures. Quelles sont l espérance et la variance du temps que le préposé passe, au cours de la journée, à remplir des demandes d admission? 34
35 VII Réponse. Le nombre X de patients se présentant à l urgence au cours de la période de travail du préposé est X = N (5) N (0) {z } nombre de patients se présentant au cours de l avant-midi. Poisson(55) + N (8) N (6) {z } nombre de patients se présentant au cours de l après-midi. Poisson(52). Le nombre Y de minutes passées à remplir des formulaires d admission est Y = 3X. 35
36 VIII Ainsi, E [Y ] = E [3X ] = 3E [X ] = 3E [N (5) N (0) + N (8) N (6)] = 3 (E [N (5) N (0)] + E [N (8) N (6)]) = 3 ( ) = 105 et Var [Y ] = Var [3X ] = 9Var [X ] = 9Var [N (5) N (0) + N (8) N (6)] = 9 (Var [N (5) N (0)] + Var [N (8) N (6)]) par (PP1) = 9 ( ) =
37 IX L espérance du temps que le préposé passe, au cours de la journée, à remplir des demandes d admission est de 105 minutes (1 heure et 45 minutes) tandis que son écart-type est de (315) 1/2 = 17, 748 minutes. Bref, nous espérons qu il a autre chose à faire pour s occuper au cours de la journée. 37
38 X Question. Le second hôpital de la région ferme son urgence pour la journée. Notre hôpital doit donc absorber cette clientèle. Sachant que ce second hôpital reçoit, en moyenne, 60 patients entre 7 heures et 15 heures et que ces arrivées se font selon un processus de Poisson, est-ce que le nouveau ot de patients se présentant au premier hôpital est encore un processus de Poisson? Si oui, quelle est son intensité? Sinon, pourquoi? 38
39 XI Réponse. Si les deux processus de Poisson, N et en, modélisant les arrivées des patients dans chacun des deux hôpitaux sont indépendants, alors le nouveau ot de patients, bn = N + en, se présentant au premier hôpital se modélise aussi à l aide d un processus de Poisson. Nous avons déterminé précédemment que l intensité de N est λ = 5. Celle de en se détermine de la façon suivante : comme, en moyenne, il y a 60 patients en 8 heures alors il y a, en moyenne, 7, 5 patients par heure, c est-à-dire eλ = 7, 5 patients par unité de temps. L intensité du nouveau processus de Poisson bn est d intensité bλ = λ + eλ = 5 + 7, 5 = 12, 5. Cela provient du fait que la somme de deux s aléatoires indépendantes de loi de Poisson de paramètres λ 1 et λ 2 respectivement est de loi de Poisson(λ 1 + λ 2 ). 39
40 XII Si les deux processus N et en ne sont pas indépendants, alors il est possible que la somme de ces deux processus ne soit plus un processus de Poisson. 40
41 XIII Question. Si le préposé aux admissions prend 3 minutes pour remplir le dossier d un patient, quelle est la probabilité qu il ait le temps de se reposer entre l arrivée de deux patients sachant qu il était inoccupé lors de l arrivée du premier des deux? 41
42 XIV Réponse. Nous savons que le temps entre deux arrivées suit une loi exponentielle d espérance 1 bλ = 1 12,5 = 0, 08. Or, puisque 3 minutes = 3 1 heure 60 minutes = 1 20 heure, P = P le préposé a le temps de se reposer entre l arrivée de deux patients sachant qu il était inoccupé lors de l arrivée du premier des deux 6 4 T n T n 1 {z } de loi exp(0,08) 3 > = e 12., = 0,
43 XV Question. Quelles sont l espérance et la variance du temps que le préposé passe, au cours de la journée, à remplir des demandes d admission sachant qu il prend toujours trois minutes par formulaire? 43
44 XVI Réponse. Le nombre X de patients se présentant à l urgence au cours de la période de travail du préposé est X = N (5) N (0) {z } nombre de patients se présentant au cours de l avant-midi. Poisson(12,55) + N (8) N (6) {z } nombre de patients se présentant au cours de l après-midi Poisson(12,52). Le nombre Y de minutes passées à remplir des formulaires d admission est Y = 3X. 44
45 XVII Ainsi, E [Y ] = E [3X ] = 3E [X ] = 3E [N (5) N (0) + N (8) N (6)] = 3 (E [N (5) N (0)] + E [N (8) N (6)]) = 3 (62, ) = 262, 5 et Var [Y ] = Var [3X ] = 9Var [X ] = 9Var [N (5) N (0) + N (8) N (6)] = 9 (Var [N (5) N (0)] + Var [N (8) N (6)]) par (PP1) = 9 (62, ) = 787, 5. 45
46 XVIII L espérance du temps que le préposé passe, au cours de la journée, à remplir des demandes d admission est de 262,5 minutes (4, 375 heures) tandis que son écart-type est de (787, 5) 1/2 = 28, 062 minutes. 46
47 I Il est possible que l intensité du processus de Poisson ne soit pas constante dans le temps. Si nous dénotons par λ (t) l intensité qui prévaut au temps t, alors le nombre N (t 1 ) N (t 0 ) d événements qui se produiront pendant l intervalle de temps (t 0, t 1 ] est de loi de Poisson d espérance Z t1 t 0 λ (t) dt. 47
48 II. Nous voulons modéliser les arrivées des clients dans une banque. Il y a, en moyenne, moins de clients aux heures d ouverture (9 heures) et de fermeture (15 heures) et une période de pointe en mi-journée. Comme le temps est mesuré en heures et que la banque est ouverte pendant 6 heures, nous modélisons l intensité du processus par la fonction λ (t) = t (6 t) si 0 t 6 0 sinon. y où le temps t = 0 représente le moment de l ouverture de la banque. 48 x
49 III Posons N (t) = nombre de clients se présentant à la banque pendant l intervalle de temps (0, t] Le nombre N (3) N 3 2 de clients se présentant à la banque entre 10 heures 30 minutes (t = 3 2 ) et midi (t = 3) est de loi de Poisson d espérance Z λ (t) dt = Z t (6 t) dt = 99 8 = 12, 375. (C est une très petite succursale!!!) 49
50 IV Le prix à payer pour une telle généralisation est que le temps entre deux arrivées de clients n est plus nécessairement de loi exponentielle. 50
51 V. Replaçons-nous dans le contexte de l exemple précédent. Soit T = l instant de l arrivée du premier client. Puisqu il est possible qu aucun client ne se présente à la banque au cours d une journée, nous devons dé nir ce que vaut T dans ce cas. Nous choisissons de symboliser cette situation par T =. 51
52 VI Pour tout nombre réel positif t, la fonction de répartition de T évaluée au point t est F T (t) = P [T t] = 1 P [T > t] = 1 P [N (t) = 0]. Or, puisque N (t) est de loi de Poisson d espérance ( R t t3 u 0 (6 u) du = 3t2 3 si 0 < t 6 R 6 0 u (6 u) du + R t 6 0 du = 36 si t > 6, alors 8 >< e P [N (t) = 0] = >: 0 3t 2 t3 3t 2 t ! = exp t 3 3 3t 2 si 0 < t 6 e ! = exp ( 36) si t > 6 52
53 VII et 8 >< F T (t) = 1 P [N (t) = 0] = >: 0 si t < 0 1 exp t 3 3 3t 2 si 0 t 6 1 exp ( 36) si 6 < t < 1 si t =. Remarquons que T est une aléatoire mixte et n est clairement pas de loi exponentielle, et ce,... 53
54 VIII... même si nous conditionnons sur le fait qu il y a au moins un client qui se présente à la banque au cours de la journée : P [T t jn (6) 1] = = P [T t et N (6) 1] P [N (6) 1] 8 >< >: P [T t] P [N (6)1] = 1 0 si t < 0 exp t 3 3 3t 2 si 0 t 6 1 exp( 36) 1 si t > 6. 54
Chapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailARBRES BINAIRES DE RECHERCHE
ARBRES BINAIRES DE RECHERCHE Table de symboles Recherche : opération fondamentale données : éléments avec clés Type abstrait d une table de symboles (symbol table) ou dictionnaire Objets : ensembles d
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailModule 7: Chaînes de Markov à temps continu
Module 7: Chaînes de Markov à temps continu Patrick Thiran 1 Introduction aux chaînes de Markov à temps continu 1.1 (Première) définition Ce module est consacré aux processus à temps continu {X(t), t R
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailNOTIONS DE PROBABILITÉS
NOTIONS DE PROBABILITÉS Sommaire 1. Expérience aléatoire... 1 2. Espace échantillonnal... 2 3. Événement... 2 4. Calcul des probabilités... 3 4.1. Ensemble fondamental... 3 4.2. Calcul de la probabilité...
Plus en détailEstimation et tests statistiques, TD 5. Solutions
ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études
Plus en détailSuites numériques 4. 1 Autres recettes pour calculer les limites
Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #6
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #6 ARTHUR CHARPENTIER 1 Supposons que le nombre X de coups de téléphone durant une heure suive une loi de Poisson avec moyenne λ. Sachant que P (X = 1 X 1) = 0.8, trouver
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détail14. Introduction aux files d attente
14. Introduction aux files d attente MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: Files d attente 1/24 Plan 1. Introduction 2. Modèle M/M/1 3. Modèle M/M/1/K MTH2302D: Files
Plus en détailAnne Tasso. Java. Le livre de. premier langage. 10 e édition. Avec 109 exercices corrigés. Groupe Eyrolles, 2000-2015, ISBN : 978-2-212-14154-2
Anne Tasso Java Le livre de premier langage 10 e édition Avec 109 exercices corrigés Groupe Eyrolles, 2000-2015, ISBN : 978-2-212-14154-2 Table des matières Avant-propos Organisation de l ouvrage..............................
Plus en détailCircuits RL et RC. Chapitre 5. 5.1 Inductance
Chapitre 5 Circuits RL et RC Ce chapitre présente les deux autres éléments linéaires des circuits électriques : l inductance et la capacitance. On verra le comportement de ces deux éléments, et ensuite
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailChapitre 1. L intérêt. 2. Concept d intérêt. 1. Mise en situation. Au terme de ce chapitre, vous serez en mesure de :
Chapitre 1 L intérêt Au terme de ce chapitre, vous serez en mesure de : 1. Comprendre la notion générale d intérêt. 2. Distinguer la capitalisation à intérêt simple et à intérêt composé. 3. Calculer la
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailListe des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone...
Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
Plus en détailGroupe Eyrolles, 2006, ISBN : 2-212-11734-5
Groupe Eyrolles, 2006, ISBN : 2-212-11734-5 Introduction.................................................. 1 Mesurer l efficacité des services informatiques................. 1 La réduction des coûts......................................
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailITIL. optimal. pour un service informatique. 2 e édition C H R I S T I A N D U M O N T. Préface de Patrick Abad
C H R I S T I A N D U M O N T Préface de Patrick Abad ITIL pour un service informatique optimal 2 e édition Groupe Eyrolles, 2006, 2007, ISBN : 978-2-212-12102-5 Introduction..................................................
Plus en détailANNUITES. Les annuités définissent une suite de versements identiques ou non effectués à intervalles de temps égaux. -annuités non constantes
ANNUITES I Notions d annuités a.définition Les annuités définissent une suite de versements identiques ou non effectués à intervalles de temps égaux. Le processus de versements dépend du montant de l annuité,
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailDOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.
A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur
Plus en détailChapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailCondition de stabilité d'un réseau de les d'attente à deux stations et N classes de clients 1
General Mathematics Vol. 18, No. 4 (2010), 85108 Condition de stabilité d'un réseau de les d'attente à deux stations et N classes de clients 1 Faiza Belarbi, Amina Angelika Bouchentouf Résumé Nous étudions
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailSTATUTS DE LA SECTION DE LANCY DU PARTI SOCIALISTE SUISSE
STATUTS DE LA SECTION DE LANCY DU PARTI SOCIALISTE SUISSE Statuts adoptés par l Assemblée générale de la section de Lancy le 1 er juin 2015 PARTI SOCIALISTE DE LANCY, Route du Grand-Lancy 56, 1212 Grand-Lancy
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailExercices - Nombres complexes : corrigé. Formes algébriques et trigonométriques, module et argument
Formes algébriques et trigonométriques, module et argument Exercice - - L/Math Sup - On multiplie le dénominateur par sa quantité conjuguée, et on obtient : Z = 4 i 3 + i 3 i 3 = 4 i 3 + 3 = + i 3. Pour
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailSimulation 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 détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détail22 Nous Reconnaissons la force du pardon
22 Nous Reconnaissons la force du pardon 23 Par le rite pénitentiel, les chrétiens se tournent vers Dieu pour lui demander son pardon. Dieu nous reçoit tels que nous sommes et nous pardonne pour que nous
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailCours de gestion des risques d assurances et de théorie de la ruine. Stéphane Loisel
Cours de gestion des risques d assurances et de théorie de la ruine Stéphane Loisel ISFA, 2005-2006 Table des matières I Modélisation de la charge sinistre : du modèle individuel au modèle collectif 5
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailThéorie Financière 2. Valeur actuelle Evaluation d obligations
Théorie Financière 2. Valeur actuelle Evaluation d obligations Objectifs de la session. Comprendre les calculs de Valeur Actuelle (VA, Present Value, PV) Formule générale, facteur d actualisation (discount
Plus en détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en détailThéorie de la mesure. S. Nicolay
Théorie de la mesure S. Nicolay Année académique 2011 2012 ii Table des matières Introduction v 1 Mesures 1 1.1 Sigma-algèbres................................. 1 1.2 Mesures.....................................
Plus en détailEducation à l'orientation
Atelier Education à l'orientation CONNAISSANCE DES FORMATIONS Niveau : 3 ème Groupe : Classe Durée : 1 heure Périodes : Fin 1 er trimestre Matériel : - mini-guide 3 ème - questionnaire ACTION DESCRIPTION
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailGuide pratique et juridique de l expatrié
Yannick AUBRY Guide pratique et juridique de l expatrié Quatrième édition Éditions d'organisation, 1999, 2001, 2003, 2004 ISBN : 2-7081-3157-5 III SOMMAIRE INTRODUCTION... 1 Partie 1 - LA CHECK-LIST DE
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailAGENCE DE LA FONCTION PUBLIQUE DU CANADA ACCÈS À L INFORMATION ET PROTECTION DES RENSEIGNEMENTS PERSONNELS
AGENCE DE LA FONCTION PUBLIQUE DU CANADA ACCÈS À L INFORMATION ET PROTECTION DES RENSEIGNEMENTS PERSONNELS R A PP O R T A N NU E L 2007-2008 Table des matières Introduction 1. À propos de l organisation
Plus en détailPROBABILITÉS CONDITIONNELLES
PROBABILITÉS CONDITIONNELLES A.FORMONS DES COUPLES Pour la fête de l école, les élèves de CE 2 ont préparé une danse qui s exécute par couples : un garçon, une fille. La maîtresse doit faire des essais
Plus en détailAttitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014
Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailles Formulaires / Sous-Formulaires Présentation...2 1. Créer un formulaire à partir d une table...3
Présentation...2 1. Créer un formulaire à partir d une table...3 2. Les contrôles :...10 2.1 Le contrôle "Intitulé"...11 2.2 Le contrôle "Zone de Texte"...12 2.3 Le contrôle «Groupe d options»...14 2.4
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailTechniques de Lyapunov en contrôle quantique pour le couplage dipolaire et polarisabilité
Techniques de Lyapunov en contrôle quantique pour le couplage dipolaire et polarisabilité Andreea Grigoriu avec Jean-Michel Coron, Cătălin Lefter and Gabriel Turinici CEREMADE-Université Paris Dauphine
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailCours 1. Bases physiques de l électronique
Cours 1. Bases physiques de l électronique Par Dimitri galayko Unité d enseignement Élec-info pour master ACSI à l UPMC Octobre-décembre 2005 1 Champ électrique et ses propriétés Ce premier cours introduit
Plus en détailAssociation «les Breumailles de la Bonne Eure» EHPAD de Bracieux 31, rue de Candy
Association «les Breumailles de la Bonne Eure» EHPAD de Bracieux 31, rue de Candy 41250 BRACIEUX lesbreumailles1@gmail.com Site internet : http://www.cc-paysdechambord.fr/commune.asp?idpage=16394 Réunion
Plus en détailModule 16 : Les fonctions de recherche et de référence
Module 16 : Les fonctions de recherche et de référence 16.0 Introduction L une des fonctions les plus importantes d Excel, c est la possibilité de chercher une valeur spécifique dans un grand nombre de
Plus en détailCHAPITRE XIII : Les circuits à courant alternatif : déphasage, représentation de Fresnel, phaseurs et réactance.
XIII. 1 CHAPITRE XIII : Les circuits à courant alternatif : déphasage, représentation de Fresnel, phaseurs et réactance. Dans les chapitres précédents nous avons examiné des circuits qui comportaient différentes
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailRÉGLEMENTATION DU SERVICE DE GARDE ÉCOLE NOTRE-DAME-DE-L ASSOMPTION ANNÉE 2012-2013
RÉGLEMENTATION DU SERVICE DE GARDE ÉCOLE NOTRE-DAME-DE-L ASSOMPTION ANNÉE 2012-2013 NOM DE LA DIRECTION : Manon Gélinas TÉLÉPHONE DE L ÉCOLE : 514 596-5046 TÉLÉCOPIEUR DE L ÉCOLE : 514 596-7756 TECHNICIENNE
Plus en détail