Aide Mémoire de Statistique

Dimension: px
Commencer à balayer dès la page:

Download "Aide Mémoire de Statistique"

Transcription

1 Aide Mémoire de Statistique (E, E, P) modèle statistique (E, E, P) modèle probabiliste E probabilité, o coaît la loi P et o fait des calculs E statistique, o e coaît pas la loi (seulemet ue famille de probabilités P) mais o coaît des observatios et o tete de retrouver la loi. (E, E, P) modèle statistique paramétrique P = {P θ, θ Θ} famille de loi de probabilité dépedat d u paramètre θ. 1 Échatilloage (X 1,.., X ) échatillo aléatoire i.i.d. de même loi que la v.a. parete X. (X 1,.., X ) est u vecteur aléatoire i.i.d. particulier. (x 1,.., x ) échatillo de doées, réalisatio/observatios de échatillo aléatoire (X 1,.., X ). (x 1,.., x ) est u vecteurs de doées (réelles...) Moyee empirique de l échatillo : X = 1 X i E(X ) = E(X) V ar(x ) = V ar(x)/ TCL : X E(X) L N (0, 1) V ar(x) p.s. X E(X) Si X N (µ, σ 2 ) alors X N (µ, σ 2 /) Variace empirique de l échatillo : S 2 = 1 E(S) 2 = 1 V ar(x) (X i X ) 2 = 1 Variace empirique sas biais de l échatillo : S 2 E(S 2 ) = V ar(x) X, S 2, S 2 sot des variables aléatoires. = 1 S2 Rappel : (X 1,..., X ) vecteur aléatoire i.i.d. de loi N (0, 1) = Z = Loi du Chi-deux : Loi de Studet : X χ 2 Y χ 2 m X et Y idépedats U N (0, 1) Z χ 2 U et Z idépedats = X + Y χ2 +m = U Z Xi 2 (X ) 2 X2 i χ2 St() : loi de Studet de degré de liberté (d.d.l.) 1

2 Théorème de Fisher : (X 1,..., X ) échatillo aléatoire i.i.d. de loi parete N (µ, σ 2 ) 1) ( 1) S 2 σ χ = 2) X et S 2 sot 2 v.a. idépedates. 3) X µ S St( 1) 2 Estimatio poctuelle (E, E, P) modèle statistique paramétrique P = {P θ, θ Θ} famille de loi de probabilité dot o e coaît pas le paramètre θ. U estimateur de θ est ue variable aléatoire qui tete d estimer le paramètre θ de la loi icoue P θ, il est oté θ = T = T (X 1,..., X ) Ue estimatio de θ est ue réalisatio/observatio de l estimateur T : t = T (x 1,..., x ). 2.1 Propriétés d u estimateur Biais d u estimateur Estimateur sas biais : E( θ) = θ Estimateur avec biais : E( θ) = θ + b θ ( θ) c-à-d : biais = b θ ( θ) Estimateur asymptotiquemet sas biais : E( θ) θ Erreur quadratique moyee : EQM θ ( θ) = E(( θ θ) 2 ) = V ar( θ) + (b θ ( θ)) 2 Ue erreur liée au biais et ue erreur liée à la précisio. Précisio d u estimateur : V ar( θ) Estimateur optimal : estimateur sas biais de variace miimale (ESBVM) Covergece (e loi) d u estimateur vers le paramètre estimé : E(T ) } θ L V ar(t ) T 2 L θ T θ 0 Remarque : θ estimateur sas biais de θ g( θ) estimateur sas biais de g(θ) 2.2 Iformatio de Fisher (X 1,.., X ) échatillo aléatoire i.i.d. de même loi que la v.a. parete X Foctio de vraisemblace de l échatillo observé (x 1,..., x ) pour le paramètre θ : cas discret : L(θ; x 1,..., x ) = P θ (X = x i ) cas cotiu : L(θ; x 1,..., x ) = f θ (x i ) avec f θ la foctio de répartitio de X 2

3 Les (x 1,..., x ) sot cous (résultat d ue expériece) et le paramètre θ est icou. La log-vraisemblace de l échatillo observé (x 1,..., x ) pour le paramètre θ : l(θ; x 1,..., x ) = ll(θ; x 1,..., x ) Coditio de régularité (H R ) sur la vraisemblace 1. L iformatio de Fisher existe θ Θ 2. La loi parete de X est deux fois dérivable par rapport à θ 3. 2 θ 2 L(θ; x1,..., x )dx 1...dx = 2 θ 2 L(θ; x 1,..., x )dx 1...dx E pratique, les (H R ) sot vérifiées si le support de la loi parete e déped pas du paramètre θ et la vraisemblace est suffisammet régulière. Support(L(X)) = f(θ) = (H R ) e sot pas vérifiées Iformatio de Fisher apportée par l échatillo (X 1,..., X ) sur le paramètre icou θ : ( ( ) ) 2 I (θ) = E θ ll(θ; X 1,..., X ) où L(θ; X 1,..., X ) est u v.a. et sa réalisatio est L(θ; x 1,..., x ) ( ) (H R ) = I (θ) = V ar θ ll(θ; X 1,.., X ) ( ) 2 = E θ 2 ll(θ; X 1,.., X ) ( ( ) ) 2 = I(θ) = I 1 (θ) = E ll(θ; X) θ Iformatio de Fisher apportée par la statistique T sur le paramètre icou θ : ( ( ) ) 2 I T (θ) = E θ ll(θ; T ) T estimateur de θ 0 I T (θ) I (θ) Bore de Cramer-Rao (BCR) est la précisio maximale auquel peut prétedre u estimateur Théorème de Fréchet-Darmois-Cramer-Rao (FDCR) : (H R ) vérifiées I (θ) 0 T estimateur sas biais de θ E(T ) est dérivable sous le sige somme V ar(t ) 1 I (θ) = BCR De plus, si V ar(t ) = BCR alors T est u estimateur efficace. 1 alors T est u estimateur asymptotiquemet efficace. Si V ar(t) BCR Statistique T est exhaustive si L(θ; x 1,..., x ) = φ(t, θ) h(x 1,..., x ), c-à-d si o peut décomposer la vraisemblace e ue foctio φ dépedat de la réalisatio de l estimateur T et du paramètre θ et d ue foctio h e dépedat que de la réalisatio de l échatillo (X 1,..., X ). 3

4 2.3 Commet trouver u estimateur? Estimateur de maximum de vraisemblace à compléter Estimateur des momets à compléter 3 Itervalles de cofiace à compléter 4 Tests d hypothèses Tests paramétriques : test sur u paramètre θ d u loi P θ, θ Θ Hypothèses statistiques : L hypothèse ulle H 0 : θ Θ 0 cotre l hypothèse alterative H 1 : θ Θ 1 test : H 0 à rejeter (pour H 1 ) ou o? Hypothèse simple si Θ = {θ 0 } : sigleto (sio hypothèse composite ou composée) Hypothèses maiteues, H m, hypothèses que l o cosidère toujours vraies Test bilatéral : H 0 : θ = θ 0 cotre H 1 : θ θ 0 Test uilatéral : H 1 composé et test o bilatéral Rôle des hypothèses est o symétrique Deux types d erreur et risques associés Erreur de première espèce ε I : Décider H 1 (rejet de H 0 ) alors que H 0 est vrai Risque de première espèce : α : Θ 0 [0, 1] θ α(θ) = P H0 (rejet de H 0 ) = P H0 ((X 1,..., X ) W ) si H 0 est simple (H 0 : θ = θ 0 ) alors α(θ) = α(θ 0 ) = α est ue costate (si H 0 : iocet alors α est la proba de codamer u iocet) Erreur de deuxième espèce ε II : Décider H 0 (o rejet de H 0 ) alors que H 1 est vrai Risque de deuxième espèce : β : Θ 1 [0, 1] θ β(θ) = P H1 (o rejet de H 0 ) = P H1 ((X 1,..., X ) / W ) si H 1 est simple (H 0 : θ = θ 1 ) alors β(θ) = β(θ 1 ) = β est ue costate (si H 0 : iocet alors β est la proba de libérer u coupable) Puissace d u test : θ Θ 1, γ(θ) = P H1 (rejet de H 0 )= 1 β(θ) Niveau ou seuil d u test : α = sup H 0:θ Θ 0 α(θ) 4

5 Règle de décisio Ψ Régio critique W Statistique de test T Foctio de test ou test d hypothèse ou règle de décisio : Ψ : χ {0, 1} { 1 si o rejette H0 au profit de H (x 1,..., x ) Ψ(x 1,..., x ) = 1 0 si o e rejette{ pas H 0 1 si (x1,..., x = 1 W (x 1,..., x ) = ) W 0 si (x 1,..., x ) / W avec χ esemble des réalisatios de l échatillo aléatoire (X 1,..., X ). Régio critique (RC) du test Ψ : régio de rejet de H 0 c-à-d esemble des observatios qui coduiset à rejeter H 0 : W = {(x 1,..., x ) χ : Ψ(x 1,..., x ) = 1} = Ψ 1 (1) Régio d acceptatio de H 0 = W = Ψ 1 (0) Statistique de test ou variable de décisio est ue foctio de l échatillo T = f(x 1,..., X ) c-à-d ue v.a. particulière dot la loi est coue sous H 0 supposé vrai Très souvet la statistique de test T est u estimateur du paramètre à éprouver O peut réécrire W à l aide de t (ue réalisatio de T ) : W = {(x 1,..., x ) χ : t D} avec D à détermier Doer ue régio critique W Doer ue règle de décisio Ψ Doer ue statistique du test T et so domaie D 4.1 Test d hypothèse à seuil : pricipe de Neyma Cotrôle du risque de premier espèce via le seuil du test : α = Étapes de costructio d u test 1. Choix des hypothèses de test H 0 et H 1 2. Choix de la statistique de test (et doc de la forme de la RC) sup α(θ). H 0:θ Θ 0 3. Fixer le seuil du test α = sup H 0:θ Θ 0 α(θ) ( limite le risque de première espèce) et détermier alors la RC : W α 4. Vérifier si les observatios (x 1,..., x ) se trouvet ou pas das la RC 5. Coclusio : rejet ou o rejet de H 0 au seuil α 6. Si o rejet de H 0 : évaluer si possible de risque de deuxième espèce ou la puissace du test (difficile si (H 1 ) est composée car β est alors ue foctio de θ et o ue costate) 5

6 4.2 p-valeur La p-valeur ou probabilité critique ou seuil critique est le plus petit risque α pour lequel les observatios coduiset au rejet de H 0 : α c (t ) = if{α : (x 1,..., x ) W α } O iverse les poits 3. et 4. das le cas précédat. 4.3 Test optimaux et Test UPP etre 2 hypothèses simples Défiitio Théorème de Neyma-Pearso etre ue hypothèse simple et ue composée Thm Pas de test UPP pour les tests bilatéraux etre 2 hypothèses composées Thm Test du rapport de vraisemblaces maximales Propriété 6

Devoir de statistiques: CORRIGE

Devoir de statistiques: CORRIGE CPP - la prépa des INP ( ème aée). Bordeaux, 6/04/04. Devoir de statistiques: CORRIGE durée h Doées: O rappelle que si Z suit ue loi N (0, ), o a P(Z.96) 0, 975 et P(Z.65) 0, 95. Exercice. θ et O cosidère

Plus en détail

Cours 5 : ESTIMATION PONCTUELLE

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

Plus en détail

Cours de Statistiques inférentielles

Cours de Statistiques inférentielles Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios

Plus en détail

PROJET DE MONTE CARLO SUJET 1: LE PRICING

PROJET DE MONTE CARLO SUJET 1: LE PRICING LE Age KHOURI Nadie M MMD PROJE DE MONE ARLO SUJE : LE PRIING Selim ZOUGHLAMI QUESION : Supposos d abord que X est u mouvemet browie W t G([ 0, ]) Alors W0 G( 0 ) suit ue loi N(0,0) et doc W 0ps 0 Esuite,

Plus en détail

Chapitre 3 : Fonctions d une variable réelle (1)

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

Plus en détail

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

STATISTIQUE : TESTS D HYPOTHESES

STATISTIQUE : TESTS D HYPOTHESES STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie

Plus en détail

Chapitre 3 : Transistor bipolaire à jonction

Chapitre 3 : Transistor bipolaire à jonction Chapitre 3 : Trasistor bipolaire à joctio ELEN075 : Electroique Aalogique ELEN075 : Electroique Aalogique / Trasistor bipolaire U aperçu du chapitre 1. Itroductio 2. Trasistor p e mode actif ormal 3. Courats

Plus en détail

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

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009 M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted

Plus en détail

Etude de la fonction ζ de Riemann

Etude de la fonction ζ de Riemann Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.

Plus en détail

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

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

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé : Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +

Plus en détail

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques Variables discrètes fiies - Exercices pratiques Exercice - Loi d u dé truqué - L2/ECS -. X pred ses valeurs das {,..., 6}. Par hypothèse, il existe u réel a tel que P (X k) ka. Maiteat, puisque P X est

Plus en détail

Apprentissage: cours 3a Méthodes par moyennage local

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

Plus en détail

1 Mesure et intégrale

1 Mesure et intégrale 1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios

Plus en détail

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

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

Plus en détail

Statistique mathématique pour le Master 1 Cours de l ENS Cachan Bretagne. Benoît Cadre

Statistique mathématique pour le Master 1 Cours de l ENS Cachan Bretagne. Benoît Cadre Statistique mathématique pour le Master 1 Cours de l ENS Cacha Bretage Beoît Cadre 4 jui 2010 2 Table des matières 1 Modélisatio statistique 5 1.1 U exemple............................. 5 1.2 Pricipe fodametal

Plus en détail

CHAPITRE 2 SÉRIES ENTIÈRES

CHAPITRE 2 SÉRIES ENTIÈRES CHAPITRE 2 SÉRIES ENTIÈRES 2. Séries etières Défiitio 2.. O appelle série etière toute série de foctios ( ) f dot le terme gééral est de la forme f ()=a, où (a ) désige ue suite réelle ou complee et R.

Plus en détail

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels.

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels. Uiversité de Provece 011 01 Mathématiques Géérales I Plache 6 Nombres réels Suites réelles Nombres réels Exercice 1 Mettre sous forme irréductible p/q les ratioels suivats (les chiffres souligés se répètet

Plus en détail

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures)

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures) Exercice 1 (5 poits) Bac Blac Termiale L - Février 015 Épreuve de Spécialité Mathématiques (durée 3 heures) Questio 1 : La populatio d'ue ville baisse de 1 % tous les as pedat 10 as. Elle est doc multipliée

Plus en détail

Formulaire de statistiques

Formulaire de statistiques Formulaire de statistiques E. Depiereux G. Vicke B. De Hertogh Javier 009 Formulaire de statistiques I. Statistiques descriptives : Moyee arithmétique : (populatio: m x = µ) (échatillo = x = M x ) 1 i

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

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

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

Plus en détail

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

PROBABILITES à la STATISTIQUE - APPLICATIONS - Jean-Marie MARION

PROBABILITES à la STATISTIQUE - APPLICATIONS - Jean-Marie MARION Des PROBABILITES à la STATISTIQUE - APPLICATIONS - Jea-Marie MARION 1 STATISTIQUE DESCRIPTIVE (décrire ue populatio à l aide de caractéristiques et graphiques) STATISTIQUE INFERENTIELLE (étedre des résultats

Plus en détail

. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1

. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1 Premières propriétés des ombres réels 2 Suites umériques 3 Suites mootoes : à faire 4 Séries umériques 4. Notio de série. Défiitio 4.. Soit (u ) ue suite de ombres réels ou complexes. Pour N N, o ote S

Plus en détail

BTS Mécanique et Automatismes Industriels. Statistiques inférentielles

BTS Mécanique et Automatismes Industriels. Statistiques inférentielles BTS Mécaique et Automatismes Idustriels Statistiques iféretielles, Aée scolaire 2005 2006 Statistiques iféretielles 1. Itroductio vocabulaire Pour étudier ue populatio statistique, o a recours à deux méthodes

Plus en détail

Correction Bac ES France juin 2010

Correction Bac ES France juin 2010 Correctio Bac ES Frace jui 010 Exercice 1 (4 poits) (Commu à tous les cadidats) Pour ue meilleure compréhesio, les réposes serot justifiées das ce corrigé. Questio 1 Le ombre 3 est solutio de l équatio

Plus en détail

Probabilités et Statistique

Probabilités et Statistique Probabilités et Statistique Jea-Michel JOLION Départemet Géie Idustriel 3ème Aée Versio électroique : http://rfv.isa-lyo.fr/ jolio/stat/poly.html May 26, 2006 INSA Lyo - Bât. J. Vere - 69621 Villeurbae

Plus en détail

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

x +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3. EXERCICE 3 (6 poits ) (Commu à tous les cadidats) Il est possible de traiter la partie C sas avoir traité la partie B Partie A O désige par f la foctio défiie sur l itervalle [, + [ par Détermier la limite

Plus en détail

STATISTIQUE AVANCÉE : MÉTHODES

STATISTIQUE AVANCÉE : MÉTHODES STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN Table des matières 1 Itroductio 5 2 Modèle de desité 7 2.1 Estimatio par istogrammes............................

Plus en détail

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

Examen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot Exame fial pour Coseiller fiacier / coseillère fiacière avec brevet fédéral Recueil de formules Auteur: Iwa Brot Ce recueil de formules est à dispositio olie et sera doé aux cadidats lors des exames oraux

Plus en détail

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

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

Examen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot Exame fial pour Coseiller fiacier / coseillère fiacière avec brevet fédéral Recueil de formules Auteur: Iwa Brot Ce recueil de formules sera mis à dispositio des cadidats, si écessaire. Etat au 1er mars

Plus en détail

La Méthode de Monte Carlo

La Méthode de Monte Carlo La Méthode de Mote Carlo Etiee Pardoux UMR 6632 Laboratoire d Aalyse, Topologie, Probabilités et EA 3781 Evolutio Biologique Uiversité de Provece Etiee Pardoux (LATP) Marseille, 13/09/2006 1 / 33 Cotets

Plus en détail

Limites des Suites numériques

Limites des Suites numériques Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet

Plus en détail

DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011

DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011 MÉTHODES NUMÉRIQUES POUR LE PRICING D OPTIONS DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011 Table des matières 1 Notatios et équatio de Black-Scholes 2 11 Notatios 2 12 Équatio de Black-Scholes

Plus en détail

DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités conditionnelles - Suites géométriques - fonctions exponentielles Calculatrice autorisée

DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités conditionnelles - Suites géométriques - fonctions exponentielles Calculatrice autorisée DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités coditioelles - Suites géométriques - foctios epoetielles Calculatrice autorisée Termiale ES123 Eercice 1 : 5 poits Partie A : Ue agece de locatio

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1. Exercice 7 [ 02253 ] [Correction] Soient (u n ) et (v n ) deux suites telles que

[http://mp.cpgedupuydelome.fr] édité le 16 octobre 2015 Enoncés 1. Exercice 7 [ 02253 ] [Correction] Soient (u n ) et (v n ) deux suites telles que [http://mp.cpgedupuydelome.fr] édité le 6 octobre 05 Eocés Suites umériques Covergece de suites Exercice [ 047 ] [Correctio] Soiet u ) et v ) deux suites réelles covergeat vers l et l avec l < l. Motrer

Plus en détail

Ce type de compresseur est aussi appelée compresseur volumetrique.

Ce type de compresseur est aussi appelée compresseur volumetrique. Chapitre 4 Compresseurs Buts 1. Savoir que das ce cas if faut se redre compte qu il y a des effets thermique 2. Savoir qu il y a ue limite á l augmetatio de la pressio de gaz 3. Savoir quelles istabilités

Plus en détail

Inégalités souvent rencontrées

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

Plus en détail

Statistique Numérique et Analyse des Données

Statistique Numérique et Analyse des Données Statistique Numérique et Aalyse des Doées Arak DALALYAN Septembre 2011 Table des matières 1 Élémets de statistique descriptive 9 1.1 Répartitio d ue série umérique uidimesioelle.............. 9 1.2 Statistiques

Plus en détail

Principes et Méthodes Statistiques

Principes et Méthodes Statistiques Esimag - 2ème aée 0 1 2 3 4 5 6 7 0 5 10 15 x y Pricipes et Méthodes Statistiques Notes de cours Olivier Gaudoi 2 Table des matières 1 Itroductio 7 1.1 Défiitio et domaies d applicatio de la statistique............

Plus en détail

BANQUE ÉPREUVE ORALE DE MATHÉMATIQUES SESSION 2015

BANQUE ÉPREUVE ORALE DE MATHÉMATIQUES SESSION 2015 CONCOURS COMMUNS POLYTECHNIQUES FILIÈRE MP BANQUE ÉPREUVE ORALE DE MATHÉMATIQUES SESSION 5 avec corrigés V. Bellecave, J.-L. Artigue, P. Berger, J.-P. Bourgade, S. Calmet, A. Calvez, D. Cleet, J. Esteba,

Plus en détail

Comportement d'une suite

Comportement d'une suite Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer

Plus en détail

Questions Chapitre 2 L approche statistique de la réalité 1

Questions Chapitre 2 L approche statistique de la réalité 1 Questios Chapitre 2 L approche statistique de la réalité 1 Expliquer la otio de variable et défiir les différets types de variables Décrire les échelles de classificatio et trasformer les doées pour passer

Plus en détail

Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.

Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2. Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES PLAN DU CHAPITRE 2 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.1 Pla de sodage 2.2.2 Probabilités d iclusio 2.3 SONDAGE

Plus en détail

* 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

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

c. Calcul pour une évolution d une proportion entre deux années non consécutives Calcul des itervalles de cofiace our les EPCV 996-004 - Cas d u ourcetage ou d ue évolutio e oit das la oulatio totale des méages - Cas d u ourcetage ou d ue évolutio das ue sous oulatio das les méages

Plus en détail

Exercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1

Exercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1 Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a

Plus en détail

CHAPITRE 22. Machines à sous

CHAPITRE 22. Machines à sous CHAPITRE 22 Machies à sous 22. Corrigé possible du texte 22.. Eocé du problème et défiitio du modèle statistique associé O étudie ici u modèle statistique avec observatios icomplètes : o dispose d observatios

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n = [http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.

Plus en détail

Séquence 9. Sommaire. 1. Pré-requis 2. Intervalles de fluctuation 3. Estimation 4. Synthèse de la séquence 5. Exercices de synthèse

Séquence 9. Sommaire. 1. Pré-requis 2. Intervalles de fluctuation 3. Estimation 4. Synthèse de la séquence 5. Exercices de synthèse Séquece 9 Itervalles de fluctuatio, estimatio Objectifs de la séquece Das le chapitre 2, o étudie des itervalles de fluctuatio des variables aléatoires X F =, fréqueces des variables aléatoires biomiales

Plus en détail

APPLICATION DE LA STATISTIQUE AU TRAITEMENT DES DONNÉES AU LABORATOIRE D'ANALYSES ET EN FABRICATION

APPLICATION DE LA STATISTIQUE AU TRAITEMENT DES DONNÉES AU LABORATOIRE D'ANALYSES ET EN FABRICATION Philippe TRIBOULET (Lycée Niepce Chalo sur Saôe) 03/03/007 PPLICTION DE L STTISTIQUE U TRITEMENT DES DONNÉES U LBORTOIRE D'NLYSES ET EN FBRICTION I/ INTRODUCTION L'utilisatio de la statistique pour le

Plus en détail

Chapitre II COMPARAISONS MULTIPLES DE MOYENNES

Chapitre II COMPARAISONS MULTIPLES DE MOYENNES Chapitre II COMPARAISONS MULTIPLES DE MOYENNES Souvet, les tests utilisés e ANOVA e permettet pas de répodre suffisammet e détail aux questios/hypothèses que l'o se pose. E effet, ils permettet au maximum

Plus en détail

Introduction aux Méthodes de Monte-Carlo

Introduction aux Méthodes de Monte-Carlo Itroductio aux Méthodes de Mote-Carlo LAURE ELIE BERNARD LAPEYRE Septembre 2001 Table des matières 1 Itroductio aux méthodes de mote-carlo 5 1.1 Simulatio de lois uiformes........................... 7

Plus en détail

Soit E un ensemble. On appelle classe de parties de E un sous-ensemble non vide de P(E).

Soit E un ensemble. On appelle classe de parties de E un sous-ensemble non vide de P(E). Chapitre 1 Tribus 1.1 Défiitios Soit E u esemble. O appelle classe de parties de E u sous-esemble o vide de P(E). Défiitio 1.1.1. Ue tribu A sur E est u sous-esemble o vide de P(E) tel que : (i) la partie

Plus en détail

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

LES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil. Qu appelle-t-o éclipse? Éclipser sigifie «cacher». Vus depuis la Terre, deu corps célestes peuvet être éclipsés : la Lue et le Soleil. LES ÉCLIPSES Pour qu il ait éclipse, les cetres de la Terre, de la

Plus en détail

14 Chapitre 14. Théorème du point fixe

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

Plus en détail

LES PROBABILITÉS POUR LES OPTIONS B, C ET D

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

Plus en détail

Développement du modèle log-normal nonstationnaire et comparaison avec le modèle GEV non-stationnaire

Développement du modèle log-normal nonstationnaire et comparaison avec le modèle GEV non-stationnaire Hydrological Scieces Joural ISSN: 06-6667 (Prit) 150-3435 (Olie) Joural homepage: http://www.tadfolie.com/loi/thsj0 Développemet du modèle log-ormal ostatioaire et comparaiso avec le modèle GEV o-statioaire

Plus en détail

La calculatrice est autorisée. Le sujet comporte un total de 5 exercices. ( ) ( ) ( )

La calculatrice est autorisée. Le sujet comporte un total de 5 exercices. ( ) ( ) ( ) Aée 01-013 Mathématiques Décembre 01 Durée : 3 heures BAC blac N 1 La calculatrice est autorisée. Le sujet comporte u total de 5 exercices. Les élèves e suivat pas l eseigemet de spécialité traiterot les

Plus en détail

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

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

Plus en détail

Dénombrement - Combinatoire Cours

Dénombrement - Combinatoire Cours Déombremet - Combiatoire Cours La combiatoire (ou aalyse combiatoire) étudie commet compter des objets. Elle fourit des méthodes de déombremet particulièremet utiles e probabilité. U des pricipaux exemples

Plus en détail

SÉRIES STATISTIQUES À DEUX VARIABLES

SÉRIES STATISTIQUES À DEUX VARIABLES 1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1

Plus en détail

Solutions particulières d une équation différentielle...

Solutions particulières d une équation différentielle... Solutios particulières d ue équatio différetielle......du premier ordre à coefficiets costats O cherche ue solutio particulière de y + ay = f, où a est ue costate réelle et f ue foctio, appelée le secod

Plus en détail

Introduction : Mesures et espaces de probabilités

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

Plus en détail

Suites et séries de fonctions

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

Plus en détail

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES II

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES II CHAMBRE DE COMMERCE ET D INDUSTRIE DE PARIS DIRECTION DE L ENSEIGNEMENT Directio des Admissios et cocours ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON CONCOURS

Plus en détail

Processus et martingales en temps continu

Processus et martingales en temps continu Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de

Plus en détail

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

Université Paris VII - Agrégation de Mathématiques (François Delarue) MÉTHODE DE MONTE-CARLO

Université Paris VII - Agrégation de Mathématiques (François Delarue) MÉTHODE DE MONTE-CARLO Uiversité Paris VII - Agrégatio de Mathématiques Fraçois Delarue) MÉTHODE DE MONTE-CARLO Ce texte vise à préseter l utilisatio de la méthode de Mote-Carlo das le calcul du prix d ue optio. 1. Positio du

Plus en détail

4 Approximation des fonctions

4 Approximation des fonctions 4 Approximatio des foctios Ue foctio f arbitraire défiie sur u itervalle I et à valeur das IR peut être représetée par so graphe, ou de maière équivalete par la doée de l esemble de ses valeurs f(t) pour

Plus en détail

La fonction de la maîtrise des vitesses est d assurer un temps

La fonction de la maîtrise des vitesses est d assurer un temps sas frotière OÎTE À OUTILS Guide de dimesioemet La maîtrise des vitesses hydrauliques JEN ROUSSEU 1 La oîte à outils du précédet uméro de Techologie traitait du choix d u distributeur pour l actioeur hydraulique.

Plus en détail

Les Nombres Parfaits.

Les Nombres Parfaits. Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie

Plus en détail

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

Université Victor Segalen Bordeaux 2 Institut de Santé Publique, d Épidémiologie et de Développement (ISPED) Campus Numérique SEME Uiversité Victor Segale Bordeaux Istitut de Saté Publique, d Épidémiologie et de Développemet (ISPED) Campus Numérique SEME MODULE Pricipaux outils e statistique Versio du 8 août 008 Écrit par : Relu par

Plus en détail

Chapitre 13. Statistiques et probabilités. Sommaire

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

Plus en détail

Chapitre 16 : Espaces vectoriels

Chapitre 16 : Espaces vectoriels PCSI Préparatio des Khôlles -4 Chapitre 6 : Espaces vectoriels Exercice type Soit E=R[X] et F ={P E, P(X)=XP (X)+P()}, motrer que F est u sous-espace vectoriel de E. : O a bie F E. Si P =est le polyôme

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1 [htt://m.cgeduuydelome.fr] édité le 10 juillet 2014 Eocés 1 Déombremet Exercice 1 [ 01529 ] [correctio] Soiet E et F deux esembles fiis de cardiaux resectifs et. Combie y a-t-il d ijectios de E das F?

Plus en détail

Document ressource. Les états de surface

Document ressource. Les états de surface Lycée Vaucaso Tours Documet ressource Les états de surface PTSI Objectifs : Coaître les élémets caractéristiques d u état de surface, savoir lire les spécificatios ormalisées associées et coaître les moyes

Plus en détail

Gestion du Risque de Change

Gestion du Risque de Change A / Pratiques de cotatio Gestio du Risque de Chage - Moaies «i» : FRF, DEM «pré i» : GBP «out» : USD EONIA : Europea over ight idex average TEC : taux à échage costat Toute cotatio compred deux prix :

Plus en détail

Baccalauréat S Asie 19 juin 2014 Corrigé

Baccalauréat S Asie 19 juin 2014 Corrigé Bcclurét S Asie 9 jui 24 Corrigé A. P. M. E. P. Exercice Commu à tous les cdidts 4 poits Questio - c. O peut élimier rpidemet les réposes. et d. cr les vecteurs directeurs des droites proposées e sot ps

Plus en détail

BACCALAURÉAT TECHNOLOGIQUE STG. Spécialités : Mercatique, Comptabilité et Finance d Entreprise, Gestion des systèmes d information.

BACCALAURÉAT TECHNOLOGIQUE STG. Spécialités : Mercatique, Comptabilité et Finance d Entreprise, Gestion des systèmes d information. BACCALAURÉAT TECHNOLOGIQUE STG Spécialités : Mercatique, Comptabilité et Fiace d Etreprise, Gestio des systèmes d iformatio. SESSION 2012 ÉPREUVE DE MATHÉMATIQUES Mercatique, comptabilité et fiace d etreprise

Plus en détail

20. Algorithmique & Mathématiques

20. Algorithmique & Mathématiques L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus

Plus en détail

ASSOCIATION POUR LA CERTIFICATION DES MATERIAUX ISOLANTS

ASSOCIATION POUR LA CERTIFICATION DES MATERIAUX ISOLANTS Idice de Révisio Date de mise e applicatio B 01/09/2014 Cahier Techique 1 ASSOCIATION POUR LA CERTIFICATION DES MATERIAUX ISOLANTS 4, aveue du Recteur-Poicarré, 75782 Paris Cedex 16 Tel. 33.(0)1.64.68.84.97

Plus en détail

Baccalauréat S Nouvelle - Calédonie Mars 2009

Baccalauréat S Nouvelle - Calédonie Mars 2009 Bcclurét S Nouvelle - Clédoie Mrs 009 Exercice Commu à tous les cdidts (5 poits) r r Le pl est rpporté à u repère orthoorml direct ( O, u, v) d uité grphique cm O cosidère les poits et B d ffixes respectives

Plus en détail

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

Statistiques appliquées à la gestion Cours d analyse de donnés Master 1 Aalyse des doées Statistiques appliquées à la gestio Cours d aalyse de doés Master F. SEYTE : Maître de coféreces HDR e scieces écoomiques Uiversité de Motpellier I M. TERRAZA : Professeur de scieces écoomiques

Plus en détail

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014 Télécom Physique Strasbourg Module 2101 STATISTIQUES Cours I : Test d hypothèses Fabrice Heitz Octobre 2014 Fabrice Heitz (Télécom PS) Statistiques 2014 1 / 75 Cours I TESTS D HYPOTHÈSES Fabrice Heitz

Plus en détail

1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS

1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS CHAPITRE 4 MATRICES ET SUITES 1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS 11/ Présetatio et modélisatio O cosidère u système ui peut se trouver soit das u état A, soit das u état, et

Plus en détail

SERIE D EXERCICES N 21 : FORMATION DES IMAGES DANS LES CONDITIONS DE GAUSS

SERIE D EXERCICES N 21 : FORMATION DES IMAGES DANS LES CONDITIONS DE GAUSS Nathalie Va de Wiele - Physique Sup PCSI - Lycée les Eucalyptus - Nice Série d exercices SERIE D EXERCICES N : FORMATION DES IMAGES DANS LES CONDITIONS DE GAUSS Propagatio rectilige. Exercice. Das le cas

Plus en détail

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

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

Plus en détail

Exo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X

Exo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X Exo7 Détermiats Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable T : pour

Plus en détail

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

Deuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES

Deuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES DEUXIEME PARTIE Deuième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES Chapitre. L assurace de capital différé Chapitre 2. Les opératios de retes Chapitre 3. Les assuraces décès Chapitre 4. Les assuraces

Plus en détail

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

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable Exo7 Topologie Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Exercice **

Plus en détail

Intérêt simple CHAPITRE. Sommaire

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

Plus en détail

Application «Calculs» Application «Graphiques» Application «Tableur et listes» FR

Application «Calculs» Application «Graphiques» Application «Tableur et listes» FR TI Nspire Documet de Formatio T3 Walloie TI-Nspire Le tout e u des mathématiques Suites umériques La loi de Verhulst Applicatio «Calculs» Applicatio «Graphiques» Applicatio «Tableur et listes» FR Formatios

Plus en détail

LES MESURES CLÉS DU PROJET DE LOI ÉCONOMIE SOCIALE ET SOLIDAIRE

LES MESURES CLÉS DU PROJET DE LOI ÉCONOMIE SOCIALE ET SOLIDAIRE LES MESURES CLÉS DU PROJET DE LOI ÉCONOMIE SOCIALE ET SOLIDAIRE Qu est-ce que l Écoomie sociale et solidaire? Coopératives Etreprises sociales Scop Fiaceurs sociaux Scic CAE Mutuelles Coopératives d etreprises

Plus en détail

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices Chapitre 1 Déombremet 1.1 Eocés des exercices Exercice 1 L acie système d immatriculatio fraçais était le suivat : chaque plaque avait 4 chiffres, suivis de 2 lettres, puis des 2 uméros du départemet.

Plus en détail

Probabilités. Poly des exercices. Prépa HEC Saint-Jean de Douai. Springer-Verlag ECS1 2007-2008. 4 septembre 2008

Probabilités. Poly des exercices. Prépa HEC Saint-Jean de Douai. Springer-Verlag ECS1 2007-2008. 4 septembre 2008 Prépa HEC Sait-Jea de Douai Probabilités Poly des exercices ECS1 2007-2008 Christia Skiada 4 septembre 2008 Spriger-Verlag Berli Heidelberg NewYork Lodo Paris Tokyo Hog Kog Barceloa Budapest Préface Voici

Plus en détail