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

Dimension: px
Commencer à balayer dès la page:

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

Transcription

1 Tempêtes : Etude des dépedaces etre les braches Automobile et Icedie à l aide de la théorie des copulas Topic Risk evaluatio Belguise Olivier Charles Levi ACM Guy Carpeter 34 rue du Wacke 47/53 rue Raspail 67 Strasbourg Frace 9594 Levallois Perret Cedex Frace tel : 33 () tel : 33 () fax : 33 () fax : 33 () ABSTRACT This paper presets a model of the depedece structure of storm impact o both motor ad fire isurace usig copulas. The data are take from a Frech Isurace Compay. The paper applies some ew techiques, iveted by Gary Veter, which allow to select the more appropriate copula amog a set of copulas. A few fuctios are itroduced i order to highlight differet properties of the various copulas. As these fuctios ca also be approximated from the data, they are used to assess which copulas more closely capture features of the data. Thaks to this, we are able to demostrate that the depedece structure betwee motor ad fire isurace ca be described with the HRT copula (also called the Clayto survival copula ). This copula has low correlatio i the left tail but high correlatio i the right, ie for large losses. Firstly we estimate the copula parameter without ay assumptio o the parametric shape of the margial distributios. The same procedure as i the Klugma-Parsa paper Fittig bivariate loss distributios with copulas is also used. Parameters of the bivariate distributio (two for each margial ad oe for the copula) are also estimated with a MLE techique. Goodess of fit tests are performed. The mai differece with Klugma-Parsa paper is that our model is ot a groud-up model. The margials which are liked by the copula are oly defied above a certai amout i each lie of busiess. Thus we may achieve greater accuracy i the tail of the distributio. Parametric estimatio is used to derive some reisurace premiums. Keepig the same HRT depedece structure, we chage the depedece coefficiet to evaluate its impact o the premium of differet reisurace cotracts. Keywords:copulas,widstorms,reisurace page

2 INTRODUCTION La fi du ème siècle a été marquée par de ombreux évéemets climatiques de toute première importace. Les tempêtes de 99, dot tout le mode s accordait à l époque à dire qu il s agissait des tempêtes du siècle, e sot u premier exemple. Que dire alors de «Lothar» et de «Marti» surveus fi 999 et qui touchèret la Frace de plei fouet. «Tempête du milléaire» ou «évéemet exceptioel» furet les qualificatifs les plus souvet employés. Toujours est-il que ces évéemets ot ameé assureurs, et surtout réassureurs, à se pecher de maière plus approfodie sur ce type de phéomèe. Même s il est vrai que lorsque survieet des tempêtes, les bâtimets sot les pricipaux bies assurés edommagés, l assurace automobile costitue égalemet ue part o égligeable du motat total imputable aux tempêtes. Afi de coter certais cotrats de réassurace preat e compte l impact des tempêtes sur les braches «Automobile» et «Icedie-Tempête-Grêle-Neige», ue estimatio de la distributio cojoite de ces deux types de dommages s avère écessaire voire impérative. Il est évidet que ous e pouvos supposer l idépedace etre ces deux braches sous peie d aboutir à des résultats erroés. Jusqu à préset la plupart des techiques utilisées présetaiet certais icovéiets. Nous pouvos, à titre d exemple, citer l utilisatio de distributios bidimesioelles comme la Pareto bivariée. Mais das ce cas précis, les lois margiales serot écessairemet des lois de Pareto. L idéal serait doc de pouvoir créer des distributios multivariées et a fortiori bivariées e choisissat ous-mêmes os lois margiales. La théorie des copulas va ous permettre de répodre à toutes ces attetes. Le mot copula, dot la sigificatio e lati est littéralemet lie, a été employé pour la première fois e 959 par Abe Sklar dot le théorème costitue la clef de voûte de toute la théorie. De maière géérale les copulas sot des foctios qui vot costituer u véritable lie etre la distributio multivariée et les lois margiales. La première partie de cet article présetera la théorie des copulas das ses grades liges, otammet le théorème de Sklar, clarifiera la otio de dépedace. Pour des iformatios plus précises au sujet de ce cocept, le lecteur pourra se reporter à l article de Embrechts- McNeil-Strauma (999). Cette partie mettra égalemet e avat les copulas utilisées au cours de otre étude, et doera toutes les formules écessaires à l estimatio de paramètres par la méthode du maximum de vraisemblace. D autre part, des techiques ous permettat de choisir la copula susceptible de correspodre au mieux à ue certaie série de doées y serot égalemet exposées. Das la secode partie, ous utiliseros les copulas das le but d évaluer ue distributio bivariée des motats «automobile» et «icedie». page

3 Les doées qui servirot de base à otre étude ous ot été fouries par ue grade compagie d assurace fraçaise. La base de doées utilisée compred tous les siistres dus aux tempêtes sur ue période de as, à compter du er javier 99 jusqu au 3 décembre. Nous détermieros das u premier temps la ou les copulas que ous allos juger susceptibles de coveir grâce aux techiques exposées das la première partie. Nous détermieros esuite la ou les lois margiales permettat la meilleure adéquatio possible das les braches «Automobile» et «Icedie». Efi, ous estimeros les paramètres de otre distributio bivariée avec les lois margiales et les copulas reteues. Ces estimatios serot complétées par les tests usuels pour voir si otre adéquatio est acceptable. L ue des fialités de cette adéquatio à ue loi bivariée est l évaluatio de cotrats de réassurace par la méthode de Mote-Carlo. Les outils utilisés pour meer à bie cette étude ot été les logiciels SAS (modules Base, Stat) et Excel. Théorie des copulas L objet de cette partie est de doer des bases théoriques sommaires mais éamois écessaires à la boe compréhesio des copulas. Nous préseteros tout d abord le cocept de copula et ous doeros quelques exemples de celles-ci qui ous servirot par la suite. Nous aborderos efi la otio de dépedace, et ous préseteros des mesures de dépedace qui peuvet être exprimées à partir des copulas. Nous termieros e doat quelques exemples de foctios permettat d affier le choix d ue copula pour ue certaie série de doées.. Défiitio d ue copula et théorème de Sklar.. Défiitio d ue copula Ue copula est défiie comme état ue foctio de répartitio multivariée ayat des lois margiales uiformes sur [,]. Nous ous cocetreros das cet article sur le cas bidimesioel, même si ces défiitios peuvet être étedues à u ombre de dimesios plus élevé. C(u,v)=P(U u,v v) est doc ue foctio defiie de [,] vers [,] qui vérifie les trois propriétés suivates: C(u,v) est ue foctio croissate pour chacue de ses composates u et v C(u,)=u et C(,v)=v 3 Pour tout a a et b b, ous avos C(a,b )-C(a,b )-C(a,b )+C(a,b ).. Théorème de Sklar... Soit F ue foctio de distributio e dimesios ayat des margiales F,F Y page3

4 Alors il existe ue copula C telle que pour tout (x,y) [-, ] F( x, y ) = C( F ( x ), FY ( y )) De plus, si les lois margiales sot cotiues, alors cette copula est uique. Les copulas permettet doc la créatio de distributios bivariées ayat des lois margiales défiies. Si C est ue copula et F et F Y des lois margiales alors C(F (x),f Y (y)) est ue distributio bivariée. La copula pourrait doc se compredre comme état la foctio de répartitio bivariée des variables aléatoires F () et F Y (Y), qui sot,est il besoi de le rappeler, uiformémet réparties.... Le corollaire de ce théorème s éoce comme suit : Défiissos F,C, F,F Y comme précédemmet et otos F (-),F Y (-) les foctios quatiles respectives de F x et F Y Alors, pour tout vecteur (u,v) [,] ( ) ( ) C( u, v ) = F( F ( u), F ( v )). Notio de Survival Copula Y La otatio S(x) est très souvet employée pour décrire la foctio de survie P(>x). La foctio de survie cojoite S(x,y)=P(>x,Y>y) est pas -F(x,y) comme certais auraiet pu le peser (e fait il s agit de la probabilité P(>x ou Y>y)) mais S(x,y)=-F x (x)-f y (y)+f(x,y) Par aalogie, pour ue copula ous savos que C(u,v)=P(U<u,V<v), la foctio de survie est C s (u,v)=p(u>u,v>v)=-u-v+c(u,v). Comme C(F x (x),f y (y))=f(x,y), ous obteos C s (F x (x),f y (y))=s(x,y). C s est pas ue copula das la mesure où elle est pas ulle au poit (,), mais que e revache elle est égale à zéro e (,). Nous défiissos alors C f (u,v)=c s (-u,-v)=-(-u)-(-v)+c(-u,-v) =u+v-+c(-u,-v) Aisi C f (S x (x),s y (y))= C s (F x (x),f y (y))=s(x,y). La foctio C f est, quat à elle, ue Copula. Nous l appeleros doc flipped copula (o peut égalemet la retrouver sous le om de survival copula das la littérature), et, e appliquat celle-ci aux foctios de survie margiales, ous obteos alors la distributio de survie cojoite. Néamois, les flipped copula peuvet être appliquées aux foctios de distributios margiales, et avoir aisi des propriétés iverses à la copula origiale. U exemple sera préseté das la suite de cet article..3 Desité des copulas Nous savos que si elle existe, la desité f d ue foctio de distributio F est défiie comme suit: F( x, y ) f( x, y) = x y L expressio de le desité de la copula que ous oteros c ou C s exprime doc comme suit page4

5 (, v) C u c( u, v ) = u v La desité f de F s exprime alors f( x, y) = c( F ( x), FY ( y )) fx() x fy() y Cette formule predra toute so importace lorsque ous effectueros des estimatios paramétriques par la méthode du maximum de vraisemblace..4 Distributio coditioelle et Copulas Les distributios coditioelles peuvet égalemet s exprimer à l aide des copulas. Notos C (u,v) la dérivée de C(u,v) par rapport à u. (u,v) C C(u, v) = u Si la distributio joite de et Y est F(x,y)=C(F x (x),f y (y)) alors la distributio coditioelle de Y =x est doc F Y (y)=c (F x (x),f Y (y)). Nous verros ultérieuremet que si C est iversible, alors la simulatio de probabilités joites pourra être faite e utilisat cette propriété. Cette formule revêt doc égalemet ue importace capitale..5 Le coefficiet de corrélatio de Kedall et le cocept de Tail depedece Lorsque l o évoque la dépedace, le premier mot qui viet gééralemet à l esprit est celui de coefficiet de corrélatio liéaire. Ce coefficiet de corrélatio liéaire, égalemet cou sous le om de coefficiet de corrélatio de Pearso, est e effet le plus courammet utilisé. Ce coefficiet est tout à fait approprié lorsque ous étudios des distributios ormales ou de Studet multivariées, mais celui-ci perd de so itérêt si le modèle est différet. Malheureusemet, les distributios das le domaie de l assurace suivet très raremet de telles lois. Nous préseteros ici u autre coefficiet de corrélatio, à savoir le coefficiet de Kedall qui présete l avatage de demeurer ichagé sous l hypothèse d ue trasformatio strictemet croissate des variables aléatoires. Ue mesure de dépedace doit e fait ous permettre de ous faire ue idée de la structure de dépedace etre deux variables aléatoires, et ceci exprimé à l aide d u seul ombre. Nous examieros égalemet les otios de tail depedece ou de dépedace de queue, très importates das l étude des dépedaces etre les valeurs extrêmes et directemet associés aux copulas..5. Le coefficiet de corrélatio de Kedall Soit (,Y) u vecteur aléatoire et otos (,Y ) u vecteur e tout poit idetique. Le τ de Kedall est tout simplemet la probabilité de cocordace mois celle de discordace, à savoir τ(,y)=p((- )(Y-Y )>)-P((- )(Y-Y )<) page5

6 Ce coefficiet e déped doc que du rag de chaque observatio, c est pourquoi il est ivariat par trasformatio croissate des variables aléatoires, que celle-ci soit liéaire ou pas. Si (,Y) a pour copula C, alors ce coefficiet se détermie uiquemet e foctio de la copula par : τ(, Y) = 4 C(u, v)c(u, v)dudv = 4E C(U, [ V) ].5. Le cocept de Tail dépedece. Cette otio est très importate das l étude de la dépedace asymptotique etre deux variables aléatoires. Cela va ous permettre de voir le iveau de dépedace das les valeurs extrêmes (upper tail depedece) et das les valeurs petites (lower tail depedece). Nous aborderos ici que le premier cas de figure. L objet est doc l étude de la dépedace das la queue commue de la distributio bivariée. Preos doc deux variables aléatoires cotiues et Y ayat pour foctio de distributio respectives F x et F y. Le coefficiet d upper tail depedece de et Y est défii par ( Y > F ( u) > F ( u) ) C( u, u) u + λ = lim P u Y = lim u u si toutefois cette limite λ [,] existe. La quatité λ est ue foctio de la copula et est doc ivariate par trasformatio croissate. Si λ ],], il existe alors ue dépedace asymptotique. Si λ=, o dit qu il y a idépedace asymptotique. A titre d exemple, pour les copulas de Gumbel ou HRT que ous préseteros das les pages qui suivet, le coefficiet d upper tail depedece sera respectivemet de - /a et / a..6 Exemples de copulas Les pricipales propriétés des copulas ayat été défiies, ous pouvos désormais e préseter quelques exemples. L échatillo proposé e sera bie etedu pas exhaustif, mais ous tâcheros de préseter les Copulas les plus célèbres et celles qui présetet u itérêt das l étude des distributios de motat de siistres. Si l o fait abstractio des copulas triviales comme la copula d idépedace (C(u,v)=uv) la copula de dépedace totale positive (C(u,v)=mi(u,v)) ou égative (C(u,v)=max(u+v-,)), ous pouvos citer :.6. La copula Normale Cette copula fait partie de la famille des copulas elliptiques (de même que la Copula de Studet que ous e préseteros pas). La copula d ue distributio ormale bivariée (avec ρ comme coefficiet de correlatio) est défiie comme suit: Φ ( u) Φ (v) Ga t + t ρtt Cρ (u, v) = exp dt dt π ( ρ ) ( ρ ) avec, -<ρ< et φ la foctio de distributio de la loi ormale. page6

7 La desité s écrit alors ρ Φ c Ga = ρ ( u, v) exp ρ ( u) + ρ Φ ( v) ρφ ( u) Φ ( v) ρ Il est très facile de simuler ue paire de variable aléatoire (U,V) ayat pour distributio joite la Copula Normale. La première étape cosiste à simuler ue paire de variable aléatoire (,Y) ayat pour distributio la loi ormale bivariée N(,R). R état la matrice de corrélatio ayat ρ comme élémet o diagoal, et sur la diagoale. E preat esuite U=Φ() et V=Φ(Y), alors (U,V) aura pour distributio la copula Normale. Le coefficiet de correlatio de Kedall est τ=(/π)arcsi(ρ)..6. Les copulas archimédiees Il s agit d ue famille de copulas assez particulière, puisque les élémets de cette famille sot géérés à partir d ue foctio ϕ que l o appelle égalemet géérateur de la copula. Cette foctio ϕ est cotiue, strictemet décroissate de [,] vers [, ],telle que ϕ()= et covexe. Nous obteos ue copula e preat ϕ ( u, v) = ( ϕ() u + ϕ() v ) si ϕ( u) + ϕ( v) ϕ( ) Cϕ E fait, ce est que si lim ϕ()=+ t t + sio que C ϕ (u,v)> (sauf lorsque u ou v est égal à ). Simulatio de 8 paires ayat pour distributio la copula C ga 6et des lois margiales uiformes Nous e préseteros ici trois d etre elles, à savoir la copula de Frak, la copula de Gumbel et celle de Clayto..6.. La copula de Frak Preos at e ϕ( t) = l a e avec a. Nous obteos aisi la copula de Frak qui est doc défiie comme suit: page7

8 au av ( e )( e ) Ca (u, v) = l+ a a e Les cas limites sot doc les suivats: l id lim a Ca = C,lima Ca = C,lima Ca = C E défiissat g z =e -az - ous obteos: C(u, v) gug v + g v C( u, v) = = u gug v + g et fialemet + gu+ v c(u, v) = ag (gug v + g) Nous rappelos à ouveau que le calcul de la desité est très importat das la mesure où celle-ci va être utilisée ultérieuremet pour des estimatios de paramètres par la méthode du maximum de vraisemblace. La copula de Frak état la seule copula Archimédiee à respecter l équatio C(u,v)=C f (u,v) (cf.3), celle-ci risque de e pas être toujours appropriée à des applicatios das le domaie de l assurace. Pour simuler des paires (u,v) ayat comme distributio la Copula de Frak, ous pourros utiliser la distributio coditioelle. La démarche à suivre cosiste doc à simuler idépedammet u et p toutes deux issues de la loi uiforme sur [,]. Mais ici p sera compris comme ue réalisatio de la distributio coditioelle de V u. Comme cette distributio est plus i mois que C, v sera détermié e résolvat l équatio v=c - (p u). C état iversible, v se détermie alors aisi pg v = l+ a + gu ( p) V,9,8,7,6,5,4,3,, Echatillo de paires (u,v) distribuées avec ue copula de Frak (Tau=,5),,4,6,8 U Ue fois u et v simulés, ous pouvos simuler des réalisatios des variables et Y e iversat tout simplemet les distributios margiales, c est à dire e preat x=f - (u) et y=f Y - (v). Le coefficiet de corrélatio de Kedall que ous défiiros das la partie suivate, se défiit, pour la copula de Frak de la maière suivate: u page8

9 a 4 4 t τ(a) = + dt t a a e La derière partie de l expressio est égalemet coue sous le om de foctio de Debye..6.. La copula de Gumbel Preos comme géérateur a ϕ ( t) = ( l(t)) avec a>. Cette foctio satisfaisat à toutes les coditios du théorème sur les copulas archimédiees, ous pouvos géérer la copula de Gumbel e preat: a a a [( ) + ] l(u) ( l(v Ca (u, v) = exp )) Les cas limites suivat la valeur du paramètre sot doc: u id lim a Ca = C, Ca= = C La dérivée par rapport à la composate u s écrit: C (u,v)=c(u,v)[(-l u) a +(-l v) a ] -+/a (-l u) a- /u Et la desité c(u,v)=c(u,v)u - v - [(-l u) a +(- l v) a ] -+/a [(l u) (l v)] a- {+(a-)[(-l u) a +(-l v) a ] -/a } et τ(a)=-/a E revache, la distributio coditioelle C est pas iversible. Il existe éamois ue techique de simulatio propre aux copulas archimédiees. Défiissos tout d abord pour tout t [,] la foctio: ϕ(t) K (t) = t ' + ϕ (t ) Supposos qu u vecteur aléatoire (U,V) ait pour foctio de répartitio ue Copula archimédiee, alors cette foctio K sera tout simplemet la foctio de répartitio de la variable aléatoire C(U,V). Simulatio de paires (u,v) ayat pour distributio la copula de Gumbel(a=) V,9,8,7,6,5,4,3,,,,4,6,8 U La desité de la copula de Gumbel (a=) sur ue échelle logarithmique Das le cas de la Copula de Gumbel, cette foctio sera doc: page9

10 K(t) = t( l(t)) a La procédure à suivre pour simuler des paires (u,v) est doc Simuler idépedammet s et q suivat la loi uiforme U(,) Détermier t=k - c (q) Predre u=ϕ [-] (s ϕ(t)) et v=ϕ [-] ((-s) ϕ(t)) La détermiatio de t e peut se faire que par résolutio umérique de l équatio, et doc par ue méthode itérative La copula de Clayto Preos a ϕ() t = a( t / ) avec a>. Nous obteos aisi la copula de Clayto a a a Ca (u,v) = u v + Les cas limites suivat la valeur du paramètre sot doc: lim = C a id = C,lima La dérivée première par rapport à u s écrit: C ( ) / a a a [ / u, v u u v / ] a = + et aisi la desité s exprime: / a c u,v = ( + ) (uv) (u a et τ(a)=/(a+). a a a ( ) / v / + ) u Echatillo de paires (u,v) distribuées avec ue copula de Clayto (a=,5) V,9,8,7,6,5,4,3,,,,4,6,8 U La techique de simulatio utilisée est la même que pour la copula de Frak, sauf que das ce cas là v=[(pu +/a ) /(-a-) -u -/a +] -a. Il est visible sur cet échatillo qu il y a ue importate cocetratio de poits près de (,). Cette copula aurait doc tedace à corréler etre eux les petits siistres et pas du tout les gros. Cela va à l ecotre de ce que ous recherchos lorsque ous étudios des distributios de motats de siistres. page

11 L idée serait doc de défiir ue copula présetat des propriétés opposées. Nous avos défii das les pages précédetes la otio de survival Copula. Nous allos doc appliquer cette formule pour obteir la copula HRT heavy right tail..6.3 La copula HRT Cette copula est doc défiie comme état la survival copula de la copula de Clayto. Elle s écrit doc: ( ) ( / a / a u, v = u + v + ( u) + ( v) ) a Ca et par suite a a ( ) / a a C (u, v) = u + ( v) ( u) la desité état doc a a a c(u, v) = ( + ) ( u) + ( v) [( u)( v) ] a a et τ(a)=/(a+), comme pour la copula de Clayto. Echatillo de paires (u,v) distribuées avec ue copula HRT (a=.5) V,9,8,7,6,5,4,3,,,,4,6,8 U La desité de la copula HRT sur ue échelle logarithmique(a=.5) Comme pour la plupart des autres copulas présetées jusqu à préset, la distributio coditioelle C est iversible. Das ce cas précis, v est détermié à partir de u et p e preat : v=-[(-(-u) -/a + [(-p)(-u) +/a ] (-/(+a)) ] -a La copula HRT ayat été coçue das cette optique, la cocetratio de poits près de (,) est la plus importate. Avec cette structure de dépedace, les gros siistres aurot tedace à surveir esemble. Bie qu il s agisse d ue Survival Copula, elle peut être utilisée comme ue copula à part etière (Veter ). Comme le motret la simulatio effectuée et le graphique représetat la desité de cette copula, celle-ci présete ue desité de probabilité plus élevée aux abords des poits (,) et surtout (,). Cette copula pourrait doc évetuellemet coveir das le cadre d études de distributios de motats de siistres (avec dépedace pour les motats importats). page

12 .7 Le choix de la boe copula Au vu de toute la théorie exposée précédemmet, ous sommes e droit de ous demader quelle copula pourrait le mieux correspodre à ue certaie série de doées. Deux copulas ayat le même coefficiet de corrélatio de Kedall peuvet e effet avoir des comportemets tout à fait différets. Il suffit pour s e covaicre de jeter u bref coup d œil aux graphiques des simulatios présetés das la partie précédete. Nous allos doc das cette partie doer quelques méthodes ous permettat de faire le tri parmi les copulas afi de e choisir que celles qui pourraiet préseter des caractéristiques semblables à celles de otre série de doées. E fait, ous allos exposer plusieurs foctios, dot certaies ot été exposée par Gary Veter () et qui aurot des caractéristiques tout à fait différetes selo la copula choisie. Ces foctios pouvat égalemet être établies de faço empirique, uiquemet à partir du rag de chaque observatio, ue simple comparaiso graphique ous permettra de e reteir qu ue ou deux familles de copulas pour la poursuite de otre étude..7. La foctio K(z) Cette foctio, qui a déjà été évoquée das otre présetatio de la copula de Gumbel, est i plus i mois que la foctio de répartitio de la variable aléatoire C(U,V). Il a été démotré que pour ue copula de type archimédiee, cette foctio se défiissait comme suit : ϕ( z) K( z) = z ϕ ( z) Das le cadre des copulas archimédiees présetées auparavat cette foctio K(z) est doc la suivate Gumbel Frak (z) K a Clayto az e = z( l(z)) K a (z) = z + l a a a e ( ) a K / a (z) = z + az z Supposos maiteat que ous disposios d u échatillo d observatios (x,y ) (x,y ) issu d u vecteur aléatoire (,Y). Pour établir u estimateur o-paramétrique de la foctio K à partir de cet échatillo, la procédure à suivre cosiste à : Défiir la pseudo-observatio z i pour chaque i= ombre de paires { x j, y j} telles que x j < xi et y j < y zi = Défiir l estimateur o-paramétrique de K comme suit K (z) = { ombre de z z} i i page

13 Cette estimatio o-paramétrique de K pourra esuite être comparée graphiquemet aux versios paramétriques de K pour les différetes copulas archimédiees. Le paramètre «a» de la copula pourra être établi, par exemple à partir du coefficiet de Kedall empirique de l échatillo. E effet ous avos vu qu il existe ue relatio directe etre le coefficiet de Kedall et le paramètre de la copula. Il suffit doc simplemet de résoudre ue équatio pour détermier le paramètre de la copula, même si cette opératio peut se révéler u peu plus délicate das le cas de la copula de Frak par exemple. Ue autre méthode pour détermier ce paramètre pourra être celle du maximum de vraisemblace que ous utiliseros plus loi..7. La foctio J(z) ou de Tau cumulatif Cette foctio est basée sur le coefficiet du τ de Kedall dot ous rappelos ici la formule : τ = + 4 C(u, v)c(u, v)dudv L idée a esuite cosisté à défiir ue foctio de τ cumulatif e preat : J(z) = + 4 z z C(u, v)c(u, v)dudv C(z, z) Il est clair que J()= τ. O costate des différeces otables das le comportemet de la foctio J(z) pour les différetes copulas, la foctio J(z) peut démarrer avec ue faible corrélatio (HRT) ou ue corrélatio plus importate (Gumbel). Nous avos pas représeté la copula de Clayto das la mesure où J(z) est représetée très rapidemet par ue lige horizotale dot la valeur est bie etedu égale à τ. Ceci s explique aisémet das la mesure où la copula de Clayto possède u coefficiet de «right tail depedece» et doc la «dépedace est surtout cocetrée près du poit (,)». L itérêt de cette foctio réside là ecore das le fait qu ue versio empirique de celle-ci puisse être établie. Nous allos, comme pour la foctio K(z), doer la procédure pour établir la foctio J(z) de maière empirique. Cosidéros le même échatillo d observatios (x,y ) (x,y ). Notos rag x i le rag de la i-ème observatio das l esemble des valeurs x,,x. La procédure à suivre cosiste à Trasformer les doées (x i,y i ) e (u i,v i ) e preat (u i,v i )=({rag x i }/(+), {rag y i }/(+)) Défiir C(z,z) e preat ombre de paires C( z, z) = { u, v } telles que u < z j j j j < ce qui reviet à predre la foctio de répartitio empirique des doées trasformées e (). et v z page3

14 3 Défiir la pseudo-observatio z i pour chaque i= comme précédemmet ombre de paires z = i 4 Défiir esuite la quatité I( z) = 5 Nous défiissos esuite J(z) par Il e reste plus qu à comparer la versio «empirique» aisi obteue à la versio «paramétrique» de J(z) pour différetes copulas..7.3 La foctio M(z) Posos Comme E[V]=/, quelle que soit la copula choisie, la foctio M vérifiera M()=/. La différece etre les copulas se fera doc au iveau des petites valeurs de z et à l allure de la courbe au fur et à mesure que l o approche du poit z=. La procédure a suivre pour calculer cette foctio à partir des doées (x,y ) (x,y ) cosiste à : Défiir D(z) e preat Défiir N(z) suivat la formule 3 Soit M(z)=N(z)/D(z). { x, y } ( zi { ui < z et vi < z} ) i= 4I(z) J (z) = + C(z, z) M(z) = E D( z) ( V U < z) { ui < z} = i= = { ui< z} vi N ( z) i= = j telles que x < x et y Et comme D()=, o retrouve bie M()=/. j z u = v = Il est évidet M()=/ puisque ( + ) N() = i = = + + i= vc(u, v)dudv z j i j < y i page4

15 .7.4 Les foctios L(z) et R(z) ou Tail cocetratio fuctios Nous ous sommes déjà pechés précédemmet sur les cocepts de upper tail et lower tail depedece. Les foctios que ous allos préseter maiteat sot totalemet basées sur ces cocepts. Pour tout z apparteat à (,), ous défiissos L(z)=P(U<z,V<z)/z² et R(z)=P(U>z,V>z)/(-z)² Ces foctios mettet doc e valeur la cocetratio de probabilité aux abords des poits (,) et (,). Celles-ci peuvet doc se traduire très facilemet e termes de copulas, puisque: L(z)=C(z,z)/z² et R(z)=(-z+C(z,z))/(-z)². Nous avos expliqué précédemmet (lors de la présetatio de la foctio de tau cumulatif) commet calculer C(z,z) à partir des doées. Etablir la versio o-paramétrique de ces foctios e pose doc a priori aucu problème. Les graphiques de ces foctios sot présetés ci-dessous pour différetes valeurs du tau de Kedall. Nous savos que R()=L()=, doc ces foctios pourrot très facilemet être différeciées l ue de l autre. Ue costatatio s impose d emblée au vu de ces graphiques: plus le τ de Kedall est importat, plus les valeurs de ces foctios sot élevées aux abords des poits dits itéressats (à savoir pour L(z) et pour R(z)) Comme ous pouvios ous y attedre, les graphiques des copulas HRT et Clayto sot parfaitemet symétriques. La copula de Gumbel présete ue forte cocetratio das les deux queues, même si celle de droite est de loi la plus épaisse. Au fur et à mesure que la corrélatio dimiue, l importace relative de la queue à gauche décroît par rapport à celle de droite. La copula HRT présete ue cocetratio à droite aussi importate que la copula de Gumbel, mais à gauche celle-ci est quasimet ulle. La copula de Frak est, quat à elle, totalemet symétrique. Nous veos doc de passer e revue les différetes foctios qui servirot de prélimiaire à otre étude. Nous sommes maiteat e mesure d étudier le phéomèe des tempêtes e utilisat ces copulas. Adéquatio à ue loi bivariée grâce aux copulas. Présetatio des doées utilisées Nos doées sot issues des fichiers «siistres tempêtes idividuels» d ue grade compagie d assurace fraçaise vetilées etre les braches «Icedie» et «Automobile». Notre historique se base sur la période du er javier 99 au 3 décembre, soit ue période de as et compred des siistres majeurs comme la tempête du 3 février 99 et les deux tempêtes de fi décembre 999 (Lothar et Marti). Nous avos esuite procédé à u regroupemet des siistres idividuels par période de trois jours coformémet à la clause horaire e vigueur e matière de réassurace. page5

16 Nous avos efi réalisé ue actualisatio de ces motats de maière à les homogééiser. Nous avos pour ce faire teu compte, etre autres, de l iflatio, de l évolutio du ombre de polices du portefeuille et des variatios des motats des frachises. U idice d iflatio propre à chaque brache a été utilisé, à savoir l idice FFB pour la brache «Icedie» et u idice du coût de réparatio automobile pour la secode brache. Nous avos, sur la base de travaux iteres de C.Levi recostitué le motat des évéemets à iveau de frachise égal. E effet ue dimiutio ou ue augmetatio de la frachise a u impact tat au iveau de la fréquece que du coût moye des siistres idividuels. Il coveait doc d effectuer u réajustemet pour estimer le coût des tempêtes pour u iveau de frachise équivalet. Nos doées e sot doc e aucu cas cesurées, puisque ous disposos de l esemble des évéemets et du coût occasioé à la compagie.. Modèle utilisé. Le pricipal problème auquel ous ous sommes retrouvés cofrotés a été le ombre impressioat d évéemets «tempête» aisi recostitué. E fait, ous avos déombré plus de tempêtes, soit à peie mois que le ombre de périodes de 3 jours compris das ue période de as. La garatie tempête est doc très souvet touchée. Nous oteros (x i,y i ) les motats occasioés par ces tempêtes aux braches «Icedie» et «Automobile». x i correspodra doc au motat occasioé par la i ème tempête à la brache «Icedie» alors que y i représetera les dommages subis par la partie «Automobile». Nous oteros par la suite la brache icedie. Y la brache automobile. Il était pas raisoable de predre e compte la totalité de ces évéemets, certais de ces évéemets e résultat e fait que d u simple coup de vet tout à fait localisé et ayat de fait pas droit à l appellatio de tempête au ses météorologique du terme. C est pourquoi ous avos adopté le schéma de modélisatio suivat Modélisatio de Y Modélisatio de (,Y) grâce à la théorie des copulas. dy Modélisatio de dx dx et dy représetet des iveaux de sélectio. Nous avos e fait choisi de reteir les deux iveaux de sélectio suivats: Tempêtes dépassat le motat de Fracs e Auto et e icedie. (cas) Tempêtes dépassat 7 5 Fracs e Auto et 57 Fracs e icedie. (cas) page6

17 Nous préseteros das cet article que les résultats obteus pour le premier iveau de sélectio, c est à dire e coservat u ombre de doées importat. Mais la méthode à suivre demeure exactemet la même quel que soit le ombre de doées reteues. La démarche que ous avos suivie pour modéliser (,Y) a été la suivate : Idetificatio de la ou des copulas à utiliser. Détermiatio de la ou des lois margiales correspodat au phéomèe grâce à la méthode du maximum de vraisemblace. Vérificatio de la qualité de l ajustemet de ces lois grâce au test du Khi-Deux. Utilisatio cojoite des copulas et lois margiales reteues pour estimer les paramètres de otre distributio bivariée par la méthode du maximum de vraisemblace. Vérificatio de la qualité de l ajustemet. De plus ous avos égalemet effectué ue adéquatio de la loi margiale de lorsque Y est iférieur à dy, et vice-versa. Ces simples adéquatios état que d u itérêt relatif, ous e préseteros pas ces résultats..3 Idetificatio de la copula à utiliser Nous e reteos das u premier temps, que les tempêtes dot le motat a dépassé Fracs à la fois das la brache Auto et das la brache Icedie. Nous travailleros cepedat e milliers de fracs (KF). Le ombre de tempêtes répodat à ces coditios est de 736. A toutes fis utiles, le graphique représetat les motats das les deux braches est le suivat: Les 736 Tempêtes ayat u coût supérieur à Fracs das les deux braches. Auto e KF MR e KF Ce uage de poits motre de maière évidete qu il existe bie ue dépedace etre ces deux braches. Le τ de Kedall empirique est de,43. Le ρ de Pearso est de,877. Ces deux coefficiets sot sigificativemet différets de. Nous allos maiteat estimer le paramètre d associatio pour différetes copulas sas faire d hypothèses sur la forme paramétrique des lois margiales. Notos doc le ombre de os observatios (soit 736). La méthode cosiste doc à trasformer otre série de doées (x i,y i ) {i= } e (u i,v i ) e utilisat pour cela la foctio de répartitio empirique. page7

18 Il suffit, pour ce faire, de repérer le rag de chaque x i et y i das leurs braches respectives et de le diviser par (+). Copula Auto-Icedie Esuite, ous pouvos utiliser la méthode du maximum de vraisemblace (e fait,,4 U,6,8 CMLE :caoical maximum likelihood estimatio) pour estimer le paramètre de otre copula. Coformémet aux otatios adoptées das otre secode partie, ous oteros celui-ci «a». Doc, â = arg max i= l c ( u, v ; a) i V i,9,8,7,6,5,4,3,, où c représete la foctio de desité de la copula. Nous allos doc estimer le paramètre pour les copulas de Frak, Gumbel, Clayto, HRT, et efi la copula ormale. Ces ciq copulas ot été reteues essetiellemet pour des raisos de otoriété. Les foctios utilisées pour la desité sot celles qui ot été précédemmet exposées. Les résultats obteus par la méthode du maximum de vraisemblace sot doc les suivats : Gumbel Normale HRT Frak Clayto Paramètre,33,378,445,38 3,378 Log Vraisemblace 77,3 55,48 84,7 5,33 6,447 τ de Kedall,44,47,57,45,9 Comme pour ces ciq copulas la relatio etre le paramètre et le τ de Kedall est «bijective», ous avos égalemet metioé das le tableau la valeur de τ résultat de cette maximisatio. Par ailleurs, ous avos établi les versios o-paramétriques des foctios J(z), M(z), K(z), R(z) et L(z) exposées précédemmet. Nous pouvos les comparer aux versios paramétriques obteues e preat les paramètres trouvés ci-dessus. page8

19 ,9 La foctio K(z),4 La foctio J(z) ou de Tau cumulatif,8,3,7,,6,5,4,3, K(z) empirique K(z) frak K(z) Gumbel K(z) Clayto,,,3,4,5,6,7,8,9 J(z) empirique,,,,3,4,5,6,7,8,9 -, -, J(z) HRT J(z) Gumbel J(z) Frak,5,48,46 La foctio M(z) (Auto MR<z),44,4,4,38,36 M(z) empirique M(z) HRT M(z) Gumbel M(z) Frak M(z) Normale,34,3,3,,,3,4,5,6,7,8,9 La foctio L(z) La foctio R(z) Gumbel Frak Clayto HRT Empirique Gumbel Frak Clayto HRT Empirique,,,3,4,5,5,6,7,8,9,, page9

20 Au vu des graphes présetés et de la valeur de la foctio du logarithme de la vraisemblace à so maximum, il apparaît que deux copulas pourraiet effectivemet correspodre à os doées. La meilleure cadidate est sas coteste la copula HRT puisque c est elle qui maximise «le mieux»la foctio de vraisemblace, et se rapproche au plus près des différetes foctios idicatrices calculées. Il semble d ailleurs, au vu du graphique ommé «Copula Auto- Icedie» que la seule cocetratio visible de poits se trouve aux abords de (,), ce qui corrobore le fait que cette copula soit la plus appropriée. Nous allos éamois garder la copula de Gumbel, car au vu du graphe de K(z) il s agit de la meilleure copula Archimédiee, et e terme de vraisemblace elle se place e secode positio. La foctio R(z) ous motre bie que so comportemet «à droite» est similaire à celui de la copula HRT, même si «à gauche» elle e retrascrit pas tout à fait le comportemet exact du phéomèe observé. Ceci est dû au fait que la copula de Gumbel iduit égalemet ue dépedace etre les petites valeurs de u et de v, et explique sûremet pourquoi la courbe de J(z) passe légèremet au dessus de la courbe o-paramétrique..4 Détermiatio des lois margiales Comme ous avos pris e compte que les doées à partir d u certai seuil, il est écessaire d utiliser des lois troquées. Ue loi troquée à gauche au seuil dx est défiie de la maière suivate : Supposos que soit ue variable aléatoire cotiue ayat F x comme foctio de répartitio. Nous défiissos la variable aléatoire troquée T de foctio de répartitio F Tx e preat T x = si >dx, et T x est o défiie das le cas cotraire. La foctio de répartitio de T est doc la suivate : F (x) F (dx) FT ( x) = P( x > dx) = si x > dx F (dx) et sio. Pour ue loi doée, et e otat θ=(θ,θ,,θ ) le vecteur des paramètres de cette loi, la foctio de log-vraisemblace à maximiser est la suivate : f (xi; θ) l( θ) = l i= F (dx; θ) Nous avos grâce à u logiciel développé chez Guy Carpeter effectué cette opératio pour quatorze lois différetes. Les lois margiales testées furet les suivates : Lois à u paramètre : Expoetielle, Pareto simple, Geeralized Extreme value limit. Lois à deux paramètres : Gamma, Weibull, Gamma Iverse, Log Gamma, Iverse Weibull, Loglogistique, Paralogistique, Iverse Paralogistique, Log-Normale. Lois à trois paramètres : Burr, Iverse Burr. Le critère de sélectio du logiciel est appelé HQ, il est égal à la valeur absolue de la foctio de log-vraisemblace à so maximum à laquelle o rajoute le produit etre le ombre de paramètres et le logarithme du ombre de doées divisé par π. Ce critère, tout comme le critère SBIC ((-*log-vraisemblace)+ombre paramètres*l (ombre doées)), pallie la faiblesse du critère AIC((-*log-vraisemblace)+*(ombre paramètres)), qui ted à accepter u modèle avec u grad ombre de paramètres si l échatillo est large. page

. (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

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 descriptive bidimensionnelle

Statistique descriptive bidimensionnelle 1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets

Plus en détail

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

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

[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

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

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

SÉRIES STATISTIQUES À DEUX VARIABLES

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

Plus en détail

Séquence 5. La fonction logarithme népérien. Sommaire

Séquence 5. La fonction logarithme népérien. Sommaire Séquece 5 La foctio logarithme épérie Objectifs de la séquece Itroduire ue ouvelle foctio : la foctio logarithme épérie. Coaître les propriétés de cette foctio : sa dérivée, ses variatios, sa courbe, sa

Plus en détail

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

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

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

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

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

Plus en détail

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

Convergences 2/2 - le théorème du point fixe - Page 1 sur 9 Au sommaire : Suites extraites Le théorème de Bolzao-Weierstrass La preuve du théorème de Bolzao-Weierstrass3 Foctio K-cotractate4 Le théorème du poit fixe5 La preuve du théorème du poit fixe6 Utilisatios

Plus en détail

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

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

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

55 - EXEMPLES D UTILISATION DU TABLEUR.

55 - EXEMPLES D UTILISATION DU TABLEUR. 55 - EXEMPLES D UTILISATION DU TABLEUR. CHANTAL MENINI 1. U pla possible Les exemples qui vot suivre sot des pistes possibles et e aucu cas ue présetatio exhaustive. De même je ai pas fait ue étude systématique

Plus en détail

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

2 ième partie : MATHÉMATIQUES FINANCIÈRES

2 ième partie : MATHÉMATIQUES FINANCIÈRES 2 ième partie : MATHÉMATIQUES FINANCIÈRES 1. Défiitios L'itérêt est l'idemité que doe au propriétaire d'ue somme d'arget celui qui e a joui pedat u certai temps. Divers élémets itervieet das le calcul

Plus en détail

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue

Plus en détail

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

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

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

La France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe 1/5 Trois objectifs poursuivis par le gouveremet : > améliorer la compétitivité fiscale de la Frace > péreiser les activités de R&D > faire de la Frace u territoire attractif pour l iovatio Les icitatios

Plus en détail

Processus géométrique généralisé et applications en fiabilité

Processus géométrique généralisé et applications en fiabilité Processus géométrique gééralisé et applicatios e fiabilité Lauret Bordes 1 & Sophie Mercier 2 1,2 Uiversité de Pau et des Pays de l Adour Laboratoire de Mathématiques et de leurs Applicatios - Pau UMR

Plus en détail

Chap. 5 : Les intérêts (Les calculs financiers)

Chap. 5 : Les intérêts (Les calculs financiers) Chap. 5 : Les itérêts (Les calculs fiaciers) Das u cotrat de prêt, le prêteur met à la dispositio de l empruteur, à u taux d itérêt doé, ue somme d arget (le capital) qu il devra rembourser à ue certaie

Plus en détail

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

UNIVERSITÉ DE SFAX École Supérieure de Commerce

UNIVERSITÉ DE SFAX École Supérieure de Commerce UNIVERSITÉ DE SFAX École Supérieure de Commerce Aée Uiversitaire 2003 / 2004 Auditoire : Troisième Aée Études Supérieures Commerciales & Scieces Comptables DÉCISIONS FINANCIÈRES Note de cours N 3 Première

Plus en détail

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

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

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 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

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

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

TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) RAIRO Operatios Research RAIRO Oper. Res. 34 (2000) 99-129 TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) Commuiqué par Berard LEMAIRE Résumé. L étude

Plus en détail

Séries réelles ou complexes

Séries réelles ou complexes 6 Séries réelles ou complexes Comme pour le chapitre 3, les suites cosidérées sot a priori complexes et les résultats classiques sur les foctios cotiues ou dérivables d ue variable réelle sot supposés

Plus en détail

Module 3 : Inversion de matrices

Module 3 : Inversion de matrices Math Stat Module : Iversio de matrices M Module : Iversio de matrices Uité. Défiitio O e défiira l iverse d ue matrice que si est carrée. O appelle iverse de la matrice carrée toute matrice B telle que

Plus en détail

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

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

Plus en détail

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

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

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

Maîtrise de Mathématiques TER Le bandit manchot à deux bras

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

Plus en détail

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

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation 1 / 9 Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Le cycle d exploitatio des etreprises (achats stockage productio stockage vetes) peut etraîer des décalages de trésorerie plus

Plus en détail

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

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

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

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

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

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Les etreprises ot souvet besoi de moyes de fiacemet à court terme : elles ot alors recours aux crédits bacaires (découverts bacaires

Plus en détail

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

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

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

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

Cours : Le choix des investissements grâce à l actualisation : La VAN (Valeur Actualisée Nette) et le TIR (Taux Interne de Rendement)

Cours : Le choix des investissements grâce à l actualisation : La VAN (Valeur Actualisée Nette) et le TIR (Taux Interne de Rendement) Cours : Le choix des ivestissemets grâce à l actualisatio : La VAN (Valeur Actualisée Nette) et le TIR (Taux Itere de Redemet) 1 La VAN, la Valeur Actualisée (ou Actuelle) Nette e aveir certai 11 La comparaiso

Plus en détail

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

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

Plus en détail

1 Mesure et intégrale

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

Plus en détail

Cours de Statistiques inférentielles

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

Plus en détail

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

POLITIQUE ECONOMIQUE ET DEVELOPPEMENT

POLITIQUE ECONOMIQUE ET DEVELOPPEMENT POLTQU ONOMQU T DVLOPPMNT TRUTUR DU MAR NATONAL DU AF-AAO T PR AU PRODUTUR MALAN Beïla Beoit osultat PD N 06/008 ellule d Aalyse de Politiques coomiques du R Aée de pulicatio : Avril 009 Résumé e papier

Plus en détail

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

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

Plus en détail

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

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

Dénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions Déombremet ECE3 Lycée Carot 12 ovembre 2010 Itroductio La combiatoire, sciece du déombremet, sert comme so om l'idique à compter. Il e s'agit bie etedu pas de reveir au stade du CP et d'appredre à compter

Plus en détail

capital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3...

capital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3... Applicatios des maths Algèbre fiacière 1. Itérêts composés O place u capital C 0 à u taux auel T a pedat aées. Quelle est la valeur fiale C de ce capital? aée capital e fi d'aée 1 C 0 + T C 0 = C 0 (1

Plus en détail

EXERCICES : DÉNOMBREMENT

EXERCICES : DÉNOMBREMENT Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris

Plus en détail

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

Etude Spéciale SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT? Etude Spéciale o. 7 Javier 2003 SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT? MARK SCHNEIDER Le CGAP vous ivite à lui faire part de vos commetaires, de vos rapports et de toute demade d evoid autres

Plus en détail

* 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

Le marché du café peut être segmenté en fonction de deux modes de production principaux : la torréfaction et la fabrication de café soluble.

Le marché du café peut être segmenté en fonction de deux modes de production principaux : la torréfaction et la fabrication de café soluble. II LE MARCHE DU CAFE 1 L attractivité La segmetatio selo le mode de productio Le marché du café peut être segmeté e foctio de deux modes de productio pricipaux : la torréfactio et la fabricatio de café

Plus en détail

Chapitre 3 : Transistor bipolaire à jonction

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

Plus en détail

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

Université de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent http://www.math.u-bordeaux.fr/ machaven/ 2014-2015 Uiversité de Bordeaux - Master MIMSE - 2ème aée Scorig Marie Chavet http://www.math.u-bordeaux.fr/ machave/ 2014-2015 1 Itroductio L idée géérale est d affecter ue ote (u score) global à u idividu à partir

Plus en détail

Renseignements et monitoring. Renseignements commerciaux et de solvabilité sur les entreprises et les particuliers.

Renseignements et monitoring. Renseignements commerciaux et de solvabilité sur les entreprises et les particuliers. Reseigemets et moitorig. Reseigemets commerciaux et de solvabilité sur les etreprises et les particuliers. ENSEMBLE CONTRE LES PERTES. Reseigemets Creditreform. Pour plus de trasparece. Etreteir des rapports

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

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

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

Polynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes. Polyésie Septembre 2 - Exercice O peut traiter la questio 4 sas avoir traité les questios précédetes Pour u achat immobilier, lorsqu ue persoe emprute ue somme de 50 000 euros, remboursable par mesualités

Plus en détail

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

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

Plus en détail

Gérer les applications

Gérer les applications Gérer les applicatios E parcourat les rayos du Widows Phoe Store, vous serez e mesure de compléter les services de base de votre smartphoe à travers plus de 10 000 applicatios. Gratuites ou payates, ces

Plus en détail

1. CALCUL DES CARACTÉRISTIQUES «R- L-C» D'UNE JONCTION TRIPHASÉE

1. CALCUL DES CARACTÉRISTIQUES «R- L-C» D'UNE JONCTION TRIPHASÉE . CALCUL DES CAACTÉISTIQUES «- L-C» DUNE JONCTION TIPHASÉE Trasport et Distributio de léergie Electrique Mauel de travaux pratiques. CALCUL DES CAACTÉISTIQUES «-L-C» DUNE JONCTION TIPHASÉE.. Itroductio....

Plus en détail

Sommaire Chapitre 1 - L interface de Windows 7 9

Sommaire Chapitre 1 - L interface de Windows 7 9 Sommaire Chapitre 1 - L iterface de Widows 7 9 1.1. Utiliser le meu Démarrer et la barre des tâches de Widows 7...11 Démarrer et arrêter des programmes...15 Épigler u programme das la barre des tâches...18

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

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

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

Plus en détail

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

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable Eo7 Séries etières Eercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Eercice

Plus en détail

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

Lignes directrices applicables aux régimes de capitalisation

Lignes directrices applicables aux régimes de capitalisation Solutios Retraite collectives Liges directrices applicables aux régimes de capitalisatio RÉPONDEZ AUX EXIGENCES ÉNONCÉES DANS LES LIGNES DIRECTRICES GRÂCE AUX EXCELLENTS OUTILS DE LA FINANCIÈRE MANUVIE

Plus en détail

Mobile Business. Communiquez efficacement avec vos relations commerciales 09/2012

Mobile Business. Communiquez efficacement avec vos relations commerciales 09/2012 Mobile Busiess Commuiquez efficacemet avec vos relatios commerciales 9040412 09/2012 U choix capital pour mes affaires Pour gérer efficacemet ses affaires, il y a pas de secret : il faut savoir predre

Plus en détail

Initiation à l analyse factorielle des correspondances

Initiation à l analyse factorielle des correspondances Fiche TD avec le logiciel : tdr620b Iitiatio à l aalyse factorielle des correspodaces A.B. Dufour & M. Royer & J.R. Lobry Das cette fiche, o étudie l Aalyse Factorielle des Correspodaces. Cette techique

Plus en détail

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

Groupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3 1 Groupe orthogoal d'u espace vectoriel euclidie de dimesio, de dimesio Voir le chapitre 19 pour l'étude des espaces euclidies et des isométries. État doé u espace euclidie E de dimesio 1, o rappelle que

Plus en détail

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

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

Plus en détail

Le meilleur scénario pour votre investissement

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

Plus en détail

Probabilités et statistique pour le CAPES

Probabilités et statistique pour le CAPES Probabilités et statistique pour le CAPES Béatrice de Tilière Frédérique Petit 2 3 jui 205. Uiversité Pierre et Marie Curie 2. Uiversité Pierre et Marie Curie 2 Table des matières Modélisatio de phéomèes

Plus en détail

PROMENADE ALÉATOIRE : Chaînes de Markov et martingales

PROMENADE ALÉATOIRE : Chaînes de Markov et martingales PROMENADE ALÉATOIRE : Chaîes de Markov et martigales Thierry Bodieau École Polytechique Paris Départemet de Mathématiques Appliquées thierry.bodieau@polytechique.edu Novembre 2013 2 Table des matières

Plus en détail

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

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

Plus en détail

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

UV SQ 20. Automne 2006. Responsable d Rémy Garandel ( m.-el. remy.garandel@utbm.fr ) page 1 UV SQ 0 Probabilités Statistiques UV SQ 0 Autome 006 Resposable d Rémy Garadel ( m.-el. remy.garadel@utbm.fr ) page SQ-0 Probabilités - Statistiques Bibliographie: Titre Auteur(s) Editios Localisatio Niveau

Plus en détail

Donnez de la liberté à vos données. BiBOARD. www.biboard.fr

Donnez de la liberté à vos données. BiBOARD. www.biboard.fr Doez de la liberté à vos doées BiBOARD www.biboard.fr Le décisioel pour tous Le décisioel évolue. L etreprise quelle que soit sa taille, a besoi de piloter so activité à l aide d outils simples, fiables,

Plus en détail

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

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

Plus en détail

Faites prospérer vos affaires grâce aux solutions d épargne et de gestion des dettes

Faites prospérer vos affaires grâce aux solutions d épargne et de gestion des dettes Faites prospérer vos affaires grâce aux solutios d éparge et de gestio des dettes Quelques excelletes raisos d offrir des produits bacaires et de fiducie à vos cliets Vous avez la compétece écessaire pour

Plus en détail

Échantillonnage et estimation

Échantillonnage et estimation Stage «Nouveaux programmes de Termiale S» - Ho Chi Mih-Ville Novembre 202 Échatilloage et estimatio Partie C - Frédéric Barôme page Échatilloage et estimatio Partie C : Capacités et exercices-types. Rappelos

Plus en détail

Initiation à l analyse factorielle des correspondances

Initiation à l analyse factorielle des correspondances Fiche TD avec le logiciel : tdr1105 Iitiatio à l aalyse factorielle des correspodaces A.B. Dufour & M. Royer & J.R. Lobry Das cette fiche, o étudie l Aalyse Factorielle des Correspodaces. Cette techique

Plus en détail

Augmentation de la demande du produit «P» Prévision d accroître la capacité de production (nécessité d investir) Investissement

Augmentation de la demande du produit «P» Prévision d accroître la capacité de production (nécessité d investir) Investissement Augmetatio de la demade du produit «P» Prévisio d accroître la capacité de productio (écessité d ivestir) Ivestissemet Etude de retabilité du produit «P» Jugemet de l opportuité et de la retabilité du

Plus en détail

Logiciel de synchronisation de flotte de baladeurs MP3 / MP4 ou tablettes Androïd

Logiciel de synchronisation de flotte de baladeurs MP3 / MP4 ou tablettes Androïd easylab Le logiciel de gestio de fichiers pour baladeurs et tablettes Visualisatio simplifiée de la flotte Gestio des baladeurs par idividus / classes / groupes / activités Activatio des foctios par simple

Plus en détail

Les algorithmes de tri

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

Plus en détail

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

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

Plus en détail