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

Dimension: px
Commencer à balayer dès la page:

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

Transcription

1 Les sstres graves e assurace automoble : Ue ouvelle approche par la théore des valeurs extrêmes Nouredde Belagha (*, Mchel Gru-Réhomme (*, Olga Vasecho (** (* Uversté Pars 2, ERMES-UMR78-CNRS, 2 place du Pathéo, Pars, Frace E-Mal: E-Mal: (** Research Isttute of Statstcs, 3 Shota Rustavel str., 0023 Kyv, Urae E-Mal : Résumé La costructo des classes de rsque e assurace automoble est stratégque pour que le prcpe de mutualsato sot foctoel das cet evroemet cocurretel. Ces classes, costtuées à partr de caractérstques de l assuré et du véhcule, sot supposées homogèes e termes de sstralté. La présece de sstres graves (rares das ue classe vet perturber cette hypothèse d homogéété des classes et de stablté des dcateurs de rsque comme la prme pure. E gééral, face à de tels évéemets, les assureurs effectuet des écrêtemets et répartsset la charge sur l esemble du portefeulle, mas la questo se pose de détermer ce qu est u sstre grave pour ue classe de rsque doée af d assurer ue certae stablté des dcateurs de sstralté et doc ue adéquato etre la prme de référece et la sstralté. La théore des valeurs extrêmes permet d obter des estmatos fables d évéemets rares. Tros méthodes classques (valeurs record, moyee des excès, approxmato par la lo de Pareto gééralsée sot proposées pour la détermato d u seul d écrêtemet au-delà duquel u évéemet est cosdéré comme atypque. A pror, cette démarche a pas été utlsée e assurace automoble. Ces méthodes sot comparées sur des doées du portefeulle d ue mutuelle d assurace fraçase, pus ue ouvelle méthode basée sur ue combaso covexe des précédetes, qu mmse la varace, est proposée, permettat as de décder etre ces dfféretes stratéges. Mots clés : Gesto des rsques, valeurs extrêmes, écrêtemet, dstrbuto de Pareto gééralsée, assurace automoble. JEL: C, C6, G22 Revue MODULAD, Numéro 39

2 ABSTRACT I a compettve evromet, the developmet of rate classes car surace s strategc, so that the prcple of mutualsato s more fuctoal. These classes, based o dfferet characterstcs of the polcyholder ad the vehcle, are supposed homogeeous term of clam costs. The presece of large clam costs (rare a group comes to dsrupt ths hypothess of homogeety of the classes ad the stablty of the dcator ad thus a adequacy betwee the referece premum ad the clams. The extreme value theory allows obtag relable estmatos of rare evets. Three classc methods (record values, mea of excesses, ad the geeralzed Pareto estmate are proposed for the determato of a threshold from whch a evet s cosdered atypcal. Ths step has ever bee used before car surace studes. These methods are compared o a Frech mutual surace portfolo. The, we propose a ew method for the determato of a threshold based o a covex combato of these methods, whch mmzes the varace. Key words: Rs maagemet, Extreme values, data trmmg, Geeralzed Pareto Dstrbuto, car surace. Revue MODULAD, Numéro 39

3 . Itroducto Les Assuraces dovet fare face à des flux facers ter temporels et dvdualsés, et de ce fat très ombreux. Face à cet evroemet certa, lé à la sstralté, dfférets mécasmes de gesto des rsques peuvet être proposés. Le prcpe de mutualsato des rsques e assurace automoble est e gééral reteu, l permet de dmuer les cotrates dvduelles sur les assurés, mas peut provoquer u phéomèe d aléa moral. Cette mutualsato s avère opératoelle pusque les rsques sot dspersés. La costructo des classes de rsque est stratégque pour que le prcpe de mutualsato sot foctoel das u evroemet cocurretel. Ces classes, costtuées à partr de caractérstques de l assuré et du véhcule, possèdet doc des caractérstques smlares et sot supposées homogèes e terme de sstralté. Cette homogéété s eted doc relatvemet à u esemble de varables explcatves coveablemet sélectoées, e gééral à l ade de modèles léares gééralsés. Cette homogéété peut se mesurer par des dcateurs de rsque, à savor la fréquece et le coût moye des sstres qu permettet de détermer la prme pure (produt de ces deux dcateurs. D ue maère géérale, les rsques des dvdus d ue classe homogèe de rsque dépedet de deux varables aléatores dépedates et équdstrbuées: ue varable structurelle qu caractérse l hétérogéété terdvduelle acceptée au se de la classe et ue varable edogèe qu correspod au rsque collectf de la classe. C est cette derère que l assureur cherche à prévor. Ue certae stablté temporelle de ces dcateurs est doc écessare pour avor ue boe adéquato etre la sstralté et la tarfcato. La présece de sstres graves das ue classe vet perturber cette hypothèse d homogéété des classes et de stablté des dcateurs. E gééral, face à de tels évéemets, les assureurs répartsset la charge sur l esemble du portefeulle. Toutefos la questo se pose de détermer ce qu est u sstre grave das ue classe de rsque pour assurer la stablté des dcateurs et doc la hérarche de ces classes. Des approches par la théore des valeurs extrêmes ot été applquées e face pour le calcul de mesures de rsque comme la Value at Rs (Ferades, 2003 et das d autres domaes (Ress, 997, 200. A otre coassace, cette démarche a pas été utlsée e assurace automoble. Après avor rappelé les fodemets de la théore de valeurs extrêmes et e partculer la méthode basée sur la dstrbuto de Pareto gééralsée (GPD, tros méthodes d estmato (valeurs record, moyee des excès, approxmato GPD sot proposées pour la détermato d u seul à partr duquel u évéemet est cosdéré comme atypque. Ces méthodes sot comparées sur des doées du portefeulle d ue mutuelle d assurace fraçase. Elles permettet de prévor des sstres graves pour ue probablté d occurrece doée (très fable et u tervalle de coface fxé. Ue aalyse comparatve est effectuée etre ces méthodes et ue ouvelle méthode qu mmse la varace d ue combaso covexe des seuls obteus par les méthodes précédetes. Cette démarche permet de décder etre ces dfféretes stratéges. Revue MODULAD, Numéro 39

4 2. De la théore classque des valeurs extrêmes à la méthode de dépassemet de seul La théore des valeurs extrêmes est à la fos acee et modere, elle cocere l étude du maxmum d ue dstrbuto et de sa lo. L œuvre mathématque d Emle Gumbel (89-966, résumée das ses travaux de 954 et 958, est souvet detfée à la théore statstque des valeurs extrêmes. Mas l faut auss cter les travaux de Bortewcz (922, Fréchet (927, Fsher et Tppett (928, Fett (932. Les applcatos de la théore des valeurs extrêmes, as que les avacées théorques, sot de plus e plus ombreuses et touchet des domaes varés, comme la météorologe (Jeso, 955, l hydrologe (Gumbel, 955, Berardara et al., 2005, Gullou et al., 2006, la face (Bouler et al., 998, l assurace (Ress, 997, Embrechts et al., O peut auss cosulter les ouvrages gééralstes récets suvats : Embrechts et al. (999, Kotz et al. (2000, Coles (200, Berlat et al. (2004, de Haa et Ferrera (2006. La revue «Extremes» a été créée e 999 et trate des travaux sur ces questos. La théore des valeurs extrêmes, développée pour l estmato de la probablté d occurrece d évéemets rares, permet d obter des estmatos fables des valeurs extrêmes, pour lesquelles les observatos sot peu ombreuses. L utlsato des los des valeurs extrêmes repose sur des proprétés des statstques d ordre et sur des méthodes d extrapolato. Plus précsémet, elle repose sur les covergeces e lo des maxma ou des mma de varables aléatores dépedates coveablemet re-ormalsées. Les los lmtes sot coues et sot appelées les los des valeurs extrêmes. 2. Dstrbuto des extrema das le cas d u échatllo de talle fe O déft la varable aléatore réelle M, qu tradut le maxmum d u -échatllo d ue varable aléatore réelle X (les varables aléatores X sot dépedates et suvet la même lo que X, par : M max( ( = X O pourrat auss s téresser au mmum et utlser la relato : m ( X. = max ( X E théore des valeurs extrêmes, le but vsé est de détermer la lo lmte ormalsée que sut le maxmum (ou le mmum e focto de celle de la varable aléatore X. Notos F X la focto de répartto de la varable X de lo de probablté P, à savor F X ( x = P( X < x. La focto de répartto de M est alors défe par: ( x = P( M < x = P( X < x, L, X < x FM = P( X = [ F (x] X < x LP( X < x (2 De ces résultats, ous tros la cocluso que le maxmum focto de répartto est égale à. F X M est ue varable aléatore dot la Revue MODULAD, Numéro 39

5 La focto de répartto de X état souvet coue, l est gééralemet pas possble de détermer la dstrbuto du maxmum à partr de ce résultat. Comme les valeurs extrêmes se trouvet, à drote et à la f du support de la dstrbuto, tutvemet le comportemet asymptotque de M dot permettre de redre compte de la f de la dstrbuto. Notos xf = sup { x R : FX ( x < } le pot termal à drote (rght-ed pot de la focto de répartto F X. Ce pot termal peut être f ou f (Embrechts et al., 997, exemple , p.39. O s téresse alors à la dstrbuto asymptotque du maxmum e fasat tedre vers l f. O a : 0 s x < xf lm FM = [ X ] = (3 ( x lm F ( x s x xf O costate que la dstrbuto asymptotque du maxmum doe ue lo dégéérée, ue masse de Drac e xf, pusque pour certaes valeurs de x, la probablté peut être égale à das le cas où x F est f. Ce fat e fourt pas assez d formatos, d où l dée d utlser ue trasformato af d obter des résultats plus explotables pour les los lmtes des maxma M. La trasformato la plus smple est l opérato de stadardsato. 2.2 Dstrbutos asymptotques du maxmum Comme la lo lmte de la focto de répartto précédete est dégéérée, o recherche ue lo o dégéérée pour le maxmum de ( X,..., X. La théore des valeurs extrêmes permet de doer ue répose à cette problématque. Les premers résultats sur la caractérsato du comportemet asymptotque de la lo du maxmum ormalsé ot été obteus par Fsher et Tppett e 928. Le théorème suvat explcte ces résultats. Défto Sot X,..., X ue sute de varables aléatores réelles d, de somme S. O dt que X (ou FX appartet au domae d attracto d ue focto de répartto o dégéérée H s l exste ue sute de réels ( a et ue sute ( b à termes strctemet postfs telles que : S a coverge fablemet (ou e dstrbuto vers H. b S a d Das ce cas, o ote : H b Théorème (Fsher et Tppett, 928, Gedeo,943 Sot X,..., X ue sute de varables aléatores réelles d de lo cotue P et M = max( X,..., X. S l exste deux sutes réelles ( a et ( b avec b > 0, et ue focto de répartto odégéérée G telle que, G lorsque ted vers l f, alors G est écessaremet de M a d b l u des tros types suvat : Revue MODULAD, Numéro 39

6 G G, α G 2, α 0 ( x = exp( exp( x < x < + 0 ( x = α exp( x exp( ( x ( x = α x < 0 x 0, α > 0 x < 0, α < 0 x 0 O appelle G lo de Gumbel, G lo de Fréchet et lo de Webull. 0, α G 2, α (4 F X O dt alors que X (ou appartet au domae d attracto maxmum de G ou au max-domae d attracto et o ote X MDA(G. Ue démostrato détallée de ce théorème est doée das Resc (987 et avec des développemets das Embrechts et al. (997, p. 52. Les sutes a et b dépedet des paramètres de la lo de X. ( ( Par exemple, pour ue sute ( X de varables aléatores qu suvet la lo expoetelle stadard, x la focto de répartto est doée par F( x = e. Pour a = log( et b = (Embrechts et al., 997, p. 55, o obtet par applcato de ce théorème : P M log( x = P( M x log( ( + x = P( X x + = F x + = ( log( ( ( log( e qu ted vers exp( exp( x quad ted vers l f. O a doc c u résultat de même type que celu du théorème cetral lmte. Jeso (955 a proposé ue écrture ufée des tros types de dstrbuto lmte du maxmum. E trodusat les paramètres de localsato μ et de dspersoσ, qu dépedet des sutes ( a e t ( b, das l expresso des dstrbutos extrêmes, o obtet la forme la plus géérale de la dstrbuto des valeurs extrêmes, otée GEV (Geeralzed Extreme Value Dstrbuto. Elle correspod à : / ξ x μ G μ, σ, ξ ( x = exp + ξ (5 σ où ξ est u paramètre de forme (shape parameter ecore appelé dce des valeurs extrêmes ou dce de queue qu e déped que de la lo de X. Plus cet dce est élevé e valeur absolue, plus le pods des extrêmes das la dstrbuto tale est mportat. O parle alors de dstrbutos à «queues épasses». Pour ξ o ul, o a ξ = et le sge de ξ ous resege sur le type de la lo asymptotque du α maxmum. La focto de répartto G est das le domae d attracto maxmum, μ, σ, ξ respectvemet, de Fréchet, Gumbel ou Webull selo que ξ > 0, ξ = 0 ou ξ < 0 (Galambos, 987, pp.53-54, Embrechts et al., 997, p.52. Revue MODULAD, Numéro 39

7 Pour smplfer, o ote G ξ = G 0,,ξ. La coassace de ξ permet, à elle seule, de caractérser à u chagemet d échelle près, le comportemet asymptotque du maxmum ormalsé. 2.3 Dstrbuto codtoelle des excès Ce secod volet de la théore des valeurs extrêmes, appelé méthode à dépassemet de seul ou méthode POT (Peas Over Threshold cosste à utlser les observatos qu dépasset u certa seul suffsammet élevé et plus partculèremet les dfféreces etre ces observatos et le seul, appelées excès (cf. Davso et Smth, 990. Cette méthode a été d abord développée pour le tratemet de doées hydrologques (par exemple, le volume et la durée des défcts e eau af d établr des bases théorques des modèles de dépassemet ou o dépassemet d u certa seul. Les premers développemets systématques se trouvet das les travaux de Todorovc et Zelehasc (970 et Todorovc et Rousselle (97. L approche basée sur la lo de Pareto gééralsée a été trodute par Pcads (975 et reprse par de Haa et Rootze (993. O peut auss se référer aux travaux sur les foctos à varatos régulères (Bgham et al., 987. Pour ue comparaso plus fe etre ces deux approches o peut se référer aux travaux de Mc Nel et Frey (2002, Katz (2002 qu recommadet l utlsato de la méthode à dépassemet de seul pour l estmato des quatles extrêmes. E effet, l approche classque de la théore des valeurs extrêmes a été fortemet crtquée das le ses où l estmato des paramètres de la dstrbuto GEV est ue estmato dte «Bloc compoet-wse», ce qu veut dre qu à partr des doées tales, o extrat des blocs (sous populatos de même talle, pus o cosdère la dstrbuto formée par les maxma de chacu de ces blocs (ue seule valeur maxmale par bloc. Cette méthode mplque doc ue perte d formatos. E partculer, certas blocs peuvet coter pluseurs valeurs extrêmes pour la dstrbuto tale, alors que d autres peuvet e pas e coter. Le problème a été résolu, e cosdérat toutes les valeurs au-delà d u seul doé. Défto 2 Sot X,..., X varables aléatores réelles d de focto de répartto commue F et u u réel suffsammet grad, féreur au pot termal x F, appelé seul. Notos E u = { j {,2,... } / X j > u}. O déft les excès au-delà du seul u comme l esemble des varables aléatores Y j défes par : Y = X u pour j E. j j u O cherche à partr de la dstrbuto F de X à défr ue dstrbuto codtoelle F u par rapport au seul u pour les varables aléatores dépassat ce seul. Défto 3 La dstrbuto codtoelle F u des excès au-delà du seulu est défe par : Revue MODULAD, Numéro 39

8 F( u + y F( u Fu ( y = P( X u y X > u = pour 0 y xf u. (6 F( u Ce qu équvaut à : F( x F( u F u ( x = P( X < x X > u = pour x u. (7 F( u L objectf de la méthode POT est de détermer par quelle lo de probablté o peut approcher cette dstrbuto codtoelle. Balema et de Haa (974, Pcads (975, ot proposé le théorème c-après qu précse la dstrbuto codtoelle des excès lorsque le seul détermste ted vers le pot termal. Le paragraphe 3.3 llustre l térêt de cette méthode das l estmato des quatles extrêmes. Théorème 2 (Pcads, 975; Balema et de Haa, 974 Sot F u la dstrbuto codtoelle des excès au-delà d u seulu (cf. Théorème, assocée à ue focto de répartto coue F. Cette focto F appartet au domae d attracto maxmum de (cf. théorème s et seulemet s l exste ue focto postve σ telle que F ξ, σ GPD lm Sup Fu ( y Fξ, σ ( u ( y = 0, u xf 0< y< xf u GPD où est la focto de répartto de la lo de Pareto gééralsée (GPD, défe par : G ξ pour [ ] y 0, ( x u s 0 F F GPD ξ, σ / ξ ( + ξ y σ s ξ 0, ( y = exp( y σ s ξ = 0, y 0, M( σ ξ, x u s ξ < 0. ξ et [ ] F Ce théorème établt le le etre le paramètre de la lo du domae d attracto maxmum et le comportemet lmte des excès au-delà d u seul assez grad. E partculer, l dce de queue ξ, obteu das l étude du maxmum, est detque au paramètre de la lo de Pareto gééralsée. Cec permet de dstguer les los à queue épasse qu apparteet au domae d attracto de Fréchet des los à queue fe ou légère qu apparteet au domae d attracto de Gumbel. Ue queue de dstrbuto est d autat plus épasse qu elle se dstgue de la lo ormale e s étalat plus letemet, et doc avec u coeffcet d aplatssemet (urtoss supéreur à celu de la lo ormale (égal à tros. La lo de Pareto gééralsée peut auss s écrre sous la forme : F GPD ξ, σ ( y = + logg( y (8 où G( y correspodat à la lo GEV (Geeralzed Extreme Value avec μ = 0 (cf. Théorème. E effet, pour les excès, l effet du paramètre de localsato est prs e compte das les sutes a (cf. Théorème. ( Das la lttérature, dfféretes méthodes ot été proposées pour estmer les paramètres ( σ, ξ de la lo GPD : la méthode du maxmum de vrasemblace, la méthode des momets, la méthode Revue MODULAD, Numéro 39

9 bayésee, l estmateur de Pcads (975 et l estmateur de Hll (975. Notos que ces deux derers estmateurs e sot utlsables que pour l dce de la queue de la dstrbuto (ξ. Les travaux de Hosg et Walls (987 doet des comparasos etre les dfféretes méthodes d estmato. Lors de l estmato des paramètres de la lo GPD, o se trouve devat u problème d estmato du seul u. Pluseurs méthodes de détermato du seul au-delà duquel les observatos sot extrêmes ot été proposées. 3. Les méthodes d estmato du seul La théore des valeurs extrêmes, selo l approche reteue, propose dfféretes méthodes pour estmer u seul au-delà duquel ue observato sera cosdérée comme valeur extrême. O peut dstguer les valeurs record, la focto moyee des excès et l approxmato GPD (par la dstrbuto de Pareto gééralsée. Ce seul dot être suffsammet grad pour pouvor utlser les résultats précédets, mas pas trop af de dsposer d u ombre suffsat d observatos pour obter des estmatos de qualté. Présetos rapdemet ces dfféretes méthodes qu serot utlsées das les classes de rsque. 3. Les valeurs record La méthode cosste e ue comparaso etre les valeurs record et les valeurs atcpées de ces records ssues d ue sute de varables aléatores réelles d. Sot ue sute de varables aléatores réelles d, u record X (comme das les compéttos sportves, Emahl et Magus, 2006 est attet s X > M avec M = max( X, X 2,..., X. Le processus de comptage (9 est déf comme sut ; N =, N = + I = 2 { X > M }, 2 s X > M où la focto dcatrce I { X > M est défe par : } I{ X > M } = 0 so Avec la méthode des valeurs record, le seul correspod à ue valeur de la dstrbuto. Il est possble de calculer la moyee et la varace du processus de déombremet (9 des records N (Embrechts et al., 997, p. 307 : E ( N =, Var( N =. 2 (0 = = La démostrato se trouve das l aexe. Le Tableau présete les valeurs de E ( N et V ( N calculées e focto de dverses valeurs de, à partr de (0. X (9 Revue MODULAD, Numéro 39

10 E( N V ( N 000 7,48 5, ,7 6, ,09 7, ,78 8, ,48 8, ,37 9, ,09 0, ,49 0, ,78,3 Tableau : Calcul de l espérace et de la varace d u processus de comptage e focto de la talle de l échatllo Pour grad, l espérace de N vare comme l (, plus précsémet EN ( = l( + γ, = où γ est la costate d Euler, à savorγ 0, 577. Pour = 000, l erreur est féreure au cetème. L espérace de N permet doc d estmer le ombre de valeurs extrêmes, pus d e dédure le seul au-delà duquel les observatos sot extrêmes à partr de la statstque d ordre. 3.2 La focto moyee des excès La focto moyee des excès (FME, qu permet de décrre la prédcto du dépassemet du seul u lorsqu u excès se produt, est défe par : e ( u = E [ X u / X > u]. ( Cette focto moyee des excès est estmée par la somme des excès dépassat u certa seul élevé u, dvsé par le ombre d observatos qu dépasset ce seul (FME emprque. + où ( X u = Sup ( X u,0 + ( X u = ê ( u =. (a I = { X > u} Cette approche pratque vsat à chosr le seul u cosste à tracer l estmateur emprque de l espérace résduelle de X et à chosr u de maère à ce que eˆ ( u sot approxmatvemet léare pour tout x u. E effet, comme la focto d espérace résduelle d ue lo GPD de paramètre ξ < est affe (proprété coue des réassureurs depus le début du sècle, o peut cosulter Schrmacher, 2005, o cherchera u u auss pett que possble sous cotrate que l estmateur emprque de l espérace résduelle des excès au-delà de u sot approxmatvemet léare. La focto moyee des excès emprque sous la forme affe s écrt, pour u < x F, comme sut (Davso et Smth, 990, p. 396, Embrecht et al., 997, p.65: Revue MODULAD, Numéro 39

11 ˆ σ + ˆ ξ u eˆ ( u =, avec ˆ σ + ˆ ξ u > 0. (b ˆ ξ Le seul u est doc détermé à partr du momet où le graphe de la focto ê (u présete ue parte affe stable (Fgure. Tros cas peuvet alors se préseter : S à u certa seul, la focto moyee des excès emprque est marquée par ue pete postve, alors les doées suvet ue dstrbuto de Pareto gééralsée avec u paramètre ξ postf. U deuxème cas peut se préseter, lorsque la focto moyee des excès emprque présete ue pete horzotale, les doées suvet ue dstrbuto expoetelle. U derer cas peut se recotrer lorsque la FME emprque est décrossate, o a ue dstrbuto borée à drote. Les doées suvet alors ue dstrbuto à queue légère. La fgure suvate (Fgure présete la FME emprque d ue dstrbuto GPD avec u paramètre ξ postf. O costate que la FME devet stable pour u seul de l ordre de Fgure : La focto moyee des excès L estmato graphque du seul u ˆ cosste à repérer les plages de léarté. Nous avos ue premère plage de u ˆ = 3000 à uˆ = 4500, cette plage est pas acceptable car par la sute, o observe u chagemet de pete alors que le ombre d observatos reste mportat. Ue deuxème plage de léarté cocere le segmet [ 5500,9000] dot la pete est légèremet postve. C est ue estmato graphque qu se base sur la vsualsato des pots qu se présetet sous la forme d ue drote. Cette secode plage de léarté, qu doe ue stablté à la focto moyee des excès de l échatllo étudé, permet d estmer le seul, u ˆ = Revue MODULAD, Numéro 39

12 La valeur de u ˆ pour chaque classe est détermée à l ade du graphque de la focto moyee des excès. La valeur de û correspod au pot à partr duquel le graphe devet stable (proche d ue drote. Cette méthode est parfos délcate, car le graphe de l estmato de E [ X u / X > u] peut préseter des aspects rrégulers et doc dffcles à terpréter. 3.3 La focto GPD et l estmato de la queue de dstrbuto La méthode se base sur l estmato du quatle extrême préseté das la formule (4, au-delà de ce quatle les observatos sot jugées extrêmes et le ombre de valeurs extrêmes est égal au ombre d observatos qu dépasset ce quatle estmée par l approxmato GPD. Cette trosème méthode d estmato du seul utlse doc la dstrbuto de Pareto gééralsée GPD et s appue sur la lo asymptotque des excès (Théorème 2 pour produre u estmateur de F ξ, σ quatle extrême. Nous utlsos pour cela u seul aléatore m u comme état le quatle d ordre u = F m où F est l verse gééralsé de la focto de répartto F déf par : F ( y = f{ x: F( x y}. Le ombre d excès m est u eter chos; l dot tedre vers l f avec la talle de de la lo des doées : ( l échatllo mas rester pett devat pour que le seul sot suffsammet grad : m lm m = + et lm = 0. Des solutos pour fxer m de maère à obter u estmateur asymptotquemet sas bas ot otammet été proposées par Golde et Smth (978 pus De Haa et Peg (998. Das otre applcato (secto 5, ous avos utlsé la même démarche que celle proposée par Embrechts et al. (997 qu précoset de tracer les estmateurs e focto de m / et de chosr m das u tervalle où le graphe des estmatos est approxmatvemet léare. Pour plus de détals sur cette questo de l estmato d u seul, o peut auss cosulter le lvre récet de De Haa et Ferrera, 2006, chaptre 4, pp Le seul dot être suffsammet élevé pour vérfer le caractère asymptotque du modèle, mas pas trop grad pour garder u ombre suffsat d observatos qu dépasset ce seul af de pouvor ème estmer les paramètres du modèle. E pratque, o estme le seul par la ( m observato ordoée ; c'est-à-dre uˆ = x ( m, qu correspod à la statstque d ordre des observatos stuées au veau de la queue de la dstrbuto. Pus o retet celu pour lequel les estmatos apparasset stables pour u modèle be ajusté aux doées. L adéquato des excès au-delà du seul par la focto GPD ( Etat doé u échatllo x,..., x, ous voulos vérfer s u modèle paramétrque permet d obter ue boe approxmato de la lo des doées, partculèremet e queue de dstrbuto. Les tests d adéquato classques de Cramer-Vo Mses ou d Aderso-Darlg, permettet de mesurer l adéquato aux doées de la parte cetrale de l tervalle mas ls e sot pas applcables au veau de la queue de dstrbuto, même s le test d Aderso-Darlg est plus sesble aux valeurs extrêmes. u Revue MODULAD, Numéro 39

13 Ress et Thomas (997 ot développé u test d adéquato de queue de dstrbuto aux doées. Le modèle dot s adapter auss be à l esemble de la dstrbuto des doées qu à la queue de la dstrbuto. E effet, pour x u (des pots apparteat à la queue de la dstrbuto, F( x = P X x = P X u Fu x u + P X u. (2 { } ( { } ( { } Das la relato précédete, o peut estmer F u ( x u par F GPD ( x u ˆ pour u élevé. Cette approxmato est l applcato drecte du Théorème 2. Nous pouvos auss estmer P{ X u} à partr des doées par la focto de répartto emprque (u évaluée au pot u : F ( u = I { X > u}. = Cela veut dre que pour x u ous pouvos utlser l estmato de la queue, ˆ GPD F( x = ( F ( u F ˆ ( x + F ( u ξ, ˆ σ, pour approxmer la focto de répartto F(x. Il est facle de motrer que F ˆ ( x est auss ue dstrbuto GPD, avec le même paramètre de forme ξ, mas avec u paramètre d échelle ~ σ = σ ( F ( u ξ et u paramètre de ~ μ ~ ξ = u σ ( F ( u ξ. localsato ( L estmateur du quatle extrême q GPD, ξ, ˆ σ, ssu de l approxmato par la lo de Pareto gééralsée et qu sera utlsé par la sute pour la détermato des seuls par classe de rsque se présete comme sut : ˆ ξ ˆ σ p qˆ = ˆ + GPD, u. (3 ˆ ξ m Cette expresso fgure, par exemple, das Davso et Smth (990, p. 397 et Embrechts et al. (997, p Pour trouver u estmateur de q, l faut doc trouver les estmateurs de u, σ, ξ. Das otre GPD applcato les paramètres de la lo GPD sot estmés par la méthode de maxmum de vrasemblace. 3.4 Méthode mxte de mmsato de la varace Les dfféretes méthodes précédetes proposet u seul, souvet dfféret d ue méthode à l autre. Le problème des valeurs atypques ou aberrates est be cou e statstque pratque, et l garde toujours ue part d détermato qu empêche ue formalsato complètemet ratoelle. Be sûr, l est possble de cosulter des experts ou d utlser de l formato auxlare (s dspoble, mas cette démarche pred beaucoup de temps. Le traval pratque du statstce, comme du gestoare, est de trouver u comproms etre la qualté (précso des estmatos et le coût pour y parver. Das cette voe, ous proposos cette ouvelle méthode pour détermer u seul mmsat la varace (crtère de qualté d ue combaso covexe des seuls obteus par ces méthodes ssues de la théore des valeurs extrêmes. F Revue MODULAD, Numéro 39

14 Théorème 3 Soet U des varables aléatores réelles ( =,..., p et Z ue varable aléatore défe comme combaso covexe des U, à savor : Z = α, où α > 0 et α =. p = O ote V la varace de U, V est la matrce de varace-covarace des U et α = ( α,..., α p. O suppose que les varables ot toutes des momets d ordre deux et que V est versble. U La varace de Z est alors mmale pourα = V p A, où V est l verse de la matrce V, v est le terme gééral de V égaux à. La preuve se trouve das l Aexe 2. U j, j= et A est la matrce u-coloe d ordre p dot tous les coeffcets sot Das cette démarche, qu permet d obter u seul de référece, les varables aléatores U correspodet aux seuls estmés par les méthodes précédetes. Mas das cette approche, les varaces de ces seuls e sot pas coues explctemet, l est doc écessare de les estmer. La méthode du bootstrap trodute à la f des aées 70 par Bradley Efro (Efro, 979 permet d estmer la précso des estmateurs de paramètres, comme la varace, sas coaître la vrae valeur de cette précso et même ue expresso de cette précso. Cette méthode procède par rééchatlloage (Efro et Tbshra, 993, Ardlly, 994. Pusque les seuls correspodet à des quatles, la varace a doc été estmée par la méthode du bootstrap qu cosste à trer, avec remse, K échatllos de même talle que l échatllo cosdéré (classe de rsque. O obtet as ue sute de quatles. Les covaraces sot égalemet estmées par la méthode du bootstrap (Bera et Srvastava, 985 : pour chaque échatllo, o déterme u seul par chacue des méthodes, obteat as des p- uples (ou des pares das la méthode mxte du paragraphe 5.3. O a chos K=000. Les temps de mse e œuvre et de calcul sot assez logs. Cette démarche est applquée pour chaque varable aléatore U. Plus précsémet s û désge l estmato de u (seul das l échatllo ( =,..., K, o a : et la varace de u ˆ est estmée par : u = K K u = K Vˆ 2 ( uˆ = ( uˆ uˆ (5 K = p = (4 v j S v est u estmateur du seul u obteu par ue autre méthode, o déft de faço aalogue aux expressos (4 et (5, vˆ et l estmateur de la varace de vˆ, l estmato de la covarace est alors doée par : Revue MODULAD, Numéro 39

15 K Cov ( uˆ, vˆ = ( uˆ K = uˆ( vˆ v (6 ème où le couple ( uˆ, vˆ est. obteu lors du trage bootstrap. Le calcul des Vˆ ( uˆ permet d estmer α, pus d obter ue estmato du seul pour cette méthode mxte de mmsato de la varace. O peut auss utlser ue méthode de «balaced resamplg» (Davso et al., 986 das laquelle chaque observato de l échatllo tal apparaît le même ombre de fos das la réuo des K échatllos bootstrap créés. Avat de passer à l applcato de ces méthodes ssues de la théore des valeurs extrêmes à la détecto des sstres graves par classe de rsque, l est écessare de préseter les dcateurs de rsque utlsés pour cette étude. 4. Les outls de mesure de la sstralté Le rsque est souvet cosdéré comme mesurable s l est possble de calculer u rsque moye qu caractérse la tedace de sstralté du phéomèe étudé. Das chaque classe, le rsque est mesuré e termes de fréquece et de coût moye, pus la prme pure est détermée comme produt de ces deux dcateurs. La prme pure correspod à l espérace de la charge de sstres à laquelle devra fare face l assureur. La lo des grads ombres permet d utlser cette démarche. Le calcul de la prme pure a pour objectf d évaluer pour chaque assuré (selo ses caractérstques le motat attedu des sstres pour ue pérode d assurace doée. Cette prme pure théorque est commue à tous les assurés d ue même classe. Plus précsémet, otos ue classe de rsque (=,...K et le ombre de véhcules das la classe. La prme pure das la classe est alors défe, sur ue pérode doée (e gééral a, par : P = = = c w,, (7 où c, correspod au coût total des sstres sur la pérode pour le véhcule de la classe. De ombreux coûts sot uls. Das cette expresso de la prme pure, correspod au pods du véhcule assuré de la classe. E effet, au cours d ue aée, le ombre d assurés das ue classe vare, certas arrvet, d autres réslet leur cotrat ou chaget de véhcule. Chaque observato est doc podérée par w, = ( ombre de mos où l assuré est préset das la classe pour 2 ue aée doée. U chagemet de véhcule peut mplquer u chagemet de classe. U assuré qu cotracte ue assurace seulemet sur 3 mos das l aée, aura doc u pods égal à 0.25 (sa cotsato e correspod qu à tros mos d assurace. Par coséquet, w. w, =, Revue MODULAD, Numéro 39

Application de la théorie des valeurs extrêmes en assurance automobile

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

Plus en détail

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

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

Plus en détail

Analyse de régression

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

Plus en détail

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

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

Plus en détail

TD Techniques de prévision pour la Gestion de production

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Chapitre 4 : RÉGRESSION

Chapitre 4 : RÉGRESSION Chaptre 4 : RÉGRESSION 4. Régresso léare smple 4.. Équato de la régresso 4.. Estmato par les modres carrés 4..3 Coeffcet de détermato 4..4 Iférece sur les coeffcets 4..5 Prévso et aalyse des résdus Régresso

Plus en détail

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

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

Plus en détail

Chapitre 8 Corrélation et régression linéaire simple. José LABARERE

Chapitre 8 Corrélation et régression linéaire simple. José LABARERE UE4 : Bostatstques Chaptre 8 Corrélato et régresso léare smple José LABARERE Aée uverstare 20/202 Uversté Joseph Fourer de Greoble - Tous drots réservés. Pla I. Corrélato et régresso léare II. Coeffcet

Plus en détail

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

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

Plus en détail

Calculs en chromatographie

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

Plus en détail

ANALYSE FACTORIELLE DES CORRESPONDANCES SIMPLES

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

Plus en détail

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

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

Plus en détail

Analyse Statistique des Données de Lifetest

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

Plus en détail

AJUSTEMENT ANALYTIQUE RÉGRESSION - CORRÉLATION

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

Plus en détail

La statistique et les statistiques

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

Plus en détail

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

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

Plus en détail

Contrôle du mardi 27 janvier 2015 (3 heures) 1 ère S1 D P C. Le barème est donné sur 40. On répondra directement sur la copie fournie avec le sujet.

Contrôle du mardi 27 janvier 2015 (3 heures) 1 ère S1 D P C. Le barème est donné sur 40. On répondra directement sur la copie fournie avec le sujet. ère S Cotrôle du mard 7 javer 05 ( heures) D C N Le barème est doé sur 0 O répodra drectemet sur la cope foure avec le sujet U certa ombre de questos écesste ue recherche préalable au broullo O e rédgera

Plus en détail

[ ] IV.- Espérance mathématique de l estimateur  : Nous avons ( ) ε. alors l espérance mathématique sera : soit

[ ] IV.- Espérance mathématique de l estimateur  : Nous avons ( ) ε. alors l espérance mathématique sera : soit Itroducto à l écoométre S6-EF sc. éco. & gesto Prof. Mohamed El Meroua IV.- Espérace mathématque de l estmateur  : A ˆ A + X X X Nous avos ( ε alors l espérace mathématque sera : E ( E( A + E[ ( X X X

Plus en détail

IFT3913 Qualité du logiciel et métriques. Chapitre 7 Collecte et analyse des métriques

IFT3913 Qualité du logiciel et métriques. Chapitre 7 Collecte et analyse des métriques IFT393 Qualté du logcel et métrques Chaptre 7 Collecte et aalyse des métrques Pla du cours Itroducto Qualté du logcel Théore de la mesure Mesure du produt logcel Mesure de la qualté du logcel Études emprques

Plus en détail

Coefficient de partage

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

Plus en détail

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

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

Plus en détail

SYSTEME FERME EN REACTION CHIMIQUE

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

Plus en détail

1 ère partie : STATISTIQUE DESCRIPTIVE

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

Plus en détail

6. RADIERS 6.1. GÉNÉRALITÉS

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

Plus en détail

III ESPERANCE MATHEMATIQUE

III ESPERANCE MATHEMATIQUE /9 ésumé de ours e alul des probabltés (JJ bellager III ESPEAE MATHEMATIQUE I.Défto et alul de l espérae mathématque d ue VA La défto la plus géérale de l espérae d u VA : (do à valeurs postves ou ulles

Plus en détail

LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE

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

Plus en détail

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

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

Plus en détail

Comment représenter les variables aléatoires (données)? Paramètres descriptifs. Quels sont les paramètres descriptifs de la position?

Comment représenter les variables aléatoires (données)? Paramètres descriptifs. Quels sont les paramètres descriptifs de la position? Paramètres descrptfs Cours VETE043- Aée académque 06-07 Commet représeter les varables aléatores (doées)? Représetato sythétque Tables de fréqueces Représetato graphque Dagrammes de fréqueces Paramètres

Plus en détail

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

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

Plus en détail

PHYSIQUE DES SEMICONDUCTEURS

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

Plus en détail

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

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

Plus en détail

Value at Risk en assurance : recherche d une méthodologie à long terme

Value at Risk en assurance : recherche d une méthodologie à long terme Value at Rsk e assurace : recerce d ue métodologe à log terme Marc FEDOR Uversté Pars Daupe Jule MOREL ISFA Uversté Lyo I RESUME La Value at Rsk est deveue u stadard de la gesto de rsque das le mode facer.

Plus en détail

" BIOSTATISTIQUE - 1 "

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

Plus en détail

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

Une méthode alternative de provisionnement stochastique en Assurance Non Vie : Les Modèles Additifs Généralisés Ue méthode alteratve de provsoemet stochastque e Assurace No Ve : Les Modèles Addtfs Gééralsés Lheureux Else B&W Delotte 85, av. Charles de Gaulle 954 Neully-sur-See cedex Frace Drect: 33(0).55.6.65.3

Plus en détail

EVALUATION SPATIO-TEMPORELLE DES ENJEUX HUMAINS DANS LE CADRE D UNE ANALYSE DE VULNERABILITE AUX RISQUES TECHNOLOGIQUES

EVALUATION SPATIO-TEMPORELLE DES ENJEUX HUMAINS DANS LE CADRE D UNE ANALYSE DE VULNERABILITE AUX RISQUES TECHNOLOGIQUES Evaluato spato-temporelle des ejeux humas das le cadre d ue aalyse de vulérablté aux rsques techologques EVALUATION SPATIO-TEMPORELLE DES ENJEUX HUMAINS DANS LE CADRE D UNE ANALYSE DE VULNERABILITE AUX

Plus en détail

6GEI300 - Électronique I. Examen Partiel #1

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

Plus en détail

BTS BLANC Mai ; on pose A. en fonction de an. puis écrire an

BTS BLANC Mai ; on pose A. en fonction de an. puis écrire an BTS BLANC Ma 0 Epreuve : Mathématques Géérales et Applquées Flère : DA / ARLE Durée: heures NB : Chaque parte dot être tratée sur des copes dfféretes I- MATHEMATIQUES GENERALES Exercce a b Sot le Sot la

Plus en détail

Améliorer la productivité

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

Plus en détail

Améliorer la productivité

Améliorer la productivité Maurce Pllet Amélorer la productvté Déploemet dustrel du toléracemet ertel, 00 SBN : 978---54754- Commet calculer ue tolérace ertelle 75 Nous avos doc u toléracemet par tervalle sur les exgeces foctoelles

Plus en détail

a. Le symbole se lit «sigma» ; l écriture Ex : 2 Fréquences en % ( f i x 100) 11,1 % 29,6 % 59,3 % 100 %!!!!

a. Le symbole se lit «sigma» ; l écriture Ex : 2 Fréquences en % ( f i x 100) 11,1 % 29,6 % 59,3 % 100 %!!!! Cours : Statstques I. Itroducto Classe de ère S O a vu que our caractérser ue sére statstque, o utlse des : - aramètres de tedace cetrale : - la moyee ; - la médae. Ils ermettet d dquer la «osto» de la

Plus en détail

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

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

Plus en détail

sont distincts 2 à 2.

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

Plus en détail

I. Moyenne, variance et écart-type d une série statistique

I. Moyenne, variance et écart-type d une série statistique I Moyee, varace et écart-type d ue sére statstque Sére statstque dscrète : Eemple d ue sére statstque dscrète : Preos le cas d ue classe de élèves qu réalset u devor oté sur 5 La sére statstque dscrète

Plus en détail

Méthodologie statistique

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

Plus en détail

Calculs financiers. Auteur : Philippe GILLET

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

Plus en détail

L2 Mention Informatique. UE Probabilités. Chapitre 4 : Simulation - Régression

L2 Mention Informatique. UE Probabilités. Chapitre 4 : Simulation - Régression L Meto Iformatque UE Probabltés Chaptre 4 : Smulato - Régresso Notes de cours rédgées par Rége Adré-Obrecht, Jule Pquer I- Smulato de varables aléatores. Itroducto Das certaes expéreces «réelles», où le

Plus en détail

ESPACES VECTORIELS NORMÉS DE DIMENSION FINIE NORMES USUELLES, ÉQUIVALENCE DES NORMES

ESPACES VECTORIELS NORMÉS DE DIMENSION FINIE NORMES USUELLES, ÉQUIVALENCE DES NORMES ESPACES VECTORIELS NORMÉS DE DIMENSION FINIE NORMES USUELLES, ÉQUIVALENCE DES NORMES SOMMAIRE. Normes sur u espace vectorel E 2.. Défto d'ue orme. Cter l'égalté tragulare reversée. 2.2. Normes usuelles

Plus en détail

Incertitudes expérimentales

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

Plus en détail

I. Qu est-ce qu une variable aléatoire?

I. Qu est-ce qu une variable aléatoire? I. Qu est-ce qu ue varable aléatore?. Défto : Sot ue expérece aléatore dot l esemble des résultats possbles (l uvers est oté Ω. Ue varable aléatore est ue focto X allat de Ω sur R, c est-à-dre que c est

Plus en détail

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

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

Plus en détail

MATERIEL UTILISE : CALCULATRICE AUTORISEE OUI NON

MATERIEL UTILISE : CALCULATRICE AUTORISEE OUI NON BAC BLANC MATIERE : MATHEMATIQUES OBLIGATOIRE CLASSE de : Termale S SALLE : Grade Permaece PROFESSEUR : Mle GUIHENEUF ATE : Vedred javer 6 HEURE ébut : 8 h HEURE f : h MATERIEL UTILISE : CALCULATRICE AUTORISEE

Plus en détail

Cours 8 : Analyse de variance à un facteur

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

Plus en détail

LE PARAMETRAGE DU MRP SOUS INCERTITUDES DE DELAIS D APPROVISIONNEMENTS ET DEMANDE : LE CAS DE SYSTEME D ASSEMBLAGE A UN NIVEAU

LE PARAMETRAGE DU MRP SOUS INCERTITUDES DE DELAIS D APPROVISIONNEMENTS ET DEMANDE : LE CAS DE SYSTEME D ASSEMBLAGE A UN NIVEAU 8 e Coférece Iteratoale de MOdélsato et SIMulato - MOSIM 0-0 au 2 ma 200 - Hammamet - Tuse «Evaluato et optmsato des systèmes ovats de producto de bes et de servces» LE PARAMETRAE U MRP SOUS INCERTITUES

Plus en détail

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

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

Plus en détail

Performances d une méthode de localisation dans les réseaux sans fil mobiles

Performances d une méthode de localisation dans les réseaux sans fil mobiles Performaces d ue méthode de localsato das les réseaux sas fl mobles Matheu Bouet, Erwa Ermel, Guy Pujolle Résumé Avec la multplcato des objets commucats, la localsato est ue composate majeure des futurs

Plus en détail

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

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

Plus en détail

Serie statistique double

Serie statistique double Sere statstque double Dstrbutos margales Actvté U relevé statstque des talles (e cm) et des pods Y (e kg) d u échatllo de 00 élèves a perms de costrure le tableau suvat : Y [0, 5[ [5, 50[ [50, 55[ [55,

Plus en détail

Pondichéry Avril 2014 Série S Exercice.

Pondichéry Avril 2014 Série S Exercice. Podchéry Avrl 04 Sére S Exercce Le pla complexe est mu d u repère orthoormé ( O; uv, ) Pour tout eter aturel, o ote A le pot d affxe z déf par : O déft la sute ( ) z z 0 = et + = + z 4 4 r par r = z pour

Plus en détail

L2 Mention Informatique. UE Probabilités. Chapitre 3 : Variables aléatoires réelles

L2 Mention Informatique. UE Probabilités. Chapitre 3 : Variables aléatoires réelles L Meto Iformatque UE Probabltés Chaptre 3 : Varables aléatores réelles Notes de cours rédgées par Rége Adré-Obrecht, Jule Pquer, Serge Solovev Sot (, A, P) Ω et X : Ω R ue varable aléatore. I. Varable

Plus en détail

Nombre de Clients [0 ; 50[ 72. x i. n i [ 50 ; 100 [ 90 [100 ; 150 [ 126 [150 ; 200 [ 54 [200 ; 250 [ 18

Nombre de Clients [0 ; 50[ 72. x i. n i [ 50 ; 100 [ 90 [100 ; 150 [ 126 [150 ; 200 [ 54 [200 ; 250 [ 18 1 U commerçat a relevé le motat des dépeses e euros de chaque clet au cours d ue semae. Motat des dépeses Clets [0 ; 50[ 72 x x - x ) - x )² -x ) ² [ 50 ; 100 [ 90 [100 ; 150 [ 126 [150 ; 200 [ 54 [200

Plus en détail

Universe Ratio Jean-François BOULIER Romain VERDIER Abstract

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

Plus en détail

arlesrcomplexesraurbacr2014r==corriges=z

arlesrcomplexesraurbacr2014r==corriges=z arlesrcomplexesraurbacr0r==corriges= Nouvelle-Calédoe ovembre 0 5 pots Proposto : Pour tout eter aturel : ( + ) = () VRAI! ( ) doc d où ( ) ( ) ( ) ( ) Sot (E) l équato ( )( + 8) = 0 où désge u ombre complexe

Plus en détail

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

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

Plus en détail

Algorithmique pour la conversion par approximation de courbes de Bézier degré élevé : Le modèle de rationnelle

Algorithmique pour la conversion par approximation de courbes de Bézier degré élevé : Le modèle de rationnelle CIMA4 UM 3 Nov Dec 4 Algortmque pour la coverso par approxmato de courbes de ézer degré élevé : Le modèle de ratoelle Fard ASMA*, Idr ELAIDI*, Kamal MOHAMMEDI*, Guy ISCHIOMIN**, Moad Oulad CHALLALI *Laboratore

Plus en détail

APPRENTISSAGE ARTIFICIEL («Machine-Learning»)

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

Plus en détail

Bac blanc de mathématiques

Bac blanc de mathématiques Termale st2s le mercred 09/03/2016 Durée : 2 heures Bac blac de mathématques Exercce 1 : 6 pots Le tableau c-dessous doe le ombre d aboemets au servce de téléphoe moble e Frace etre f 2001 et f 2009, exprmé

Plus en détail

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

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

Plus en détail

LOI NORMALE ET LOIS DERIVEES

LOI NORMALE ET LOIS DERIVEES Prcpes et Méthodes de la Bostatstque Chaptre 5 LOI NORMALE ET LOIS DERIVEES A-LA LOI NORMALE Présetato La dstrbuto ormale, dte ecore de Laplace-Gauss, est pour des rasos qu apparaîtrot plus lo, la plus

Plus en détail

Abdelkader Kadid Maître Assistant (A) à l université Hassiba ben Boualli de chlef. Kadidkader@gmail.com

Abdelkader Kadid Maître Assistant (A) à l université Hassiba ben Boualli de chlef. Kadidkader@gmail.com Revue académque des études humaes et socales Nouvelle Approche de Mesure de l Ouverture Commercale das les Modèles de Gravte New Approach to Measure The Opeg Busess Models of Gravty Abdelkader Kadd Maître

Plus en détail

Méthode du simplexe: préliminaires. 2. Programmation linéaire. Solution de base. Méthode du simplexe: préliminaires. b. Méthode du simplexe

Méthode du simplexe: préliminaires. 2. Programmation linéaire. Solution de base. Méthode du simplexe: préliminaires. b. Méthode du simplexe Méthode du smplee: prélmares Modèles de recherche opératoelle (RO). Programmato léare b. Méthode du smplee Das le cas où l y a ue fté de solutos, la méthode d élmato de Gauss-Jorda permet d detfer tros

Plus en détail

DETERMINATION D UNE METHODE DE

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

Plus en détail

La valeur acquise par un capital au bout d'une année est donc obtenue en multipliant ce capital par (1 + i). Par suite, le capital C1

La valeur acquise par un capital au bout d'une année est donc obtenue en multipliant ce capital par (1 + i). Par suite, le capital C1 LGL Cours de Mathématques 26 Exemples de sutes das le domae des faces 1) Itérêts composés O place 1. à térêts composés au taux de 4,5 % par a. Détermer le captal dspoble à la f de chaque aée et ce pedat

Plus en détail

UNE METHODE DE DIMENSIONNEMENT DE LIGNES DE TRANSFERT VIA L ANALYSE DE PERTURBATION FINIE

UNE METHODE DE DIMENSIONNEMENT DE LIGNES DE TRANSFERT VIA L ANALYSE DE PERTURBATION FINIE 3 e Coférece Fracophoe de MOdélsato et SIMulato «Cocepto, Aalyse et Gesto des Systèmes Idustrels» MOSIM 0 du 25 au 27 avrl 200 - Troyes (Frace) UNE METHODE DE DIMENSIONNEMENT DE LIGNES DE TRANSFERT VIA

Plus en détail

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

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

Plus en détail

Limites de fonctions (1) Approche intuitive ; limites des fonctions de référence. 1 ère S. II. La fonction carrée. 1 ) Tableau de variation

Limites de fonctions (1) Approche intuitive ; limites des fonctions de référence. 1 ère S. II. La fonction carrée. 1 ) Tableau de variation ère S Lmtes de foctos () Approche tutve ; tes des foctos de référece II. La focto carrée ) Tableau de varato Das ce chaptre, o lasse provsoremet de côté les dérvées. I. Itroducto ) Rappel Déà vu : oto

Plus en détail

NOTATIONS ET FORMULAIRE

NOTATIONS ET FORMULAIRE Uversté PARIS DESCARTES Lcece de Psychologe L1 ADP1- Resp : Mrelle LAGARRIGUE page 1/5 PROTOCOLE SUR U ECHA TILLO NOTATIONS ET FORMULAIRE Esemble des sujets de l échatllo S { s 1 ; s ;.; s } (1) Varable

Plus en détail

GIN FA 4 02 01 INSTRUMENTATION P Breuil

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

Plus en détail

CORRIGE EXERCICES FACULTATIFS TD ADP1 SEANCE 4

CORRIGE EXERCICES FACULTATIFS TD ADP1 SEANCE 4 page1/6 CORRIGE EXERCICES FACULTATIFS TD ADP1 SEANCE 4 Dosser "Défcece" 1) = 30 pour les groupes. Les classes sot d'ampltudes dfféretes doc...utlser la desté (rappel : desté = effectf/ampltude). Durée

Plus en détail

2.1 Variable aléatoire Fonction de répartition Fonction de masse et de densité...2

2.1 Variable aléatoire Fonction de répartition Fonction de masse et de densité...2 - Varables aléatores et dstrbutos - Chaptre : Varables aléatores et dstrbutos. Varable aléatore.... Focto de répartto....3 Focto de masse et de desté....4 Dstrbuto cojote de varables aléatores...5.4. Dstrbuto

Plus en détail

On applique le théorème de Pythagore au triangle AIE est rectangle en I AI 2 IE 2 AE 2 IE IE 1 2

On applique le théorème de Pythagore au triangle AIE est rectangle en I AI 2 IE 2 AE 2 IE IE 1 2 Exercce Lba 6 4 pots O cosdère u solde ADECBF costtué de deux pyramdes detques ayat pour base commue le carré ABCD de cetre I. Ue représetato e perspectve de ce solde est doée e aexe (à redre avec la cope).

Plus en détail

Variables j.. p. Xij

Variables j.. p. Xij L alyse e Composates Prcpales (CP) O possède u tableau rectaulare de mesure dot les coloes sot des varables quattatves (mesuratos, taux, statos clmatques) et dot les les représetet des dvdus statstques

Plus en détail

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

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

Plus en détail

Pricing Avancé pour Exotiques FINKEYS FRANCE

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Techniques d optimisation pour la définition d une démarche d amélioration industrielle : une approche par analyse et agrégation des performances

Techniques d optimisation pour la définition d une démarche d amélioration industrielle : une approche par analyse et agrégation des performances Techques d optmsato pour la défto d ue démarche d amélorato dustrelle : ue approche par aalyse et agrégato des performaces Sofae Sahraou, Lama Berrah, Jacky Motma Résumé Cet artcle trate de la défto d

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Chapitre 5 : Modèles probabilistes pour la recherche d information. - Modèle tri probabiliste (BIR et BM25) - Modèle de Langue

Chapitre 5 : Modèles probabilistes pour la recherche d information. - Modèle tri probabiliste (BIR et BM25) - Modèle de Langue Chaptre 5 : Modèles probablstes pour la recherche d formato - Modèle tr probablste BI et BM25 - Modèle de Lague Itroducto ourquo les probabltés? La I est u processus certa et mprécs Imprécso das l expresso

Plus en détail

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

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

Plus en détail

PROCESSUS DES RESTAURANTS CHINOIS ET LOI D EWENS

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

Plus en détail

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

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

Plus en détail

Terminales S Exercices sur les nombres complexes Page 1 sur 6

Terminales S Exercices sur les nombres complexes Page 1 sur 6 Termales S Exercces sur les ombres complexes Page sur 6 Exercce : ) Calculer, et 5 6 7 ) E dédure, et ) Détermer les eters pour lesquels est a) u réel, b) est u magare pur, c) égal à Exercce : Ecrre sous

Plus en détail

SETIT 2005. 3 rd International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 27-31, 2005 TUNISIA

SETIT 2005. 3 rd International Conference: Sciences of Electronic, Technologies of Information and Telecommunications March 27-31, 2005 TUNISIA SEI 2005 3 rd Iteratoal Coferece: Sceces of Electroc, echologes of Iformato ad elecommcatos arch 27-3, 2005 UNISIA se e place d' système de recoassace facal basé sr l'approche statstqe "Aalyse e composates

Plus en détail

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

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

Plus en détail

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

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

Plus en détail