Université de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent machaven/

Dimension: px
Commencer à balayer dès la page:

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

Transcription

1 Uiversité de Bordeaux - Master MIMSE - 2ème aée Scorig Marie Chavet machave/ Itroductio L idée géérale est d affecter ue ote (u score) global à u idividu à partir de otes partielles. A partir de cette ote, o affectera cet idividu à u groupe. U score peut être défiit comme u outil statistique ou probabiliste de detectio de risque. O peut citer etre autre : Les scores de risque de type : risque de credit ou credit scorig : prédire le retard de remboursemet de crédit. risque fiacier : prédire la boe ou mauvaise saté d ue etreprise. risque médical. Les scores e marketig : score d attritio (chur e aglais) : prédire le risque qu u cliet passe à la cocurrece ou résilie so aboemet. score d appétece : prédire l appétece d u cliet à acheter tel ou tel type de produit. Les pricipales étapes de la costructio d u score sot : 1. Choix de la variable à expliquer Y. O parle aussi de critère à modéliser ou ecore de variable cible. La variable Y sera qualitative gééralemet biaire à deux modalités. Chaque modalité défiit u groupe. 2. Choix d u vecteur de variables explicatives X = (X 1,..., X p ). Les p variables explicatives X j, j = 1... p, peuvet être quatitatives ou qualitatives. 3. Choix des doées et de l échatillo. L échatillo doit être représetatif de la populatio. O dispose alors d u échatillo de taille (ombre d idividus) sur lequel 1

2 sot mesurées simultaémet les p variables explicatives X 1,..., X p et la variable à expliquer Y. 4. Choix de la méthode de costructio du score. Ue foctio score S(X) doe ue ote à u idividu e foctio de ses valeurs sur X = (X 1,..., X p ). Parmi les méthodes classiques de costructio de scores, o peut citer : L aalyse factorielle discrimiate (AFD) : variables explicatives quatitatives. outil descriptif de visualisatio des doées. L aalyse discrimiate géométrique : variables explicatives quatitatives. affectatio d u ouvel idividu au groupe le plus proche. L aalyse discrimiate probabiliste : variables explicatives quatitatives Y et X = (X 1,..., Xp) aléatoires. affectatio d u ouvel idividu au groupe le plus probable. aalyse discrimiate liéaire (ADL) ou discrimiate liear aalysis (LDA) : cas homoscédastique gaussie. aalyse quadratique discrimiate (AQD) ou quadratic discrimiat aalysis (QDA) : cas hétéroscédastique gaussie. La régressio logistique : variables explicatives quatitatives ou qualitatives. Y biaire et aléatoire et X = (X 1,..., X p ) o aléatoire. 5. Costructio d ue règle de décisio. Das le cas où Y est biaire, ses deux modalités formet deux groupes d idividus et o peux fixer u seuil c pour obteir la règle suivate : S(X) c l idividu est affecté au groupe 1 S(X) > c l idividu est affecté au groupe 2 6. Evaluatio du score (courbe ROC, AUC,...) et évaluatio de la règle de décisio (taux d erreur, sesibilité, spécificité...) e utilisat les méthodes de l échatillo test, de validatio croisée... O distigue doc deux problèmes : 2

3 1. costruire u score, 2. costruire ue règle de décisio. Exemples des fichiers ifarctus.xls, farms.xls, credit.xls Quelques lies. "Aalyse discrimiate, Applicatio au risque et scorig fiacier", M. Bardos, Duod. 2 Notatios et défiitios Les outils statistique de scorig retret das le cadre de la modélisatio d ue variable Y qualitative à K modalités à partir de p variables explicatives X = (X 1,..., X p ) quatitatives ou qualitatives. O parle gééralemet das ce cadre de classificatio (d appretissage) supervisée, chaque modalité de Y représetat ue classe (u groupe) d idividus. Nous supposos disposer d u échatillo de observatios de Y et de X : sur les idividus de l échatillo, o a mesuré ue variable qualitative à K modalités et p variables quatitatives. E effet, das ce cours, o e se place das le cas où toutes les variables explicatives sot umériques. E otat y i la valeur de la variable à expliquer mesurée sur les ième idividu, o obtiet le vecteur y = (y 1,..., y ) {1,..., K}. E otat x j i à la valeur de la jème variable explicative mesurée sur le ième idividu, o obtiet aisi la matrice de doées de dimesio p suivate : 1... j... p 1.. X = i... x j i..... Notos : 3

4 x i = (x 1 i,..., x p i ) R p ue lige de X décrivat le ième idividu. x j = (x j 1,..., x j ) R ue coloe de X décrivat la jème variable. E k est le groupe des idividus des l échatillo qui possèdet la modalité k. k = card(e k ) est le ombre d idividus qui possèdet la modalité k. Si les idividus sot affectés des poids p 1,..., p, (tels que i = 1,...,, p i 0 et i=1 p i = 1) alors le poids de chaque groupe E k est : P k = i E k p i E gééral, o pred p i = 1 et doc P k = k. O a alors les défiitios suivates : Le cetre de gravité global est le vecteur de R p défii par : g = p i x i = 1 i=1 x i. i=1 Le cetre de gravité du groupe E k est le vecteur de R p défii par : g k = 1 p i x i = 1 x i. P k k i E k i E k La matrice p p de variace-covariace globale est défiie par : V = p i (x i g)(x i g) = 1 i=1 (x i g)(x i g). i=1 La matrice p p de variace-covariace du groupe E k est défiie par : V k = 1 p i (x i g k )(x i g k ) = 1 (x i g k )(x i g k ). P k k i E k i E k La matrice p p de variace-covariace itra-groupe est défiie par : W = P k V k = k V k. La matrice p p de variace-covariace iter-groupe est défiie par : B = P k (g k g)(g k g) = k (g k g)(g k g). Cette matrice est la matrice de variace-covariace des p cetres de gravités g k podérés par P k (e gééral k ). 4

5 Remarque : e règle géérale, W est iversible tadis que B est pas iversible. E effet, les K cetres de gravité g k sot das u sous-espace de dimesio K 1 de R p, et si K 1 < p (ce qui est gééralemet le cas), alors la matrice B (qui est de dimesio p p) est pas iversible. O a les relatios suivates classiques suivates : g = P k g k = k g k, (1) et V = W + B. (2) Les expressios doées e (1) et (2) sot de ature assez usuelles e statistique : moyee totale (globale) = moyee (podérée) des moyees margiales, variace totale = moyee (podérée) des variaces margiales + variace des moyees margiales. Exercice : démotrez (1) et (2). 3 L aalyse factorielle discrimiate L aalyse factorielle discrimiate (AFD) est essetiellemet descriptive. L objectif est ici de chercher quelles sot les combiaisos liéaires des variables quatitatives qui permettet de séparer le mieux possible les k catégories et de doer ue représetatio graphique (comme pour les méthodes factorielles telles que l aalyse e composates pricipales) qui rede au mieux compte de cette opératio. Cette visualisatio sur le ou les plas factoriels appropriés permet aussi de décrire les liaisos etre la variable à expliquer et les p variables explicatives. 3.1 Cetrage des doées E AFD comme e aalyse e composates pricipales (ACP), o suppose que g = 0 p, c est à dire que les doées sot cetrées. Cela reviet à traslater le uage de poits de g (acie cetre de gravité) vers l origie. La structure du uage de poits est pas modifiée, 5

6 mais les calculs ultérieurs serot simplifiés. L écriture des matrices de variace-covariace globale et iter-groupe sot simplifiées : V = i=1 1 x ix i et B = k g kg k, et o obtiet l écriture matricielle V = 1 X X. 3.2 Axes, facteurs et variables discrimiates L AFD cosiste à rechercher de ouvelles variables, qui serot appelées variables discrimiates, correspodat à des directios de R p qui séparet le mieux possible e projectio les K groupes d idividus. L objectif. Il s agit de trouver ue ouvelle variable, combiaiso liéaire des variables explicatives, qui discrimie au mieux les groupes défiis par les modalités de la variable à expliquer. Cette variable otée s est défiie ici comme u vecteur de R, combiaiso liéaire des vecteurs x 1,..., x p (coloes de X) : s = Xu = u 1 x u p x p, où u = (u 1,..., u p ) R p est le vecteur des coefficiets de cette combiaiso liéaire. Il va doc falloir défiir : commet mesurer que s discrimie bie, commet trouver u pour que s = Xu discrimie au mieux. Défiitios. E AFD, o mui R p d ue métrique M et o projette les poits de R p x 1,..., x (les liges de X) sur u axe de vecteur directeur a. O effectue des projectios M-orthogoales et a est M-ormé à 1. La liste des coordoées s i = x ima des idividus sur forme la ouvelle variable s et o a doc : s = (s 1,..., s ) = XMa = Xu, où a R p est appelé l axe discrimiat (a Ma = 1), u R p est appelé le facteur discrimiat (u M 1 u = 1), s est appelé la variable discrimiate. 6

7 Exemple Le critère à optimiser O défiit maiteat le critère qui mesurat la capacité d u axe à discrimier les groupes. U axe sera discrimiat si les groupes sot bie séparés e projectio. Pour cela, o utilise la variace itra-groupe et la variace iter-groupe de la variable discrimiate s costituée des coordoées des projectios des idividus sur l axe. O a les défiitios suivates : La variace de s est défiie par : où s est la moyee de s. V ar(s) = 1 (s i s) 2 i=1 La variace itra-groupe de s est défiie par : Itra(s) = = u Vu (3) k où s k est la moyee de s das le groupe k. La variace iter-groupe de s est défiie par : Exercice : Démotrez (3) (4) et (5). i E k 1 k (s i s k ) 2 = u Wu (4) Iter(s) = k ( s s k) 2 = u Bu (5) O a doc la relatio classique V ar(s) = Itra(s) + Iter(s) qui s écrit : u Vu = u Wu + u Bu (6) 7

8 La quatité u Vu état idépedate des groupes, miimiser u Wu est équivalet à maximiser u Bu. O aura ue boe discrimiatio des groupes si : les cetres de gravité projetés sot bie éloigés i.e. Iter(s) = u Wu est maximum, les groupes projetés e sot pas trop dispersés i.e. Itra(s) = u Bu est miimum. Le critère à maximiser, u Bu u Vu [0, 1], (7) est la proportio de la variace de s expliquée par y ecore appelé le rapport de corrélatio etre s et y. Ce critère désige égalemet le pouvoir discrimiat de l axe. Das le cadre de la discrimiatio parfaite, ce rapport serait égal à 1. Plus gééralemet, la discrimiatio est d autat meilleure que le ratio est proche de Solutio du problème d optimisatio O veut maximiser le rapport etre la variace iter-groupe et la variace totale. La première variable discrimiate s = Xu est telle que le facteur discrimiat u vérifie : u Bu max u R p u Vu. (8) Rappels sur la maximisatio du quotiet de deux formes quadratiques. Soiet A et B deux matrices symétriques de même dimesio, B état supposée iversible. Alors, le rapport u Au u Bu est maximal pour u 1 vecteur propre de B 1 A associé à la plus grade valeur propre otée λ 1, la valeur du maximum état λ 1. Exercice : Démotrez le résultat ci-dessus. O déduit du rappel ci-dessus que, pour otre problème d optimisatio (8), le vecteur u solutio est le vecteur propre de V 1 B associé à la plus grade valeur propre λ 1. E pratique, si o utilise la métrique M = V 1 par exemple, o peut choisir parmi tous les vecteurs propres coliéaires, celui qui est V-ormé à 1 (u Vu = V ar(s) = 1). Si o utilise ue autre métrique M, l axe discrimiat a = M 1 u est modifié mais le facteur discrimiat u est le même (à ue costate près) et la variable discrimiate s = XMa = Xu (coordoées des projectios des idividus sur la droite egedrée par l axe discrimiat) est doc égalemet la même (à ue costate près). La valeur du maximum, c est à dire le pouvoir discrimiat, 8

9 quad à lui est ichagé. Le choix de la métrique M est doc idifférete pour la costructio de variables et des facteurs discrimiats, seule la orme chage. Avec la métrique M = W 1 par exemple, si u est W-ormé à 1, alors u Wu = Itra(s) = 1. O a alors les défiitios suivates : Le premier facteur discrimiat est u 1, le premier vecteur propre de V 1 B. La première variable discrimiate est s 1 = Xu 1. Le pouvoir discrimiat est λ 1 = u 1 Bu 1 u 1 Vu 1. Remarques : Cas où λ 1 = 1 : e projectio sur la droite discrimiate, les dispersios itragroupe sot ulles ; cela correspod au fait que les K sous-uages sot doc chacu das des hyperplas orthogoaux à. Il y a alors évidemmet discrimiatio parfaite si les cetres de gravités se projettet e des poits différets sur la droite. Cas où λ 1 = 0 : ici le meilleur axe discrimiat e permet pas de séparer les K cetres de gravité g k. C est par exemple le cas si ces deriers sot cofodus ; cela peut correspodre au cas de figure où les K sous-uages sot cocetriques et doc aucue séparatio liéaire est possible. Remarquos qu il peut cepedat exister ue possibilité de discrimiatio o liéaire (du type quadratique par exemple, si l o pese à la distace au cetre de gravité qui permet de séparer les groupes das le cas de sous-uages cocetriques). Notos efi que la valeur propre λ est u mesure pessimiste du pouvoir discrimiat. E effet, même s il est possible de discrimier parfaitemet les groupes, o peut avoir λ < 1. La décompositio spéctrale de V 1 B doe aussi les autres axes discrimiats de l AFD. E effet, o cherche esuite s 2 = Xu 2, o corrélée à s 1, telle que u 2 Bu 2 u 2 Vu 2 soit maximum et aisi de suite. O peux motrer que les vecteurs propres de V 1 B sot les facteurs discrimiats et les valeurs propres λ 1,..., λ K 1 sot les pouvoirs discrimiats. O pourra costruire K 1 axes discrimiats car le rag de V 1 B est au plus mi(p, K 1) et o suppose que K 1 < p. Remarques : Il faut que la matrice de variace-covariace V soit iversible et que doc la matrice de doées X soit de plei rag. Il faudra doc faire attetio e AFD, comme e 9

10 régressio liéaire multiple, au problème de la multicoliéarité des coloes de X. L AFD peut être vue comme ue ACP (Aalyse e composate pricipale) des cetres de gravités g k avec la métrique V 1. L AFD est aussi u cas particulier de l aalyse caoique. Elle correspod e effet à l aalyse caoique des tableaux A et X, où A (de dimesio K) représete l esemble des variables idicatrices associées à la variable qualitative à expliquer Les aglo-saxos E AFD, d autres critères ot été utilisés pour défiir les facteurs discrimiats et doc les variables discrimiates. Les aglo-saxos utiliset souvet comme critère pour mesurer la qualité de la discrimiatio d ue variable discrimiate s = XMa = Xu : Le problème d optimisatio s écrit : u Bu u Wu = Iter(s) Itra(s). max u R p u Bu u Wu. (9) La solutio est le vecteur propre u de W 1 B associé à la plus grad valeur propre µ. Ce problème d optimisatio est équivalet e terme de facteurs discrimiats au problème (8) mais les maximums sot différets. E d autres termes, les matrices W 1 B et V 1 B ot les mêmes vecteurs propres et µ = Prevue : O suppose W iversible. λ. 1 λ u vecteur propre de V 1 B V 1 Bu = λu Bu = λvu = λ(b + W)u (1 λ)bu = λwu Bu = λ 1 λ Wu W 1 Bu = λ 1 λ u u vecteur propre de W 1 B et λ 1 λ est la valeur propre µ O retrouve doc les mêmes variables discrimiates qu avec l autre critère (au sige et à ue costate près). E revache le critère λ varie etre 0 et 1 et s iterprète facilemet tadis que le critère µ varie etre zero et l ifii et s iterprète doc mois bie. 10

11 3.2.4 Le cas particulier de deux groupes E pratique, o étudie souvet le cas particulier où K = 2 (bo cliet/mauvais cliet, sai/malade...). O e recherche ici qu ue seule variable discrimiate puisque K 1 = 1. Nous allos voir qu il est possible de défiir aalytiquemet l expressio de l uique valeur propre de V 1 B et du vecteur propre associé. Das u premier temps, o motre que : a) B = (g 1 g 2 )(g 1 g 2 ). b) V 1 (g 1 g 2 ) est vecteur propre de V 1 B, λ = (g 1 g 2 ) V 1 (g 1 g 2 ) est la valeur propre de W 1 B. Exercice : Motrez les résultats ci-dessus. O e déduit qu avec la métrique M = V 1 et le critère u Bu = Itra(s) o a : u Vu V ar(s) u = V 1 (g 1 g 2 ) est le facteur discrimiat, a = (g 1 g 2 ) est l axe discrimiat, s = XV 1 (g 1 g 2 ) est la variable discrimiate, λ = 1 2 d 2 2 V (g 1 1, g 2 ) est le pouvoir discrimiat Itra(s). V ar(s) où d 2 V 1 (g 1, g 2 ) = (g 1 g 2 ) V 1 (g 1 g 2 ) est le carré de la distace etre g 1 et g 2. Remarque : Il existe ue ifiité de vecteurs propres coliéaires à u. Le carré de la V-orme de u = V 1 (g 1 g 2 ) est : V 1 (g 1 g 2 ) 2 V = (g 1 g 2 ) V 1 (g 1 g 2 ) = d 2 V 1(g 1, g 2 ). O e déduit qu e divisat u, a et s par d V 1(g 1, g 2 ), le facteur discrimiat est V-ormé à 1 (u Vu = 1), l axe discrimiat est V 1 -ormé à 1 (a V 1 a = 1), et la variace de la variable discrimiate est égale à 1 (V ar(s) = 1). De la même maière, avec la métrique est M = W 1 et le critère u Bu = Itra(s) o a : u Wu Iter(s) u = W 1 (g 1 g 2 ) est le facteur discrimiat, a = (g 1 g 2 ) est l axe discrimiat, s = s = XW 1 (g 1 g 2 ) est la variable discrimiate, µ = 1 2 d 2 2 W (g 1 1, g 2 ) est le pouvoir discrimiat Itra(s). Iter(s) où d 2 W 1 (g 1, g 2 ) = (g 1 g 2 ) W 1 (g 1 g 2 ) est le carré de la distace etre g 1 et g 2. 11

12 Remarque : Il faut diviser u, a et s par d W 1(g 1, g 2 ) pour que le facteur discrimiat soit W-ormé à 1, l axe discrimiat soit W 1 -ormé à 1 et la variace itra-groupe de la variable discrimiate soit égale à 1 (Itra(s) = 1). Fialemet, das le cas particulier de deux groupes, tout se calcule aalytiquemet à partir des cetres de gravité g 1 et g 2 et l axe discrimiat egedre la droite reliat g 1 et g 2. Ceci a rie de surpreat vu que l o a précoisé que l axe discrimiat doit être tel qu e projectio sur, les K cetres de gravité doivet être aussi séparés que possible. Le choix de la métrique M = V 1 (ou M = W 1 ) a ue iterprétatio géométrique. E effet, o projette le uage des idividus sur la droite (passat par g 1 et g 2 ) e teat compte de l orietatio des uages par rapport à cette droite. La règle de Fisher (1936). La première variable discrimiate peut être utilisée comme score pour costruire ue règle de décisio simple e fixat u seuil c. O fixe comme seuil c le milieu des scores des deux cetres de gravité g 1 et g 2 sur la première (et uique...) variable discrimiate (les coordoées de leur projectio sur l axe discrimiat). E d autre termes, le seuil c est le milieu des moyees des 2 groupes sur la variable discrimiate s = Xu. O ote s 1 et s 2 ces deux moyees et o utilise ici la métrique M = W 1 (mais ce serait équivalet d utiliser M = V 1 ). O a : s 1 = 1 1 s i = g 1W 1 a i E 1 projectio W 1 orthogoale de g 1 sur, s 2 = 1 s i = g 2W 1 a 2 i E 2 projectio W 1 orthogoale de g 2 sur, avec ici a = (g 1 g 2 ). O pred alors comme seuil : c = s 1 + s 2 2 = 1 2 (g 1W 1 a + g 2W 1 a) = 1 2 (g 1 + g 2 ) W 1 (g 1 g 2 ) O peut alors défiir la règle de décisio : s i c l idividu i est affecté au groupe 1, s i < c l idividu i est affecté au groupe 2. 12

13 Cette règle se réécrit doc : x iw 1 (g 1 g 2 ) 1 2 (g 1 + g 2 ) W 1 (g 1 g 2 ) 0 l idividu i est affecté au groupe 1, x iw 1 (g 1 g 2 ) 1 2 (g 1 + g 2 ) W 1 (g 1 g 2 ) < 0 l idividu i est affecté au groupe 2. O retrouve la règle de Mahalaobis-Fisher das le cas de deux groupes. 4 Aalyse discrimiate géométrique O va préseter ici ue approche puremet géométrique (sas aucue hypothèse probabiliste) de l aalyse discrimiate décisioelle. Ayat trouvé la meilleure représetatio de la séparatio e K groupes des idividus, o va chercher ici à affecter ue ouvelle observatio à l u de ces groupes. Notos x le vecteur des valeurs des p variables quatitatives mesurées sur ce ouvel idividu. La règle géométrique cosiste à calculer les distaces de cette observatio à chacu des K cetres de gravité et à affecter aturellemet cette observatio au groupe le plus proche. Pour cela, il faut préciser la métrique à utiliser das le calcul des distaces. La règle la plus utilisée est celle de Mahalaobis-Fisher qui cosiste à predre la métrique W 1 (ou V 1 ce qui est équivalet). La distace du ouvel idividu au groupe k est alors : d 2 (x, g k ) = (x g k ) W 1 (x g k ). (10) 4.1 Foctios liéaires discrimiates La règle géométrique classe la ouvelle observatio x das le groupe k tel que : k = arg mi,...,k d2 (x, g k ), (11) ce qui se réécrit : où k = arg max,...,k L k(x), (12) L k (x) = x W 1 g k 1 2 g kw 1 g k. (13) L k (x) est la foctio liéaire discrimiate du groupe k (ecore appelée foctio liéaire de classemet). 13

14 Preuve : W 1 état symétrique o a : d 2 (x, g k ) = (x g k ) W 1 (x g k ) = x } W{{ 1 x} +g kw 1 g k 2x W 1 g k idépedat de k Doc miimiser d 2 est équivalet à maximiser 2x W 1 g k g k W 1 g k 2 = L k (x). Chaque foctio liéaire discrimiate défiie ue foctio score qui doe ue ote à l observatio x das chaque groupe. Cette observatio est doc affectée au groupe pour lequel le score est le plus grad. 4.2 Le cas particulier de deux groupes O peut das ce cas particulier où K = 2, calculer la différece etre les foctios liéaires discrimiates du groupe 1 et du groupe 2 pour défiir ue ouvelle foctio score que l o comparera à zero pour affecter ue ouvelle observatio. O défiit aisi la ouvelle foctio liéaire discrimiate (foctio score) : 1/2 (x) = L 1 (x) L 2 (x) = x W 1 (g 1 g 2 ) 1 2 (g 1 + g 2 ) W 1 (g 1 g 2 ) (14) Preuve : L 1 (x) L 2 (x) = x W 1 g g 1W 1 g 1 (x W 1 g 2 12 ) g 2W 1 g 2 = x W 1 (g 1 g 2 ) 1 g 2 1W 1 g 1 g 2W 1 g } {{ } 2 (g 1 +g 2 ) W 1 (g 1 g 2 ) O retrouve alors la règle de Mahalaobis-Fisher itroduite e AFD : x W 1 (g 1 g 2 ) 1 2 (g 1 + g 2 ) W 1 (g 1 g 2 ) 0 l idividu i est affecté au groupe 1, x W 1 (g 1 g 2 ) 1 2 (g 1 + g 2 ) W 1 (g 1 g 2 ) < 0 l idividu i est affecté au groupe 2. 14

15 Das le cas particulier de 2 groupes, la règle géométrique reviet doc à projeter l observatio x avec la métrique W 1 sur le premier axe discrimiat (calcule du score x W 1 (g 1 g 2 )) et à classer x selo u seuil c qui est le milieu des moyees des groupes sur ce score (c = 1(g g 2 ) W 1 (g 1 g 2 )). De plus, 1/2 (x) s écrit : 1/2 (x) = (x g 1 + g 2 ) W 1 (g 1 g 2 ). (15) 2 Doc la frotière etre les groupes 1 et 2 (aussi appelée frotière de décisio) est l hyperpla d équatio : x g 1 + g 2, g 1 g 2 W 1 = 0. 2 L hyperpla séparateur est doc l hyperpla W 1 -orthogoal à la droite reliat les poits g 1 et g 2 et passat par le milieu de g 1 et g Isuffisaces de la règle géométrique L utilisatio de la règle d affectatio géométrique que l o viet de préseter peut coduire à des affectatios icorrectes lorsque les dispersios des groupes sot très différetes etre elles. E fait das ce cadre-là, rie e justifie l utilisatio de la même métrique pour les différets groupes. Exemple. La solutio pour pallier ce problème peut être d utiliser des métriques locales M k à chaque sous-uage E k, proportioelles à V 1 k et de calculer les distaces d 2 k (x, g l) = (x g k ) M k (x g k ). La questio de l optimalité de la règle géométrique d affectatio e peut être résolue sas référece à u modèle probabiliste. E effet, ue questio est de savoir commet se comportera cette règle pour de ouvelles observatios, ce qui va imposer de faire des hypothèses distributioelles sur la répartitio des idividus das l espace. 15

16 Cette première approche de l aalyse discrimiate décisioelle atteit doc ici clairemet ses limites, d où la écessité de passer à la sectio suivate das laquelle serot présetées des méthodes probalistes d affectatio qui coduirot à des règles optimales (e u certai ses). 5 Aalyse discrimiate probabiliste Das la sectio précédete, o disposait d u échatillo de taille sur lequel étaiet mesurées simultaémet les p variables explicatives quatitatives et la variable qualitative à expliquer. Gééralemet cet échatillo est appelé échatillo d appretissage. O a vu que, lorsque l o dispose d u ouvel idividu sur lequel o a mesuré uiquemet les p variables explicatives (et dot o e coaît pas sa valeur de la variable qualitative), o doit décider du groupe k auquel appartiet ce ouvel idividu. O a alors défii ue règle de décisio (d affectatio) fodée seulemet sur des argumets géométriques (calcul des distaces de cet idividu aux cetres de gravité de chaque groupe et affectatio au groupe le plus proche ). Das cette sectio, o va défiir des règles de décisio bayésiee qui vot permettre d affecter le ouvel idividu à la classe la plus probable. Pour cela, il va être écessaire de faire des hypothèses probabilistes sur les doées, d où l appellatio de méthodes probabilistes (par oppositio aux méthodes puremet géométriques). 5.1 Le cadre probabiliste O suppose maiteat que l échatillo d appretissage est issu d ue populatio e K groupes G 1,..., G k et que : Y est ue variable aléatoire qui pred ses valeurs das {1,..., K}. X = (X 1,..., X p ) est u vecteur de variables aléatoires réelles. O otera : (p 1,..., p K ) la distributio de Y où p k = P (Y = k) est la proportio théorique de G k ecore appelée probabilité à priori de G k. f k : R p [0, 1] la desité de X das le groupe k. Exemple : 2 groupes et p=1 16

17 la desité de X est ue desité de mélage : X p k f k (x) O supposera que l o dispose d ue échatillo i.i.d. (X 1, Y 1 ),..., (X, Y ) de même moi que (X, Y ). 5.2 Règle du maximum à posteriori La règle du MAP (maximum à posteriori) affecte ue ouvelle observatio x das le groupe k le plus probable sachat x : k = arg max,...,k P (G k x), (16) où P (G k x) = P (Y = k X = x) est la probabilité coditioelle appelée la probabilité à posteriori de G k. Les probabilités à posteriori P (G k x) sot parfois qualifiées de scores (otes) et o affecte doc ue ouvelle observatio au groupe pour lequel le score est le plus grad. Cette règle se réécrit : O parle alors souvet de règle de Bayes. Preuve : O utilise le théorème de Bayes qui doe : k = arg max,...,k p kf k (x). (17) P (G k x) = P (Y = k X = x) = f k(x)p (Y = k) f X (X) = f k(x)p k f X (X) Or f X (x) est idépedate de k doc il suffit de maximiser f k (x)p k. Plusieurs approches sot possibles. a) Les approches paramétriques : O peut supposer que f k (x) a ue forme paramétrique et estimer les paramètres sur l échatillo d appretissage. Par exemple, f k (x) est ue desité N (µ k, Σ k ) pour les méthodes LDA et QDA. O peut supposer que la probabilité à posteriori P (G k x) a ue expressio paramétrique et l estimer directemet. Par exemple P (G 1 x) = exp(β 0+β x) 1+exp(β 0 +β x) pour la régressio logistique (pour K = 2). 17

18 b) Les approches o paramétriques : o cherche à estimer directemet à partir des doées les desités f k. O parle d estimatio o paramétrique (ou estimatio foctioelle) lorsque le ombre de paramètres à estimer est ifii. L objet à estimer est alors ue foctio que l o supposera par exemple cotiue et dérivable. Cette approche très souple a doc l avatage de e pas écessiter d hypothèses particulières sur la desité f k (seulemet la régularité de f k pour avoir de boes propriétés de covergece). E revache, elle est applicable d u poit de vue pratique qu avec des échatillos de grade taille d autat plus que la dimesio p augmete. Exemple : méthodes à oyaux. Ici o se place das le cadre paramétrique gaussie. 5.3 Le cas gaussie O suppose maiteat que X N (µ k, Σ k ) das chaque groupe G k : ( 1 f k (x) = exp 1 ) (2π) p/2 (det(σ k )) 1/2 2 (x µ k) Σ 1 k (x µ k), (18) avec µ k R p le vecteur des moyees théoriques et Σ k la matrice p p des variacescovariaces théoriques. Das ce cas, la règle de Bayes se réécrit : où k = arg mi,...,k D2 k(x), (19) D 2 k(x) = (x µ k ) Σ 1 k (x µ k) 2 l(p k ) + l(det Σ k ), (20) est appelé le carré de la distace de Mahalaobis théorique gééralisée das SAS. Preuve : Maximiser p k f k (x) est équivalet à maximiser l(p k f k (x)) et l(p k f k (x)) = l(p k ) + l(f k (x)), = l(p k ) p 2 l(2π) 1 2 l(det(σ k)) 1 2 (x µ k) Σ 1 k (x µ k). Doc avec p 2 l(2π) qui est idépedat de k, maximiser l(p kf k (x)) est équivalet à miimiser 2 ( l(p k ) 1 2 l(det(σ k)) 1 2 (x µ k) Σ 1 k (x µ k) ) = D k (x) 2. 18

19 5.3.1 Estimatio des paramètres A partir de l échatillo d appretissage, o veut estimer le paramètre θ = (p 1,..., p K, µ 1,..., µ K, Σ 1,..., Σ K ). La méthode du maximum de vraisemblace peut être utilisée. La vraisemblace s écrit : L(θ) = K f X (x i ) = i=1 x i E k p k f k (x i ), et o e déduit que la log-vraissemblace s écrit : l(l(θ)) = x i E k ( l(p k ) p 2 l(2π) 1 2 l(det(σ k)) 1 ) 2 (x i µ k ) Σ 1 k (x i µ k ). O obtiet alors les estimateurs du maximum de vraisemblace suivat : ˆp k = k ˆµ k = 1 k i E k x i ˆΣ = ˆΣ 1 k = K i E k (x i µ k )(x i µ k ) das le cas homoscédastique, ˆΣ k = 1 k i E k (x i µ k )(x i µ k ) das le cas hétéroscédastique. Les estimateurs de ˆΣ k état biaisé, o a les estimateurs sas biais suivats : ˆΣ = 1 K ˆΣ k = 1 k 1 (x i µ k )(x i µ k ), i E k (x i µ k )(x i µ k ). i E k Aalyse discrimiate quadratique (QDA e aglais) O se place das le cas où k k tel que Σ k Σ k appelé cas hétéroscédastique. O estime alors les paramètres sur l échatillo d appretissage et e repreat les otatios de la sectio 2 : µ k est estimée par g k = 1 k i E k x i, Σ k est estimée par V k = 1 k i E k (x i g k )(x i g k ) ou ecore par sa versio sas biais : p k est estimée par π k = k. V k = 1 (x i g k )(x i g k ), k 1 i E k 19

20 Avec ces estimateurs, la règle de Bayes se réécrit : k = arg mi Q k(x), (21),...,K où Q k (x) = (x g k ) V 1 k (x g k) 2 l(π k ) + l(det(v k )), (22) est la foctio quadratique discrimiate du groupe k (ecore appelée foctio quadratique de classemet). Chaque foctio quadratique discrimiate défiie ue foctio score et ue ouvelle observatio sera affectée au groupe pour lequel le score sera le plus petit Aalyse discrimiate liéaire (LDA e aglais) O se place das le cas où Σ 1 =... = Σ K = Σ appelé cas homoscédastique. Das ce cas, la règle de Bayes se réécrit : k = arg max,...,k x Σ 1 µ k 1 2 µ kσ 1 µ k + l(p k ). (23) Preuve : Σ k = Σ pour tout k = 1,..., K doc D 2 k(x) = (x µ k ) Σ 1 (x µ k ) 2 l(p k ) + l(det Σ), = x } Σ{{ 1 x} idép. de k 2x Σ 1 µ k } {{ } car Σ 1 sym. +µ kσ 1 µ k 2 l(p k ) + l(det(σ)). } {{ } idép. de k Doc miimiser D 2 k (x) est équivalet à maximiser 1 2 (2x Σ 1 µ k + µ k Σ 1 µ k 2 l(p k )). O estime alors les paramètres sur l échatillo d appretissage et e repreat les otatios de la sectio 2 : µ k est estimée par g k = 1 k i E k x i, la matrice de variaces-covariaces Σ commue aux différets groupes est estimée par W = 1 i E k (x i g k )(x i g k ) ou ecore par la versio sas biais : W = 1 (x i g k )(x i g k ), K i E k p k est estimée par π k = k. Avec ces estimateurs, la règle de Bayes se réécrit : k = arg max,...,k L k(x), (24) 20

21 où L k (x) = x W 1 g k 1 2 g kw 1 g k + l(π k ), (25) est la foctio liéaire discrimiate du groupe k (ecore appelée foctio liéaire de classemet). Chaque foctio liéaire discrimiate défiie ue foctio score et ue ouvelle observatio sera affectée au groupe pour lequel le score sera le plus grad. Remarque : O retrouve la foctio liéaire discrimiate (13) de l aalyse discrimiate géométrique avec le terme l(π k ) e plus. Das le cas où l o fait l hypothèse d égalité des probabilités à priori (p 1 =... = p K ), la règle de l aalyse discrimiate liéaire (LDA) est équivalete à la règle de l aalyse discrimiate géométrique Estimatio des probabilités à posteriori O peut motrer que das le cas gaussie, o a : P (G k x) = exp( 1 2 D2 k (x)) K l=1 exp( 1 2 D2 l (x)) (26) où Dk 2 (x) est le carré de la distace de Mahalaobis théorique gééralisée du logiciel SAS défiie e (20). Preuve : D après le théorème de Bayes : P (G k x) = p kf k (x) K l=1 p lf l (x), (27) et o a l(p k f k (x)) = 1 2 D2 k (x) p l(2π), d où : 2 p k f k (x) = exp( 1 2 D2 k p 2 l(2π)) = exp( 1 2 D2 k) (2π) p 2. Doc e mettat (2π) p 2 e facteur au déomiateur de (27), le terme se simplifie au umérateur et o retrouve (26). E pratique, o estime les probabilités à posteriori par : ˆP (G k x) = exp( 1 ˆD 2 2 k (x)) K l=1 exp( (28) 1 2 D2 l (x)), où ˆD 2 k(x) = (x ˆµ k ) ˆΣ 1 k (x ˆµ k) + g 1 (x) + g 2 (x), (29) 21

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

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

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

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

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

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

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

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

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

. (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

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

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

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

[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

Inégalités souvent rencontrées

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

Plus en détail

Statistique Numérique et Analyse des Données

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

Plus en détail

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

* 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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Exercices de mathématiques

Exercices de mathématiques MP MP* Thierry DugarDi Marc rezzouk Exercices de mathématiques Cetrale-Supélec, Mies-Pots, École Polytechique et ENS Coceptio et créatio de couverture : Atelier 3+ Duod, 205 5 rue Laromiguière, 75005 Paris

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

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

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

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

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

Université Pierre et Marie Curie. Biostatistique PACES - UE4 2013-2014

Université Pierre et Marie Curie. Biostatistique PACES - UE4 2013-2014 Uiversité Pierre et Marie Curie Biostatistique PACES - UE4 2013-2014 Resposables : F. Carrat et A. Mallet Auteurs : F. Carrat, A. Mallet, V. Morice Mise à jour : 21 octobre 2013 Relecture : V. Morice,

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

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

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

Plus en détail

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

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

Probabilité 1 - L1 MMIA

Probabilité 1 - L1 MMIA Probabilité 1 - L1 MMIA Tra Viet Chi, vtra@u-paris10fr, Bureau E12(G) Exercice 1 (Pour démarrer) 1 Soiet A et B deux esembles Rappelez les défiitios de l itersectio A B, de l uio A B, de la différece A

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

P : Dénombrements / Probabilités en univers fini

P : Dénombrements / Probabilités en univers fini P : Déombremets / Probabilités e uivers fii Déombremet & Combiatoire P.1 O tire les cartes! O tire 5 cartes das u jeu de 32 cartes usuel. Combie y a-t-il de tirages possibles vérifiat les coditios suivates

Plus en détail

DETERMINANTS. a b et a'

DETERMINANTS. a b et a' 2003 - Gérard Lavau - http://perso.waadoo.fr/lavau/idex.htm Vous avez toute liberté pour télécharger, imprimer, photocopier ce cours et le diffuser gratuitemet. Toute diffusio à titre oéreux ou utilisatio

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

Consolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe

Consolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe Cosolidatio La société THEOS, qui commercialise des vis, exerce so activité das trois villes : Paris, Nacy et Nice. Le directeur de la société souhaite cosolider les résultats de ses vetes par ville das

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

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

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

Plus en détail

Baccalauréat S Asie 19 juin 2014 Corrigé

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

Plus en détail

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

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

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

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

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

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

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

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

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

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

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

MESURE DE L'INFORMATION

MESURE DE L'INFORMATION MESURE DE L'INFORMATION Marc URO TABLE DES MATIÈRES INTRODUCTION... 3 INCERTITUDE D'UN ÉVÉNEMENT (OU SELF-INFORMATION)... 7 INFORMATION MUTUELLE DE DEUX ÉVÉNEMENTS... 9 ENTROPIE D'UNE VARIABLE ALÉATOIRE

Plus en détail

Chaînes de Markov. Arthur Charpentier

Chaînes de Markov. Arthur Charpentier Chaîes de Markov Arthur Charpetier École Natioale de la Statistique et d Aalyse de l Iformatio - otes de cours à usage exclusif des étudiats de l ENSAI - - e pas diffuser, e pas citer - Quelques motivatios.

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

Des résultats d irrationalité pour deux fonctions particulières

Des résultats d irrationalité pour deux fonctions particulières Collect. Math. 5, 00, 0 c 00 Uiversitat de Barceloa Des résultats d irratioalité pour deux foctios particulières Richard Choulet 7, Rue du 4 Août, 40 Aveay, Frace E-mail: richardchoulet@waadoo.fr Received

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

RECHERCHE DE CLIENTS simplifiée

RECHERCHE DE CLIENTS simplifiée RECHERCHE DE CLIENTS simplifiée Nous ous occupos d accroître votre clietèle avec le compte Avatage d etreprise Pour trouver des cliets potetiels grâce à u simple compte bacaire Vous cherchez des idées

Plus en détail

Tests non paramétriques de spécification pour densité conditionnelle : application à des modèles de choix discret

Tests non paramétriques de spécification pour densité conditionnelle : application à des modèles de choix discret Tests o paramétriques de spécificatio pour desité coditioelle : applicatio à des modèles de choix discret Mémoire Koami Dzigbodi AMEGBLE Maîtrise e écoomique Maître ès arts (M.A.) Québec, Caada Koami Dzigbodi

Plus en détail

La fibre optique arrive chez vous Devenez acteur de la révolution numérique

La fibre optique arrive chez vous Devenez acteur de la révolution numérique 2 e éditio Edité par l Autorité de régulatio des commuicatios électroiques et des postes RÉPUBLIQUE FRANÇAISE DÉCEMBRE 2010 La fibre optique arrive chez vous Deveez acteur de la révolutio umérique Petit

Plus en détail

Centre d expertise en analyse environnementale du Québec PROTOCOLE POUR LA VALIDATION ET LA VÉRIFICATION D UNE MÉTHODE D ANALYSE EN MICROBIOLOGIE

Centre d expertise en analyse environnementale du Québec PROTOCOLE POUR LA VALIDATION ET LA VÉRIFICATION D UNE MÉTHODE D ANALYSE EN MICROBIOLOGIE Cetre d expertise e aalyse eviroemetale du Québec Programme d accréditatio des laboratoires d aalyse PROTOCOLE POUR LA VALIDATION ET LA VÉRIFICATION D UNE MÉTHODE D ANALYSE EN MICROBIOLOGIE DR-12-VMM Éditio

Plus en détail