Économétrie. Annexes : exercices et corrigés. 5 e édition. William Greene New York University

Dimension: px
Commencer à balayer dès la page:

Download "Économétrie. Annexes : exercices et corrigés. 5 e édition. William Greene New York University"

Transcription

1 Économétre 5 e édton Annexes : exercces et corrgés Wllam Greene New York Unversty Édton françase drgée par Dder Schlacther, IEP Pars, unversté Pars II Traducton : Stéphane Monjon, unversté Pars I Panthéon-Sorbonne

2 Le présent texte est la traducton de Solutons Manual to Econometrc Analyss, 5th edton, de Wllam Greene, publé par Prentce Hall, Upper Saddle Rver, New Jersey, États-Uns. Copyrght 003 Pearson Educaton Inc. Authorzed translaton from the Englsh language edton, enttled Solutons Manual to Econometrc Analyss, 5 th edton publshed by Pearson Educaton Inc., publshng as Prentce Hall PTR, Copyrght 003 by Pearson Educaton Inc., Upper Saddle Rver, New Jersey, All rghts reserved. No part of ths book maybe reproduced or transmtted n any form or by any means, electronc or mechancal, ncludng photocopyng, recordng or by any nformaton storage retreval system, wthout permsson from Pearson Educaton Inc., French language edton publshed by PEARSON EDUCATION France, Copyrght 006. Pearson Educaton France 47 bs, rue des Vnagrers PARIS Tél. : Structuraton des documents et mse en pages : edto.bz 006 Pearson Educaton France Tous drots réservés Tous les noms de produts ou marques ctés c sont des marques déposées par leurs proprétares respectfs. Toute reproducton, même partelle, par quelque procédé que ce sot, est nterdte sans autorsaton préalable. Une cope par xérographe, photographe, flm, support magnétque ou autre, consttue une contrefaçon passble des penes prévues par la lo, du 11 mars 1957 et du 3 jullet 1995, sur la protecton des drots d auteur.

3 Annexe A Exercce 1 Pour les matrces A = et B = 4 1 5, calculer AB, A B, et BA AB = 14 30, BA = A B = (BA) = Exercce Prouver que tr(ab) = tr(ba) avec A et B deux matrces quelconques, non nécessarement carrées, pouvant être multplées. Le -ème élément de la dagonale de AB est j a j b j. En sommant sur, on obtent tr(ab) = a b j j. Le j-ème élément de la dagonale de BA est b a j j j. En sommant sur, on obtent tr(ba) = jb j a j. Exercce 3 Prouver que tr(a A) = ja j. Le j-ème élément de la dagonale de A A est le produt de la j-ème colonne de A, a j. En sommant sur j, on obtent tr(a A) = = j a j ja j.

4 4 Économétre Exercce 4 Développer le produt de la matrce X = {[AB + (CD) ][(EF) 1 + GH]}. On suppose que toutes les matrces sont carrées et que E et F sont non sngulères. On développe d abord (CD) = D C et (EF) 1 = F 1 E 1. Le produt est alors : {[AB + (CD) ][(EF) 1 + GH]} = (ABF 1 E 1 + ABGH + D C F 1 E 1 + D C GH) = (E 1 ) (F 1 ) B A + H G B A + (E 1 ) (F 1 ) CD + H G CD Exercce 5 Prouver que, pour des vecteurs colonnes K 1, x = 1,..., n, et un vecteur non nul, a, 0 ( x a)( x a) X' M X ( x a)( x a) n = 1 ' = + ' n On écrt x a comme [( x x ) + ( x a)]. La somme est alors : n =1 [(x x ) + ( x a)] [(x x ) + ( x a)] = = 1 n (x x )(x x ) + = 1 ( x a) ( x a) + n = 1 (x x )( x a) + n = 1 ( x a) (x x ) Pusque ( x a) est un vecteur de constantes, l peut être extrat des sommes. Ans, le quatrème terme est ( x a) n = 1 (x x ) = 0. Le trosème terme est smlare. Le premer terme est X M 0 X par défnton alors que le deuxème est n( x a) ( x a). n Exercce 6 On note A une matrce carrée dont les colonnes sont [a 1, a,..., a M ] et B tout réarrangement des colonnes de la matrce dentté M M. Quelle opératon est exécutée par la multplcaton AB? Que dre de BA? B est appelée une matrce de permutaton. Chaque colonne de B, notée b, est une colonne d une matrce dentté. La j-ème colonne du produt des matrces AB est A b qu est la j-ème colonne de A. Par conséquent, la multplcaton de A par B réarrange smplement (permute) les colonnes de A (d où le nom). Chaque lgne du produt BA est l une des lgnes de A, de sorte que BA est un réarrangement des lgnes de A. Ben sûr, A n a pas beson d être carrée pour permuter ses lgnes ou ses colonnes. Snon, la matrce de permutaton applcable est d ordre dfférent pour les lgnes et les colonnes. 006 Pearson Educaton France

5 Annexe A 5 Exercce On consdère le cas 3 3 de la matrce B de l exercce 6. Par exemple, B = On calcule B et B 3. On répète cela pour une matrce 4 4. Peut-on généralser le résultat trouvé? B = B 3 = Comme chaque pussance de B est un réarrangement de I, certanes pussances de B sont égales à I. S n est cette pussance, on trouve donc B n 1 = B 1. Ce résultat est valable de façon générale. Exercce Calculer A, tr(a) et A 1 pour A = A = 1()(8) + 4(5)(5) + 3()(7) 5()(7) 1(5)() 3(4)(8) = 18 tr(a) = = 11 A 1 = det det 8 8 det det det det = det det det /18 18/18 6/18 1/18 7 /18 16 /18 4/18 18/18 10/ Pearson Educaton France

6 6 Économétre Exercce Détermner la décomposton de Cholesky de la matrce A = La décomposton de Cholesky d une matrce A est le produt de matrces LU = A avec L une matrce trangulare nféreure et U = L. On écrt la décomposton comme = λ11 0 λ. 11 λ1 λ1 λ. 0 λ Par multplcaton drecte, 5 = λ 11 de sorte que λ 11 = 5. Alors, λ 11 λ 1 = 7, de sorte que λ 1 = 7 / 5 = 1,4. Fnalement, λ1 + λ = 13, donc λ = 3,3. Exercce 10 Une matrce symétrque défne postve, A, peut auss être écrte comme A = UL, avec U une matrce trangulare supéreure et L = U. Ce n est néanmons pas la décomposton de Cholesky. On obtent cette décomposton de la matrce dans l exercce 9. En utlsant la même logque que dans le problème précédent, = µ 11 µ 1 µ µ. µ 1 µ En travallant du bas vers la haut, µ = 13 = 3,606. Alors, 7 = µ 1 µ de sorte que µ 1 = 7 / 13 = 1,941. Fnalement, 5 = µ +µ de sorte que µ 11 = 5 49 / 13 = 1,3, ou µ = 4,61. Exercce 11 Quelle opératon est réalsée en postmultplant une matrce par une matrce dagonale? Que dre de la prémultplcaton? Les colonnes sont multplées par l élément de la dagonale correspondant. La prémultplcaton multple les lgnes par l élément de la dagonale correspondant. 006 Pearson Educaton France

7 Annexe A 7 Exercce 1 Est-ce que les formes quadratques qu suvent sont postves pour toutes les valeurs de x? y = x 8 xx + (11 x ) 1 1 y = 5x + x + 7x + 4x x + 6x x + 8x x x La premère expresson peut être écrte 1 [ x1 x ] Le détermnant de x la matrce est = 75. Elle n est alors pas défne postve. Ans, la premère forme quadratque n est pas nécessarement postve. La seconde forme repose sur la 5 3 matrce 1 4. Il y a pluseurs façons de vérfer ce qu est demandé. Il est possble d examner les sgnes des mnorants prncpaux, qu dovent être postfs. Les deux premers termes sont 5 et 5(1) ()=1, mas le trosème, le détermnant, est 34. Par conséquent, la matrce n est pas défne postve. Ses tros racnes caractérstques sont 11,1,,9 et 1. Ans, l exste des valeurs de x 1, x et x 3 pour lesquelles la forme quadratque est négatve. Exercce 13 Prouver que tr(a B) = tr(a)tr(b). Le j-ème bloc de la dagonale du produt est a jj B. Le -ème élément de la dagonale est a jj b. S on somme dans le j-ème bloc, on obtent ab jj = a jj b. La sommaton vers le bas des blocs de la dagonale donne la trace, j a b = tr(a)tr(b). jj 006 Pearson Educaton France

8 8 Économétre Exercce 14 k Une matrce, A, est nlpotente s lm A = 0. Prouver qu une condton nécessare et k suffsante pour qu une matrce symétrque sot nlpotente est que toutes ses racnes caractérstques soent nféreures, en valeur absolue, à 1. On utlse la décomposton spectrale pour écrre A comme CΛC avec Λ la matrce dagonale des racnes caractérstques. Alors la pussance K-ème de A est CΛ K C. La condton suffsante est évdente. Auss, pusque λ est plus grand que 1, Λ K dot croître fortement ; la condton est également nécessare. Exercce Calculer les racnes caractérstques de A = Les racnes sont détermnées par A λ I = 0. Pour la matrce consdérée, cela donne : A λi = ( λ)(8 λ)(5 λ) (8 λ) 36( λ) 16(5 λ) = λ λ 5λ = λ (λ 15λ + 5) = 0 Une soluton est zéro. (On aurat pu le devner). La deuxème colonne de la matrce correspond à deux fos la premère, ans son rang n est pas supéreur à. La matrce n a donc pas plus de deux racnes non nulles. Les deux autres racnes sont ( 15 ± 05 )/ = 0,341 et 4,659. Exercce 16 Supposer que A = A(z) avec z un scalare. Qu est-ce que x Ax / z? On suppose mantenant que chaque élément de x est auss une foncton de z. De nouveau, qu est-ce que x Ax / z? La forme quadratque est j xxa j j, de sorte que x A(z)x / z = j xx j ( a j / z ) = x ( A(z) / z)x où A(z) / z est une matrce des dérvées partelles. Mantenant, s chaque élément de x est auss une foncton de z, alors : 006 Pearson Educaton France

9 Annexe A 9 x Ax / z = xx ( a / z ) + ( x / z) x a + x ( x / z) a j j j j j j j j j = x ( A(z) / z)x + ( x(z) / z) A(z)x(z) + x(z) A(z)( x(z) / z) S A est symétrque, l expresson se smplfe un peu en ( A(z) / z)x + ( x(z) / z) A(z)x(z). Exercce 17 Montrer que les solutons des équatons du détermnant B λa = 0 et A 1 B λi = 0 sont les mêmes. Comment les solutons de cette équaton sont-elles lées à celles de l équaton B 1 A µi = 0? Pusque A est supposée être non sngulère, on peut écrre : B λa = A(A 1 B λi). Alors, B λa = A A 1 B λi Le détermnant de A n est pas zéro s A est non sngulère, de sorte que les solutons des deux équatons dovent être les mêmes. B 1 A étant l nverse de A 1 B, ses racnes caractérstques dovent être les récproques de celles de A 1 B. Cela pourrat poser problème c pusque ces deux matrces ne sont pas nécessarement symétrques, de sorte que les racnes pourraent être complexes. Mas, pour l applcaton donnée, les deux matrces A et B sont symétrques et défnes postves. On peut alors montrer que la soluton est la même que la trosème équaton du détermnant mplquant une matrce symétrque. Exercce 18 En utlsant la matrce A donnée dans l exercce 9, trouver le vecteur x qu mnmse y = x Ax + x 1 + 3x 10. Quelle est la valeur de y au mnmum? Mantenant, mnmser y sous la contrante x 1 + x = 1. Comparer les deux solutons. La soluton qu mnmse y = x Ax + b x + d satsfat y x = Ax + b = 0. Pour ce 5 7 problème, A = 7 13, b = 3 et A 1 13/ 76 7 / 76 = 7 / 76 5/ 76, de sorte que la soluton est x 1 = 5 / 55 = 0, et x = 61 / 55 = 0, Le problème de maxmsaton sous contrante peut être traté sous la forme d un lagrangen : L* = x Ax + b x + d + λ (c x 1) où c = [1,1]. Les condtons nécessares pour la soluton sont : L* / x = Ax + b + λc = 0 L* / λ = c x 1 = Pearson Educaton France

10 10 Économétre ou A c x -b = ' 0 λ 1 c x1 En nsérant A, b et c, on a la soluton = 3 x. La soluton aux tros λ 1 équatons est obtenue en multplant le vecteur de drote par l nverse de la matrce de gauche. Les résultats sont 0,7083, 0,7917 et 5,75. La valeur de la foncton à la soluton contrante est 4,40, qu est plus grande que la valeur non contrante 10, Exercce 19 Quel est le jacoben des transformatons suvantes? (Une remarque, pour les lecteurs ntéressés par la technque, concernant une erreur courante dans la lttérature : un jacoben est un détermnant. Le terme «détermnant jacoben» est une redondance nutle.) y 1 = x 1 / x lny = ln x 1 lnx + lnx 3 y 3 = x 1 x x 3 Les lettres captales représentent des logarthmes. Alors, les tros transformatons peuvent être écrtes comme : Y 1 = X 1 X Y = X 1 X + X 3 Y 3 = X 1 + X +X 3 Cette transformaton lnéare est : La transformaton nverse est : X = Y = X = JX / 1/ 0 1/ 1/ Y = J Y 006 Pearson Educaton France

11 Annexe A 11 En foncton des varables orgnales, on a alors x 1 = y 1 (y / y 3 ) 1/, x = (y 3 / y ) 1/, et x 3 = y 1 y. La matrce des dérvées partelles peut être obtenue drectement, mas un raccourc algébrque se révèle utle pour obtenr le jacoben. On remarque tout d abord que x / y j = (x / y j )( logx / logy j ). Par conséquent, les éléments des dérvées partelles des transformatons nverses sont obtenus en multplant la -ème lgne par x, dans laquelle on substtue l expresson pour x en termes de y, on multple alors la j-ème colonne par (1 / y j ). Ans, le résultat de l exercce 11 est utle c. La matrce des dérvées partelles est : x1/ y1 x1/ y x1/ y3 / 1 / / x y x y x y3 = x3/ y1 x3/ y x3/ y 3 x / 1/ 1/ y x 0 1/ 1/ 0 1/ 0 y 0 0 x / y 3 Le détermnant de la matrce produt est le produt des tros détermnants. Le détermnant de la matrce du centre est 1 /. Les détermnants des matrces dagonales sont les produts des éléments de la dagonale. Par conséquent, le jacoben est J = abs( x / y )= ½(x 1 x x 3 ) / (y 1 y y 3 ) = (y 1 / y ) (après avor fat les substtutons pour x ). Exercce 0 Prouver que l échange des deux colonnes d une matrce carrée nverse le sgne de son détermnant. (Indce : utlser une matrce permutaton. Vor l exercce 6.) Échanger les deux premères colonnes d une matrce équvaut à la multpler par une matrce permutaton B = [e, e 1, e 3, e 4,...] où e est la -ème colonne d une matrce dentté. Ans, le détermnant de la matrce est AB = A B. La queston porte sur le détermnant de B. On suppose que A et B ont n colonnes. Pour obtenr le détermnant de B, on le développe smplement le long de la premère lgne. Le seul terme non nul dans le détermnant est ( 1) I n 1 = 1, où I n 1 est la matrce dentté (n 1) (n 1). Cela complète la preuve. 006 Pearson Educaton France

12 1 Économétre Exercce 1 Supposer que x = x(z) avec z un scalare. Qu est-ce que [(x Ax) / (x Bx)] / z? Les dérvées requses sont données dans l exercce 16. On pose g = x / z ; et on note le numérateur et le dénomnateur respectvement a et b. Alors : (a / b) / z = [b( a / z) a( b / z)] / b = [x Bx(x Ag) x Ax(x Bg)] / (x Bx) = [x Ax / x Bx][x Ag / x Ax x Bg / x Bx] Exercce On suppose que y est un vecteur n 1 et X une matrce n K. La projecton de y dans l espace des colonnes de X est défne dans le manuel après l équaton (-55), y = Xb. On consdère mantenant la projecton de y * = cy dans l espace des colonnes de X * = XP, où c est un scalare et P une matrce K K non sngulère. Trouver la projecton de y * dans l espace des colonnes de X *. Prouver que le cosnus de l angle entre y * et sa projecton dans l espace des colonnes de X * est le même que celu entre y et sa projecton dans l espace des colonnes de X. Comment nterpréter ce résultat? La projecton de y * dans l espace des colonnes de X * est X * b * où b * est la soluton à l ensemble des équatons X * y * = X * X * b * ou P X (cy) = P X XPb *. Comme P est non sngulère, P a un nverse. En multplant l équaton par (P ) 1, on a cx y = X X(Pb * ) ou X y = X X[(1 / c)pb * ]. Donc, en termes du y orgnal et X, on vot que b = (1 / c)pb *, ce qu mplque b * = cp 1 b. La projecton est X * b * = (XP)(cP 1 b) = cxb. On conclut donc que la projecton de y * dans l espace des colonnes de X * est un multple c de la projecton de y dans l espace de X. Cela se comprend pusque, s P est une matrce non sngulère, l espace des colonnes de X * est exactement le même que celu de X. Le cosnus de l angle entre y * et sa projecton est le même qu entre cy et cxb. Ben sûr, c est auss le même qu entre y et Xb pusque la longueur des deux vecteurs n est pas lée au cosnus de l angle entre eux. Ans, cosθ = (cy) (cxb)) / ( cy cxb ) = (y Xb)) / ( y Xb ). 006 Pearson Educaton France

13 Annexe A 13 Exercce Pour la matrce X = 4 3 5, calculer P = X(X X) 1 X et M = (I P). Vérfer 1 3 que MP = 0. On pose Q = 8. (Indce : montrer que M et P sont dempotentes.) a. Calculer le P et le M fondés sur XQ au leu de X. b. Quelles sont les racnes caractérstques de M et P? En premer leu : 4 0 X X = 0 54 (X X) 1 = 1/ /54 X(X X) 1 X = / / = = P M = I P = a. Il n est pas nécessare de recalculer les matrces M et P pour XQ, car ce sont les mêmes. La preuve est que la contreparte de P est (XQ)[(XQ) (XQ)] 1 (XQ) = XQ[Q X XQ] 1 Q X = XQQ 1 (X X) 1 (Q ) 1 Q X = X(X X) 1 X. La M matrce est auss la même. C est une applcaton du résultat trouvé dans l exercce précédent. La P matrce est la matrce projecton et, comme on l a vu, la projecton dans l espace de X est la même que la projecton dans l espace de XQ. b. Pusque M et P sont dempotentes, leurs racnes caractérstques dovent toutes être 0 ou 1. La trace de la matrce est égale à la somme des racnes, ce qu révèle la proporton de 1 et 0. Pour les matrces c-dessus, les traces de M et P sont égales à, de sorte que chacune a deux racnes untares et deux racnes nulles. 006 Pearson Educaton France

14 14 Économétre Exercce 4 On suppose que A est une matrce n n de la forme A = (1 ρi) + ρ, où est une colonne de 1 et 0 < ρ < 1. Écrre le format de A explctement pour n = 4. Trouver toutes les racnes et tous les vecteurs caractérstques de A. (Indce : l y a seulement deux racnes caractérstques dstnctes, qu se produsent respectvement 1 et n 1 fos. Chaque c d un certan type est un vecteur caractérstque de A.) 1 ρ ρ ρ ρ 1 ρ ρ Pour n = 4, A =. Il y a pluseurs façons d analyser cette matrce. On ρ ρ 1 ρ ρ ρ ρ 1 peut utlser un raccourc smple. Les racnes et vecteurs caractérstques satsfont [(1 ρ)i + ρ ]c = λc. On multple cela pour obtenr (1 ρ)c + ρ c = λc ou ρ c = [λ (1 ρ)]c. On pose µ= λ (1 ρ), de sorte que ρ c = µc. On a seulement beson de trouver les racnes caractérstques de ρ, µ. Les racnes caractérstques de la matrce orgnale sont juste λ = µ + (1 ρ). Mantenant, ρ est une matrce de rang 1, pusque chaque colonne est dentque. Par conséquent, n 1 des µ sont nuls. Ans, la matrce orgnale a n 1 racnes égales à 0 + (1 ρ) = (1 ρ). On peut trouver la dernère racne en remarquant que la somme des racnes de ρ est égale à la trace de ρ. Comme ρ a seulement une racne non nulle, cette dernère est la trace, nρ. Ans, la racne restante de la matrce orgnale est (1 ρ+ nρ). Les vecteurs caractérstques satsfont l équaton ρ c = µc. Pour la racne non nulle, on a ρ c = nρc. On dvse par nρ pour obtenr (1 / n) c = c. Cette équaton ndque que, pour chaque élément dans le vecteur, c = (1 / n) c. Cela mplque que chaque élément dans le vecteur caractérstque correspondant à la racne (1 ρ + nρ) sot le même ; en d autres termes, c est un multple d une colonne de «1». Ans, comme l a une longueur untare, le vecteur est (1/ n). Pour les racnes zéro restantes, les vecteurs caractérstques dovent satsfare ρ( c) = 0c = 0. S le vecteur caractérstque n est pas une colonne de «0», la seule façon d obtenr une négalté est d égalser c à zéro. Par conséquent, pour les n 1 vecteurs caractérstques restants, on peut utlser des vecteurs orthogonaux dont les éléments ont une somme nulle et dont les produts sont égaux à un. Il y a un nombre nfn de tels vecteurs. Par exemple, on pose D un ensemble arbtrare de n 1 vecteurs contenant n éléments. On transforme les colonnes de D en dévatons aux moyennes de leur propre colonne. Ans, on pose F = M 0 D où M 0 est défn dans la secton.3.6. Mantenant, on pose C = F(F F) -. C une combnason lnéare de colonnes de F : ses colonnes se somment à zéro. Les colonnes sont orthogonales et ont une longueur untare. 006 Pearson Educaton France

15 Annexe A 15 Exercce 5 Trouver l nverse de la matrce de l exercce 4. En utlsant l ndce, l nverse est : [(1 ρ) I] [ ρ'][(1 ρ) I] 1 [(1 ρ) I] = { I [ ρ/(1 ρ + nρ)] '} 1 ( ρ) ρ I ( ρ) 1 + '[(1 ) ] 1 ρ Exercce 6 Prouver que chaque matrce dans la séquence de matrces H +1 = H + d d, où H 0 = I, est défne postve. Pour une applcaton, vor la secton 5.5. Pour une extenson, prouver que chaque matrce dans la séquence de matrces défne dans (5-) est défne postve s H 0 = I. Par substtutons répétées, on trouve H +1 = I + j= 1 dd j j '. Une forme quadratque de H +1 est donc : x H +1 x = x x + 1 (x' d )(d ' x) = x x + 1 (x' d ) j= j j j= C est postf pour tout x. Une façon smple d établr cela pour la matrce dans (5-) est de remarquer que, malgré sa complexté, elle est de forme H +1 = H + d d + f f. S cela commence avec une matrce défne postve, telle que I, alors un argument smlare permet d établr le fat qu elle est défne postve. j Exercce 7 cos( x) sn( x) Quelle est la matrce nverse de P = sn( ) cos( )? Quelles sont les racnes x x caractérstques de P? Le détermnant de P est cos (x) + sn (x) = 1, de sorte que l nverse «nverse» juste les sgnes des éléments hors de la dagonale. Les deux racnes sont les solutons de P λi = 0, qu est cos (x) + sn (x) λcos(x) + λ = 0. Cela se smplfe car cos (x) + sn (x) = 1. En utlsant la formule quadratque, alors :λ= cos(x) ± (cos (x) 1) 1/. Mas, cos (x) 1 = sn (x). Par conséquent, les solutons magnares de la forme quadratque résultante sont λ 1,λ = cos(x) ± sn(x). 006 Pearson Educaton France

16 Annexe B Exercce 1 Comben de mans dfférentes de 5 cartes peuvent être trées au poker avec un jeu de 5 cartes? Il y a 5 = ( ) / [( )( )] = mans possbles. Exercce Calculer la probablté d avor un «4» dans une man au poker. Il y a 48(13) mans possbles contenant un «4» et une autre carte quelconque parm les 48 restantes. Ans, étant donné la réponse au problème précédent, la probablté d avor une de ces mans est de 48(13) / = 0,0004, ou mons d une chance sur Exercce 3 On suppose qu un tcket de lotere coûte 1 euro par jeu. Un jeu correspond à un trage de 6 nombres, entre 1 et 48, sans remse. S vous devnez les sx nombres, vous gagnez le prx. On suppose mantenant que N = nombre de tckets vendus et P = nveau du prx. N et P sont lés par les relatons : N = 5 + 1,P P = 1 + 0,4N N et P sont en mllons. Quelle est la valeur espérée d un tcket dans ce jeu? (Ne pas oubler que le prx est partagé avec les autres gagnants.)

17 Annexe B 17 Le nveau du prx et le nombre de tckets vendus sont détermnés conjontement. Les solutons des deux équatons sont N = 11,9 mllons de tckets et P = 5,77 mllons d euros. Le nombre de combnasons possbles des 48 nombres sans remse est : 48 = ( ) / [( )( )] = La probablté de fare le bon chox est donc de 1 / = 0, Le nombre espéré de gagnants est la valeur espérée d une varable bnomale avec N essas et une probablté de succès égale à 11,9 / 1,7 = 0,97, sot envron 1. Ans, on ne s attend pas à devor partager le prx. La valeur espérée du tcket est Prob[gagne](5,77 mllons 1) + Prob[perd]( 1). 53 centmes. Exercce 4 S x a une dstrbuton normale de moyenne 1 et d écart-type 3, explcter : a. Prob[ x > ]. b. Prob[x > 1 x < 1,5]. En utlsant la table normale : a. Prob[ x > ] = 1 Prob[ x < ] = 1 Prob[ < x < ] = 1 Prob[( 1) / 3 < z < ( 1) / 3] = 1 [F(1 / 3) F( 1)] = 1 0, ,1587 = 0,581 b. Prob[x > 1 x < 1.5] = Prob[ 1 < x < 1.5] / Prob[x < 1,5] Prob[ 1 < x < 1,5] = Prob[( 1 1) / 3 < z < (1,5 1) / 3)] = Prob[z < 1 / 6] Prob[z < / 3] = 0,566 0,55 = 0,3137 La probablté condtonnelle est 0,3137 / 0,566 = 0, Pearson Educaton France

18 18 Économétre Exercce 5 Donner approxmatvement la probablté qu une varable aléatore suvant une dstrbuton ch-deux à 64 degrés de lberté sot nféreure à 97. z = [(97)] [(64) 1] = 1,4155. La probablté est donc approxmatvement 0,915. Avec sx chffres après la vrgule, l approxmaton est 0,91539 alors que la valeur correcte est 0, Exercce 6 Inégalté de Chebychev. Pour les dstrbutons de probablté suvantes, trouver la borne nféreure de la probablté de l évènement ndqué en utlsant l négalté de Chebychev (3 18). Trouver également la probablté exacte en utlsant la table approprée : a. x ~ normale[0,3 ] et 4 < x < 4. b. x ~ ch-deux, 8 degrés de lberté, 0 < x < 16. L négalté donnée en (3 18) ndque que Prob[ x µ < kσ] > 1 1 / k. On remarque que le résultat ne donne pas d nformatons s k est nféreur ou égal à 1. a. Le rang est 4 / 3 des écarts-types, de sorte que la borne nféreure est 1 (3 / 4) ou 7 / 16 = 0,4375. De la table normale standard, la probablté réelle est 1 Prob[z < 4 / 3] = 0,8175. b. La moyenne de la dstrbuton est 8 et l écart-type est 4. Le rang est donc µ ± σ. Selon l négalté, la borne nféreure est 1 (1 / ) = 0,75. La probablté réelle est le ch-deux cumulatf (8) à 16, ce qu est un peu plus grand que 0,95. (La valeur réelle est 0,9576.) Exercce 7 Étant donné la dstrbuton de probablté jonte suvante : X ,05 0,1 0,03 Y 1 0,1 0,11 0,19 0,08 0,15 0, Pearson Educaton France

19 Annexe B 19 a. Calculer les probabltés suvantes : Prob[Y < ], Prob[Y <, X > 0], Prob[Y = 1, X > 1]. b. Trouver les dstrbutons margnales de X et Y. c. Calculer E[X], E[Y], Var[X], Var[Y], Cov[X, Y], et E[X Y 3 ]. d. Calculer Cov[Y, X ]. e. Quelles sont les dstrbutons condtonnelles de Y, étant donné que X =, et celles de X étant donné que Y > 0? f. Trouver E[Y X] et Var[Y X]. Obtenr les deux partes de la décomposton de la varance Var[Y] = E x [Var[Y X]] + Var x [E[Y X]]. On obtent tout d abord les probabltés margnales. Pour la dstrbuton jonte, on a : X: P(0) = 0,34, P(1) = 0,36, P() = 0,30 Y: P(0) = 0,18, P(1) = 0,51, P() = 0,31 Ensute : a. Prob[Y < ] = 0,18 + 0,51 = 0,69 Prob[Y <, X > 0] = 0,1 + 0,03 + 0,11 + 0,19 = 0,43 Prob[Y = 1, X 1] = 0,11 + 0,19 = 0,30 b. Elles sont données c-dessus. c. E[X] = 0(0,34) + 1(0,36) + (0,30) = 0,96 E[Y] = 0(0,18) + 1(0,51) + (0,31) = 1,13 E[X ] = 0 (0,34) + 1 (0,36) + (0,30) = 1,56 E[Y ] = 0 (0,18) + 1 (0,51) + (0,31) = 1,75 Var[X] = 1,56 0,96 = 0,6384 Var[Y] = 1,75 1,13 = 0,4731 E[XY] = 1(1)(0,11)+1()(0,15)+(1)(0,19)+()(0,08) = 1,11 Cov[X, Y] = 1,11 0,96(1,13) = 0,05 E[X Y 3 ] = 0,11 + 8(0,15) + 4(0,19) + 3(0,08) = 4,63 d. E[YX ] = 1(1)0,11+1()0,19+(1)0,15+()0,08 = 1,81 Cov[Y, X ] = 1,81 1,13(1,56) = 0, Pearson Educaton France

20 0 Économétre e. f. Prob[Y = 0 * X = ] = 0,03 / 0,3 = 0,1 Prob[Y = 1 * X = ] = 0,19 / 0,3 = 0,633 Prob[Y = 1 * X = ] = 0,08 / 0,3 = 0,67 Prob[X = 0 * Y > 0] = (0,1 + 0,08) / (0,51 + 0,31) = 0,3537 Prob[X = 1 * Y > 0] = (0,11 + 0,15) / (0,51 + 0,31) = 0,3171 Prob[X = * Y > 0] = (0,19 + 0,08) / (0,51 + 0,31) = 0,39 E[Y * X=0] = 0(0,05 / 0,34)+1(0,1 / 0,34)+(0,08 / 0,34) = 1,088 E[Y * X=0] = 1 (0,1 / 0,34)+ (0,08 / 0,34) = 1,559 Var[Y* X=0] = 1,559 1,088 = 0,3751 E[Y*X=1] = 0(0,1 / 0,36)+1(0,11 / 0,36)+(0,15 / 0,36) = 1,139 E[Y *X=1] = 1 (0,11 / 0,36)+ (0,15 / 0,36) = 1,97 Var[Y*X=1] = 1,97 1,139 = 0,6749 E[Y*X=] = 0(0,03 / 0,30)+1(0,19 / 0,30)+(0,08 / 0,30) = 1,167 E[Y *X=] = 1 (0,19 / 0,30)+ (0,08 / 0,30) = 1,700 Var[Y*X=] = 1,700 1,167 = 0,6749 = 0,3381 E[Var[Y*X]] = 0,34(0,3751)+0,36(0,6749)+0,30(0,3381) = 0,4719 Var[E[Y*X]] = 0,34(1,088 )+0,36(1,139 )+0,30(1,167 ) 1,13 = 1,781 1,769 = 0,001 E[Var[Y*X]] + Var[E[Y*X]] = 0, ,001 = 0,4731 = Var[Y] Exercce 8 Prédcteur du mnmum du carré des erreurs à la moyenne. Pour la dstrbuton jonte de l exercce 7, calculer E[y E[y x]]. Trouver ensute le a et le b qu mnmsent la foncton E[y a bx]. Étant donné les solutons, vérfer que E[y E[y x]] < E[y a bx]. Le résultat est fondamental dans la théore des mondres carrés. 006 Pearson Educaton France

21 Annexe B 1 (x = 0) (x = 1) (x = ) E[y E[y x]] = (y=0) 0,05(0 1,088) + 0,10(0 1,139) + 0,03(0 1,167) (y=1) + 0,1(1 1,088) + 0,11(1 1,139) + 0,19(1 1,167) (y=) + 0,08( 1,088) + 0,15( 1,139) + 0,08( 1,167) = 0,4719 = E[Var[y x]]. Les condtons nécessares pour mnmser la foncton par rapport à a et b sont : E[y a bx] / a = E{[y a bx]( 1)} = 0 E[y a bx] / b = E{[y a bx]( x)} = 0 En dvsant d abord par et en prenant ensute les espérances, on obtent : E[y] a be[x] = 0 E[xy] ae[x] be[x ] = 0. On résout la premère égalté, a = E[y] be[x], et on ntègre l expresson trouvée dans la seconde pour obtenr : E[xy] E[x](E[y] be[x]) be[x ] = 0 ou (E[xy] E[x]E[y]) = b(e[x ] (E[x]) ) ou b = Cov[x, y] / Var[x] = 0,0708 / 0,4731 = 0,150 et a = E[y] be[x] = 1,13 ( 0,1497)(0,96) = 1,74 La foncton lnéare comparée à la moyenne condtonnelle donne : X = 0 x = 1 x = E[y x] 1,088 1,139 1,167 a + bx 1,74 1,14 0, Pearson Educaton France

22 Économétre On répète le calcul c-dessus en utlsant a + bx au leu de E[y x] : (x = 0) (x = 1) (x = ) E[y a bx] = (y = 0) 0,05(0 1,74) + 0,10(0 1,14) + 0,03(0 0,974) (y = 1) + 0,1(1 1,74) + 0,11(1 1,14) + 0,19(1 0,974) (y = ) + 0,08( 1,74) + 0,15( 1,14) + 0,08( 0,974) = 0,4950 > 0,4719 Exercce 9 On suppose que x a une dstrbuton exponentelle, f (x) = θe -θx, x > 0. Trouver la moyenne, la varance, l asymétre et l aplatssement de x. (Indce : les deux derners sont défns dans la secton 3.3.) Afn de trouver les moments centrés, on utlse les moments bruts : E[x r] r θ x = 0 θ xe dx Ils peuvent être obtenus en utlsant l ntégrale gamma. En fasant les substtutons approprées, on a : E[x r ] = [θγ(r + 1)] / θ r+1 = r! / θ r Les quatre premers moments sont : E[x] = 1 / θ, E[x ] = / θ, E[x 3 ] = 6 / θ 3 et E[x 4 ] = 4 / θ 4. La moyenne est donc 1 / θ et la varance est / θ (1 / θ) = 1 / θ. Pour les coeffcents d asymétre et d aplatssement, on a : E[x 1 / θ] 3 = E[x 3 ] 3E[x ] / θ + 3E[x] / θ 1 / θ 3 = / θ 3 Le coeffcent d asymétre normalsé est. Le coeffcent d aplatssement est : E[x 1 / θ] 4 = E[x 4 ] 4E[x 3 ] / θ + 6E[x ] / θ 4E[x] / θ / θ 4 = 9 / θ 4 Le coeffcent d aplatssement est donc 6. Exercce 10 On suppose que x a la dstrbuton de probablté dscrète suvante : X Prob[X = x] 0,1 0, 0,4 0,3 006 Pearson Educaton France

23 Annexe B 3 Trouver les moyenne et varance exactes de X. On suppose mantenant que Y = 1 / X. Trouver les moyenne et varance exactes de Y. Trouver les moyenne et varance exactes des approxmatons lnéare et quadratque de Y = f (X). Est-ce que la moyenne et la varance de l approxmaton quadratque sont plus proches de la vrae moyenne que celles de l approxmaton lnéare? On développe en premer leu un certan nombre de moments dont on a beson : E[x] = 0,1(1) + 0,() + 0,4(3) + 0,3(4) =,9 = µ E[x ] = 0,1(1) + 0,(4) + 0,4(9) + 0,3(16) = 9,3 Var[x] = 9,3,9 = 0,89 = σ Pour une utlsaton ultéreure, on obtent auss : E[x µ] 3 = 0,1(1,9) ,43 E[x µ] 4 = 0,1(1,9) = 1,8737. L approxmaton est y = 1 / x. Les moyenne et varance exactes sont : E[y] = 0,1(1) + 0,(1 / ) + 0,4(1 / 3) + 0,3(1 / 4) = 0,40833 Var[y] = 0,1(1) + 0,(1 / 4) + 0,4(1 / 9) + 0,3(1 / 16) 0,40833 = 0,04645 L approxmaton lnéare de Taylor en séres autour de µ est y 1 / µ + ( 1 / µ )(x µ). La moyenne de l approxmaton lnéare est 1 / µ = 0,3448 alors que sa varance est (1 / µ 4 )Var[x-µ] = σ / µ 4 = 0,0158. L approxmaton quadratque est : y 1 / µ + ( 1 / µ )(x µ) + (1 / )( / µ 3 )(x µ) = 1 / µ (1 / µ )(x µ) + (1 / µ 3 )(x µ) La moyenne de cette approxmaton est E[y] 1 / µ + σ / µ 3 = 0,3813, et la varance est approxmée par la varance du terme de drote, (1 / µ 4 )Var[x µ] + (1 / µ 6 )Var[x µ] ( / µ 5 )Cov[(x µ), (x µ) ] = (1 / µ 4 )σ + (1 / µ 6 )(E[x µ] 4 σ 4 ] ( / µ 5 )E[x µ] 3 = 0,01498 Aucune approxmaton ne donne une estmaton proche de la varance. On remarque que dans les deux cas, l serat possble d évaluer smplement les approxmatons aux quatre valeurs de x, et de calculer drectement les moyennes et les varances. L avantage de cette approche est qu elle peut être applquée quand l y a beaucoup de valeurs de x. Elle est nécessare quand la dstrbuton de x est contnue. 006 Pearson Educaton France

Solution : 1. Soit y = α + βt, l équation de la droite considérée. Le problème de régression linéaire s écrit. i=1 2(α + βt i b i )t i

Solution : 1. Soit y = α + βt, l équation de la droite considérée. Le problème de régression linéaire s écrit. i=1 2(α + βt i b i )t i Exercces avec corrgé succnct du chaptre 3 (Remarque : les références ne sont pas gérées dans ce document, par contre les quelques?? qu apparassent dans ce texte sont ben défns dans la verson écran complète

Plus en détail

Utilisation du symbole

Utilisation du symbole HKBL / 7 symbole sgma Utlsaton du symbole Notaton : Pour parler de la somme des termes successfs d une sute, on peut ou ben utlser les pontllés ou ben utlser le symbole «sgma» majuscule noté Par exemple,

Plus en détail

Corrélation et régression linéaire

Corrélation et régression linéaire Corrélaton et régresson lnéare 1. Concept de corrélaton. Analyse de régresson lnéare 3. Dfférences entre valeurs prédtes et observées d une varable 1. Concept de corrélaton L objectf est d analyser un

Plus en détail

Cours de Calcul numérique MATH 031

Cours de Calcul numérique MATH 031 Cours de Calcul numérque MATH 03 G. Bontemp, A. da Slva Soares, M. De Wulf Département d'informatque Boulevard du Tromphe - CP22 http://www.ulb.ac.be/d Valeurs propres en pratque. Localsaton. Méthode de

Plus en détail

Valeur absolue et fonction valeur absolue Cours

Valeur absolue et fonction valeur absolue Cours Valeur absolue foncton valeur absolue Cours CHAPITRE 1 : Dstance entre deu réels 1) Eemples prélmnares 2) Défnton 3) Proprétés CHAPITRE 2 : Valeur absolue d un réel 1) Défnton 2) Proprétés CHAPITRE 3 :

Plus en détail

Exercices d algorithmique

Exercices d algorithmique Exercces d algorthmque Les algorthmes proposés ne sont pas classés par ordre de dffculté Nombres Ecrre un algorthme qu renvoe la somme des nombre entre 0 et n passé en paramètre Ecrre un algorthme qu renvoe

Plus en détail

Remboursement d un emprunt par annuités constantes

Remboursement d un emprunt par annuités constantes Sére STG Journées de formaton Janver 2006 Remboursement d un emprunt par annutés constantes Le prncpe Utlsaton du tableur Un emprunteur s adresse à un prêteur pour obtenr une somme d argent (la dette)

Plus en détail

10.1 Inférence dans la régression linéaire

10.1 Inférence dans la régression linéaire 0. Inférence dans la régresson lnéare La régresson lnéare tente de modeler le rapport entre deux varables en adaptant une équaton lnéare avec des données observées. Chaque valeur de la varable ndépendante

Plus en détail

MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA)

MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Unversté d Orléans Econométre des Varables Qualtatves Chaptre 3 Modèles à Varable Dépendante Lmtée Modèles Tobt Smples et Tobt Généralsés Chrstophe Hurln

Plus en détail

Q x2 = 1 2. est dans l ensemble plus grand des rationnels Q. Continuons ainsi, l équation x 2 = 1 2

Q x2 = 1 2. est dans l ensemble plus grand des rationnels Q. Continuons ainsi, l équation x 2 = 1 2 Exo7 Nombres complexes Vdéo parte. Les nombres complexes, défntons et opératons Vdéo parte. Racnes carrées, équaton du second degré Vdéo parte 3. Argument et trgonométre Vdéo parte 4. Nombres complexes

Plus en détail

Les jeunes économistes

Les jeunes économistes Chaptre1 : les ntérêts smples 1. défnton et calcul pratque : Défnton : Dans le cas de l ntérêt smple, le captal reste nvarable pendant toute la durée du prêt. L emprunteur dot verser, à la fn de chaque

Plus en détail

Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 Année 2011 12. TD4. Tribus.

Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 Année 2011 12. TD4. Tribus. Unversté Perre & Mare Cure (Pars 6) Lcence de Mathématques L3 UE LM364 Intégraton 1 Année 2011 12 TD4. Trbus. Échauffements Exercce 1. Sot X un ensemble. Donner des condtons sur X pour que les classes

Plus en détail

classification non supervisée : pas de classes prédéfinies Applications typiques

classification non supervisée : pas de classes prédéfinies Applications typiques Qu est ce que le clusterng? analyse de clusterng regroupement des obets en clusters un cluster : une collecton d obets smlares au sen d un même cluster dssmlares au obets appartenant à d autres clusters

Plus en détail

Ch 4 Séries statistiques à une dimension Définitions et représentation graphique

Ch 4 Séries statistiques à une dimension Définitions et représentation graphique Ch 4 Séres statstques à une dmenson Défntons et représentaton graphque Termnologe Ensemble étudé = populaton Eléments de cet ensemble = ndvdus ou untés Attrbut consdéré = caractère qu peut être qualtatf

Plus en détail

Champ magnétique. 1 Notions préliminaires. 1.1 Courant électrique et densité de courant

Champ magnétique. 1 Notions préliminaires. 1.1 Courant électrique et densité de courant 4 Champ magnétque 1 Notons prélmnares 1.1 Courant électrque et densté de courant Un courant électrque est défn par un déplacement de charges électrques élémentares (ex : les électrons de conducton dans

Plus en détail

SIMNUM : Simulation de systèmes auto-gravitants en orbite

SIMNUM : Simulation de systèmes auto-gravitants en orbite SIMNUM : Smulaton de systèmes auto-gravtants en orbte sujet proposé par Ncolas Kelbasewcz : ncolas.kelbasewcz@ensta-parstech.fr 14 janver 2014 1 Établssement du modèle 1.1 Approxmaton de champ lontan La

Plus en détail

Mémento de théorie de l information

Mémento de théorie de l information Mémento de théore de l nformaton Glles Zémor 6 octobre 204 0 Rappels de probabltés Espaces probablsés. Un espace probablsé (Ω, P ) est un ensemble Ω mun d une mesure de probablté P qu est, lorsque Ω est

Plus en détail

GENESIS - Generalized System for Imputation Simulations (Système généralisé pour simuler l imputation)

GENESIS - Generalized System for Imputation Simulations (Système généralisé pour simuler l imputation) GENESS - Generalzed System for mputaton Smulatons (Système généralsé pour smuler l mputaton) GENESS est un système qu permet d exécuter des smulatons en présence d mputaton. L utlsateur fournt un ensemble

Plus en détail

STATISTIQUE AVEC EXCEL

STATISTIQUE AVEC EXCEL STATISTIQUE AVEC EXCEL Excel offre d nnombrables possbltés de recuellr des données statstques, de les classer, de les analyser et de les représenter graphquement. Ce sont prncpalement les tros éléments

Plus en détail

Mesure avec une règle

Mesure avec une règle Mesure avec une règle par Matheu ROUAUD Professeur de Scences Physques en prépa, Dplômé en Physque Théorque. Lycée Alan-Fourner 8000 Bourges ecrre@ncerttudes.fr RÉSUMÉ La mesure d'une grandeur par un système

Plus en détail

MODELISATION DES PROCESSUS LINEAIRES

MODELISATION DES PROCESSUS LINEAIRES MDELISATIN DES PRCESSUS LINEAIRES Dans un premer temps, nous ne consdérons que des processus partculers, supposés notamment statonnare. Cec permet de présenter un certan nombre d'outls dans un cadre relatvement

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2015 2016. Statistiques Descriptives

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2015 2016. Statistiques Descriptives UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année unverstare 215 216 L1 Économe Cours de B. Desgraupes Statstques Descrptves Séance 7: Indces synthétques Table des matères 1 Introducton 1 1.1

Plus en détail

EXAMEN FINAL DE STATISTIQUES DESCRIPTIVES L1 AES - SESSION 1 - Correction -

EXAMEN FINAL DE STATISTIQUES DESCRIPTIVES L1 AES - SESSION 1 - Correction - EXAME FIAL DE STATISTIQUES DESCRIPTIVES L1 AES - SESSIO 1 - Correcton - Exercce 1 : 1) Consdérons une entreprse E comportant deux établssements : E1 et E2 qu emploent chacun 200 salarés. Au sen de l'établssement

Plus en détail

Combinaison de dires d'experts en élicitation de lois a priori. pour Listeria chez la souris. Exposé AppliBugs

Combinaison de dires d'experts en élicitation de lois a priori. pour Listeria chez la souris. Exposé AppliBugs Combnason de dres d'experts en élctaton de los a pror. Applcaton à un modèle doseréponse pour Lstera chez la sours. Exposé ApplBugs ISABELLE ALBERT 8 / / 03 INTRODUCTION Cet exposé présente une parte du

Plus en détail

Chapitre 5. Menu de SUPPORT

Chapitre 5. Menu de SUPPORT 155 Chaptre 5. Menu de SUPPORT Ce que vous apprendrez dans ce chaptre Ce chaptre vous présentera des routnes supplémentares susceptbles de vous ader dans les analyses de données présentées dans le chaptre

Plus en détail

éléments d'analyse statistique

éléments d'analyse statistique éléments danalse statstque applcaton à lhdrologe deuxème édton D. Ther octobre 989 R 30 73 EAU 4S 89 BUREAU DE RECHERCHES GEOLOGIQUES ET MINIERES SERVICES SOL ET SOUS-SOL Département Eau B.P. 6009-45060

Plus en détail

Généralités sur les fonctions 1ES

Généralités sur les fonctions 1ES Généraltés sur les fonctons ES GENERALITES SUR LES FNCTINS I. RAPPELS a. Vocabulare Défnton Une foncton est un procédé qu permet d assocer à un nombre x appartenant à un ensemble D un nombre y n note :

Plus en détail

TD 1. Statistiques à une variable.

TD 1. Statistiques à une variable. Danel Abécasss. Année unverstare 2010/2011 Prépa-L1 TD de bostatstques. Exercce 1. On consdère la sére suvante : TD 1. Statstques à une varable. 1. Calculer la moyenne et l écart type. 2. Calculer la médane

Plus en détail

Le théorème du viriel

Le théorème du viriel Le théorème du vrel On se propose de démontrer le théorème du vrel de deux manères dfférentes. La premère fat appel à deux "trcks" qu l faut vor. Cette preuve met en avant une quantté, notée S c, qu permet

Plus en détail

La fourniture de biens et facteurs publics en présence de ménages et d entreprises mobiles

La fourniture de biens et facteurs publics en présence de ménages et d entreprises mobiles La fournture de bens et facteurs publcs en présence de ménages et d entreprses mobles Pascale Duran-Vgneron évrer 007 Le modèle On suppose un pays drgé par un gouvernement central ayant compétence sur

Plus en détail

Cours Corporate finance

Cours Corporate finance Cours Corporate fnance Eléments de théore du portefeulle Le edaf Franços Longn www.longn.fr lan Notons de rentablté Défnton odélsaton Eléments de théore du portefeulle ortefeulle Dversfcaton Le edaf Le

Plus en détail

Pour ce problème, une analyse est proposée à l adresse : http://www.ac-amiens.fr/pedagogie/maths/new/ue2007/synthese_atelier_annette_alain.

Pour ce problème, une analyse est proposée à l adresse : http://www.ac-amiens.fr/pedagogie/maths/new/ue2007/synthese_atelier_annette_alain. Pour ce problème, une analyse est proposée à l adresse : http://www.ac-amens.fr/pedagoge/maths/new/ue2007/synthese_ateler_annette_alan.pdf 1 La règle du jeu Un drecteur de casno se propose d nstaller le

Plus en détail

Plan. Gestion des stocks. Les opérations de gestions des stocks. Les opérations de gestions des stocks

Plan. Gestion des stocks. Les opérations de gestions des stocks. Les opérations de gestions des stocks Plan Geston des stocks Abdellah El Fallah Ensa de Tétouan 2011 Les opératons de gestons des stocks Les coûts assocés à la geston des stocks Le rôle des stocks Modèle de la quantté économque Geston calendare

Plus en détail

Prérequis de Mathématiques pour GMP

Prérequis de Mathématiques pour GMP Prérequs de Mathématques pour GMP V. Nolot Sommare. Rappels sur les vecteurs La noton de foncton. Foncton et graphe de foncton..................... Nombre dérvé et foncton dérvée.................. 3.3

Plus en détail

) = n. ) = 2n. D - Inférence Statistique - Estimation et Tests d hypothèses 5. Tests du Khi-deux (non paramétrique) Loi du Chi-deux (χ 2 n

) = n. ) = 2n. D - Inférence Statistique - Estimation et Tests d hypothèses 5. Tests du Khi-deux (non paramétrique) Loi du Chi-deux (χ 2 n 5. Tests du Kh-deux (non paramétrque) Lo du Ch-deux (χ n ) à n degrés de lberté (ddl) S X 1, X,..., X n, sont n varables ndépendantes, suvant toutes une lo normale N (0,1), la varable χ n = X 1 + X + +

Plus en détail

ÉLÉMENTS DE THÉORIE DE L INFORMATION POUR LES COMMUNICATIONS.

ÉLÉMENTS DE THÉORIE DE L INFORMATION POUR LES COMMUNICATIONS. ÉLÉMETS DE THÉORIE DE L IFORMATIO POUR LES COMMUICATIOS. L a théore de l nformaton est une dscplne qu s appue non seulement sur les (télé-) communcatons, mas auss sur l nformatque, la statstque, la physque

Plus en détail

Proposition d'une solution au problème d initialisation cas du K-means

Proposition d'une solution au problème d initialisation cas du K-means Proposton d'une soluton au problème d ntalsaton cas du K-means Z.Guelll et L.Zaou, Unversté des scences et de la technologe d Oran MB, Unversté Mohamed Boudaf USTO -BP 505 El Mnaouer -ORAN - Algére g.zouaou@gmal.com,

Plus en détail

Exercice 1. Enoncé 1. Nombre de jours d absences. Nombre d étudiants. 1 ) Représenter graphiquement cette distribution.

Exercice 1. Enoncé 1. Nombre de jours d absences. Nombre d étudiants. 1 ) Représenter graphiquement cette distribution. Républque Tunsenne Présdence du Gouvernement Ecole Natonale d Admnstraton 4, Avenue du Dr Calmette Mutuelle-vlle 08 Tuns Tél. (+6) 848 00 Fa (+6) 794 88 www.ena.nat.tn STATISTIQUE ET CALCUL DE PROBABILITE

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

Théorie des Nombres - TD1 Rappels d arithmétique élémentaire

Théorie des Nombres - TD1 Rappels d arithmétique élémentaire Unversté Perre & Mare Cure Master de mathématques 1 Année 2012-2013 Module MM020 Théore des Nombres - TD1 Rappels d arthmétque élémentare Exercce 1 : Trouver tous les enters n N tels que ϕ(n) = 6. Même

Plus en détail

19. Critères de jugement binaires

19. Critères de jugement binaires 19. Crtères de jugement bnares Les crtères de jugement bnares (auss appelés dchotomques) ne prennent que deux modaltés, par exemple, succès/échec du tratement, décès/surve ou survenue/nonsurvenue d un

Plus en détail

Chapitre IV : Inductance propre, inductance mutuelle. Energie électromagnétique

Chapitre IV : Inductance propre, inductance mutuelle. Energie électromagnétique Spécale PSI - Cours "Electromagnétsme" 1 Inducton électromagnétque Chaptre IV : Inductance propre, nductance mutuelle. Energe électromagnétque Objectfs: Coecents d nductance propre L et mutuelle M Blan

Plus en détail

Banque d exercices pour le cours de "mise à niveau" de statistique de M1 AgroParisTech

Banque d exercices pour le cours de mise à niveau de statistique de M1 AgroParisTech Banque d exercces pour le cours de "mse à nveau" de statstque de M1 AgroParsTech Instructons pour les exercces 1. Lorsque ren n est précsé, on suppose que la dstrbuton étudée est gaussenne. Pour les exercces

Plus en détail

Montage émetteur commun

Montage émetteur commun tour au menu ontage émetteur commun Polarsaton d un transstor. ôle de la polarsaton La polarsaton a pour rôle de placer le pont de fonctonnement du transstor dans une zone où ses caractérstques sont lnéares.

Plus en détail

Editions ENI. Excel 2010. Collection Référence Bureautique. Extrait

Editions ENI. Excel 2010. Collection Référence Bureautique. Extrait Edtons ENI Excel 2010 Collecton Référence Bureautque Extrat Tableau crosé dynamque Tableau crosé dynamque Excel 2010 Créer un tableau crosé dynamque Un tableau crosé dynamque permet de résumer, d analyser,

Plus en détail

Fiche n 7 : Vérification du débit et de la vitesse par la méthode de traçage

Fiche n 7 : Vérification du débit et de la vitesse par la méthode de traçage Fche n 7 : Vérfcaton du débt et de la vtesse par la méthode de traçage 1. PRINCIPE La méthode de traçage permet de calculer le débt d un écoulement ndépendamment des mesurages de hauteur et de vtesse.

Plus en détail

Assurance maladie et aléa de moralité ex-ante : L incidence de l hétérogénéité de la perte sanitaire

Assurance maladie et aléa de moralité ex-ante : L incidence de l hétérogénéité de la perte sanitaire Assurance malade et aléa de moralté ex-ante : L ncdence de l hétérogénété de la perte santare Davd Alary 1 et Franck Ben 2 Cet artcle examne l ncdence de l hétérogénété de la perte santare sur les contrats

Plus en détail

Notes de cours. Échantillonnage STT-2000. David Haziza Département de mathématiques et de statistique Université de Montréal

Notes de cours. Échantillonnage STT-2000. David Haziza Département de mathématiques et de statistique Université de Montréal otes de cours Échantllonnage STT-000 Davd Hazza Département de mathématques et de statstque nversté de Montréal Automne 008 PRÉFACE Ces notes de cours ont été rédgées pour le cours STT-000 (Échantllonnage)

Plus en détail

EXEMPLES D UTILISATION DE LA TECHNIQUE DES OBSERVATIONS INSTANTANÉES.

EXEMPLES D UTILISATION DE LA TECHNIQUE DES OBSERVATIONS INSTANTANÉES. EXEMPLES D UTILISATIN DE LA TECHNIQUE DES BSERVATINS INSTANTANÉES. Chrstan Fortn, ng., Ph.D. Ergonome et hygénste du traval Centre of santé et servces socaux de la Montagne, Montréal. Résumé La technque

Plus en détail

Note méthodologique. Traitements hebdomadaires Quiestlemoinscher.com. Quelle méthode de collecte de prix? Qui a collecté les prix?

Note méthodologique. Traitements hebdomadaires Quiestlemoinscher.com. Quelle méthode de collecte de prix? Qui a collecté les prix? Note méthodologque Tratements hebdomadares Questlemonscher.com Quelle méthode de collecte de prx? Les éléments méthodologques ont été défns par le cabnet FaE onsel, socété d études et d analyses statstques

Plus en détail

Algorithme approché d optimisation d un modèle de Processus Décisionnel de Markov sur Graphe

Algorithme approché d optimisation d un modèle de Processus Décisionnel de Markov sur Graphe Algorthme approché d optmsaton d un modèle de Processus Décsonnel de Markov sur Graphe Nathale Peyrard Régs Sabbadn INRA-MIA Avgnon et Toulouse E-Mal: {peyrard,sabbadn}@toulouse.nra.fr Réseau MSTGA, Avgnon,

Plus en détail

Méthodologie quiestlemoinscher de comparaison de prix entre magasins

Méthodologie quiestlemoinscher de comparaison de prix entre magasins Méthodologe questlemonscher de comparason de prx entre magasns Les éléments méthodologques ont été défns par le cabnet FaCE Consel, socété d études et d analyses statstques ndépendante. Le cabnet FaCE

Plus en détail

Dynamique des salaires dans une cohorte

Dynamique des salaires dans une cohorte Dynamque des salares dans une cohorte Therry Magnac Sébasten Roux x Révson : 5 mars 2007 Résumé Dans cet artcle, nous examnons les données de salares annuels, de 1976 à 1998, d une cohorte d hommes, entrés

Plus en détail

Traitement des valeurs manquantes et des valeurs aberrantes

Traitement des valeurs manquantes et des valeurs aberrantes Etudes Statstques 2 (1/10) Tratement des valeurs manquantes et des valeurs aberrantes Avant de trater les données, vérfer la qualté des données : Les données peuvent être : manquantes aberrantes : la valeur

Plus en détail

Information mutuelle et partition optimale du support d une mesure de probabilité

Information mutuelle et partition optimale du support d une mesure de probabilité Informaton mutuelle et partton optmale du support d une mesure de probablté Bernard Coln et Ernest Monga Département de Mathématques Unversté de Sherbrooke Sherbrooke JK-R (Québec) Canada bernard.coln@usherbrooke.ca

Plus en détail

MÉTHODES DE SONDAGES UTILISÉES DANS LES PROGRAMMES D ÉVALUATIONS DES ÉLÈVES

MÉTHODES DE SONDAGES UTILISÉES DANS LES PROGRAMMES D ÉVALUATIONS DES ÉLÈVES MÉTHODES DE SONDAGES UTILISÉES DANS LES PROGRAMMES D ÉVALUATIONS DES ÉLÈVES Émle Garca, Maron Le Cam et Therry Rocher MENESR-DEPP, bureau de l évaluaton des élèves Cet artcle porte sur les méthodes de

Plus en détail

Le raisonnement incertain

Le raisonnement incertain 1 Plan général 2 Le rasonnement ncertan dans les systèmes experts I- Introducton aux systèmes experts II- Fondements : organsaton et fonctonnement des SE III- Le rasonnement ncertan Introducton Antone

Plus en détail

UTILISATION DES COPULES POUR ANALYSER L IMPACT DES DEPENDANCES SUR UN PORTEFEUILLE DE CREDITS RAPPORT DE STAGE D INGENIEUR CONFIDENTIEL

UTILISATION DES COPULES POUR ANALYSER L IMPACT DES DEPENDANCES SUR UN PORTEFEUILLE DE CREDITS RAPPORT DE STAGE D INGENIEUR CONFIDENTIEL Yohan KABLA ECP - 3 EME ANNEE MAP SMF UTILISATION DES COPULES POUR ANALYSER L IMPACT DES DEPENDANCES SUR UN PORTEFEUILLE DE CREDITS RAPPORT DE STAGE D INGENIEUR CONFIDENTIEL 5 MAI NOVEMBRE 00 MAITRES DE

Plus en détail

Corrigé du problème de Mathématiques générales 2010. - Partie I - 0 0 0. 0.

Corrigé du problème de Mathématiques générales 2010. - Partie I - 0 0 0. 0. Corrgé du problème de Mathématques générales 2010 - Parte I - 1(a. Sot X S A. La matrce A est un polynôme en X donc commute avec X. 1(b. On a : 0 = m A (A = m A (X n ; le polynôme m A (x n est annulateur

Plus en détail

Contrats prévoyance des TNS : Clarifier les règles pour sécuriser les prestations

Contrats prévoyance des TNS : Clarifier les règles pour sécuriser les prestations Contrats prévoyance des TNS : Clarfer les règles pour sécurser les prestatons Résumé de notre proposton : A - Amélorer l nformaton des souscrpteurs B Prévor plus de souplesse dans l apprécaton des revenus

Plus en détail

Représentation de l'information

Représentation de l'information 1. L nformaton 1-1 Dualté état et temps Représentaton de l'nformaton La noton d'nformaton correspond à la connassance d'un état donné parm pluseurs possbles à un nstant donné. La Fgure 1 llustre cette

Plus en détail

LES DIMENSIONS DANS LA PERCEPTION DES INTERVALLES MUSICAUX *

LES DIMENSIONS DANS LA PERCEPTION DES INTERVALLES MUSICAUX * LES DIMENSIONS DANS LA PERCEPTION DES INTERVALLES MUSICAUX * "W.J.M. LEVELT et R. PLOMP (Insttute for Percepton R.V.O.-T.N.O., SOESTERBERG, PAYS-BAS) Introducton Il est ntéressant de savor de quelle manère

Plus en détail

1.0 Probabilité vs statistique...1. 1.1 Expérience aléatoire et espace échantillonnal...1. 1.2 Événement...2

1.0 Probabilité vs statistique...1. 1.1 Expérience aléatoire et espace échantillonnal...1. 1.2 Événement...2 - robabltés - haptre : Introducton à la théore des probabltés.0 robablté vs statstque.... Expérence aléatore et espace échantllonnal.... Événement.... xomes défnton de probablté..... Quelques théorèmes

Plus en détail

DEA de physique subatomique Corrigé de l examen d analyse statistique des données et de modélisation session de février - année 2002-2003

DEA de physique subatomique Corrigé de l examen d analyse statistique des données et de modélisation session de février - année 2002-2003 DEA d physqu subatomqu Corrgé d l xamn d analys statstqu ds donnés t d modélsaton ssson d févrr - anné 22-23 Jérôm Baudot sur 45 ponts I- Errur sur la msur d un asymétr avant-arrèr ponts I-a La formul

Plus en détail

3- Réseau Neurologique (NN) 3-1- Réseau classique

3- Réseau Neurologique (NN) 3-1- Réseau classique OUTILS DE PREVISION DE LA VITESSE DE VENT : APPLICATION A LA CARACTERISATION ET A L OPTIMISATION DES CENTRALES EOLIENNES POUR L'INTEGRATION DANS LES RESEAUX ELECTRIQUES A MADAGASCAR. Andramahtasoa Bernard

Plus en détail

Les nombres premiers ( Spécialité Maths) Terminale S

Les nombres premiers ( Spécialité Maths) Terminale S Les nombres premers ( Spécalté Maths) Termnale S Dernère mse à jour : Mercred 23 Avrl 2008 Vncent OBATON, Ensegnant au lycée Stendhal de Grenoble (Année 2007-2008) Lycée Stendhal, Grenoble ( Document de

Plus en détail

gaussien pour l analyse de sensibilité d une sortie spatiale d un code de calcul

gaussien pour l analyse de sensibilité d une sortie spatiale d un code de calcul Utlsaton du métamodèle processus gaussen pour l analyse de sensblté d une sorte spatale d un code de calcul Applcaton à un code de transport hydrogéologque ologque Amandne Marrel Thèse effectuée au LMTE

Plus en détail

5- Analyse discriminante

5- Analyse discriminante 5. ANALYSE DISCRIMINANTE... 5. NOTATION ET FORMULATION DU PROBLÈME... 5. ASPECT DESCRIPTIF...3 5.. RECHERCHE DU VECTEUR SÉPARANT LE MIEUX POSSIBLE LES GROUPES...4 5.. Cas partculer de deu groupes...7 5.3

Plus en détail

Résumé : I- Introduction :

Résumé : I- Introduction : Applcaton de l analyse de frontère stochastque à l estmaton de l effcence technque des entreprses algérennes: effet de la forme de proprété Résumé : Nabl, Al BELOUARD Doctorant à l École Natonale Supéreure

Plus en détail

Choix de Portefeuille

Choix de Portefeuille Année 2007-2008 Chox de Portefeulle Chrstophe Boucher Chaptre 1. Théore de la décson en avenr ncertan Crtère d espérance d utlté L atttude vs-à-vs du rsque Chaptre 2. Rendements et crtères de chox entre

Plus en détail

Première partie. Proportionnalité. 1 Reconnaître des situations de proportionnalité... 7

Première partie. Proportionnalité. 1 Reconnaître des situations de proportionnalité... 7 Premère parte Proportonnalté 1 Reconnaître des stuatons de proportonnalté....... 7 2 Trater des stuatons de proportonnalté en utlsant un rapport de lnéarté........................ 8 3 Trater des stuatons

Plus en détail

- Equilibre simultané IS/LM : Pour déterminer le couple d équilibre général, il convient de résoudre l équation IS = LM.

- Equilibre simultané IS/LM : Pour déterminer le couple d équilibre général, il convient de résoudre l équation IS = LM. Exercce n 1 Cet exercce propose de détermner l équlbre IS/LM sur la base d une économe dépourvue de présence étatque. Pour ce fare l convent, dans un premer temps de détermner la relaton (IS) marquant

Plus en détail

GEA I Mathématiques nancières Poly. de révision. Lionel Darondeau

GEA I Mathématiques nancières Poly. de révision. Lionel Darondeau GEA I Mathématques nancères Poly de révson Lonel Darondeau Intérêts smples et composés Voc la lste des exercces à révser, corrgés en cours : Exercce 2 Exercce 3 Exercce 5 Exercce 6 Exercce 7 Exercce 8

Plus en détail

Exercices d Électrocinétique

Exercices d Électrocinétique ercces d Électrocnétque Intensté et densté de courant -1.1 Vtesse des porteurs de charges : On dssout une masse m = 20g de chlorure de sodum NaCl dans un bac électrolytque de longueur l = 20cm et de secton

Plus en détail

ASCENSEUR FLUVIAL FUNICULAIRE DE STREPY-THIEU

ASCENSEUR FLUVIAL FUNICULAIRE DE STREPY-THIEU ASCENSEUR FLUVIAL FUNICULAIRE DE STREPY-THIEU Le canddat est nvté à formuler toute hypothèse cohérente qu lu semblerat nécessare pour pouvor répondre aux questons posées. Page 1 sur 21 1. PRESENTATION

Plus en détail

Soutien : Modèle de Potts mars 2015

Soutien : Modèle de Potts mars 2015 Année 04 05 Physque Statstque hors équlbre et transtons de phase Souten : Modèle de Potts mars 05 On onsdère une varante du modèle d Isng, dte de Potts, dans laquelle les N degrés de lberté (qu on appellera

Plus en détail

Université d El Oued Cours Circuits Electriques 3 LMD-EM

Université d El Oued Cours Circuits Electriques 3 LMD-EM ère parte : Electrocnétque Chaptre ntroducton L Electrocnétque est la parte de l Electrcté qu étude les courants électrques. - Courant électrque -- Défntons Défnton : un courant électrque est un mouvement

Plus en détail

TRANSFERT DE CARGAISON CALCULS ET ARRONDIS

TRANSFERT DE CARGAISON CALCULS ET ARRONDIS TRANSFERT DE CARGAISON CALCULS ET ARRONDIS SOMMAIRE 1. Méthode de détermnaton de l énerge transférée lors du transfert d une cargason de. Calcul de l énerge transférée.1 Calcul de l énerge brute transférée.1.1

Plus en détail

1 Introduction. 2 Définitions des sources de tension et de courant : Cours. Date : A2 Analyser le système Conversion statique de l énergie. 2 h.

1 Introduction. 2 Définitions des sources de tension et de courant : Cours. Date : A2 Analyser le système Conversion statique de l énergie. 2 h. A2 Analyser le système Converson statque de l énerge Date : Nom : Cours 2 h 1 Introducton Un ConVertsseur Statque d énerge (CVS) est un montage utlsant des nterrupteurs à semconducteurs permettant par

Plus en détail

V FORMATION DES IMAGES DANS L EXEMPLE DU MIROIR PLAN

V FORMATION DES IMAGES DANS L EXEMPLE DU MIROIR PLAN Chaptre V page V-1 V FORMTION DES IMGES DNS L EXEMPLE DU MIROIR PLN Le but de ce chaptre est d ntrodure la noton d mage { travers l exemple du mror plan. Vous vous êtes sûrement déjà regardé(e) dans un

Plus en détail

Exercices de révision pour examen #1

Exercices de révision pour examen #1 Exercces de révson pour examen #1 Queston 1. Questons théorques. a) Nommez les courants qu exstent quand une dode est en équlbre. Courants de dffuson et de drft. b) Dessnez la structure physque réelle

Plus en détail

Grandeurs de réaction et de formation

Grandeurs de réaction et de formation PSI Brzeux Ch. hermochme 1 : grandeurs de réacton et de formaton 1 C H A P I R E 1 r a p p e l s e t c o m p l é m e n t s ) Grandeurs de réacton et de formaton 1. RAPPELS 1.1. Phases et consttuants Donnons

Plus en détail

Electricité II : Régimes sinusoïdaux et transitoires AC and transient circuit analysis Fascicule d'exercices de Travaux Dirigés

Electricité II : Régimes sinusoïdaux et transitoires AC and transient circuit analysis Fascicule d'exercices de Travaux Dirigés Electrcté II : égmes snusoïdaux et transtores and transent crcut analyss Fasccule d'exercces de Travaux Drgés 5 cours / Séances de TD / 5 séances de TP égmes snusoïdaux Nombre de séances de TD prévues

Plus en détail

Dirigeant de SAS : Laisser le choix du statut social

Dirigeant de SAS : Laisser le choix du statut social Drgeant de SAS : Lasser le chox du statut socal Résumé de notre proposton : Ouvrr le chox du statut socal du drgeant de SAS avec 2 solutons possbles : apprécer la stuaton socale des drgeants de SAS comme

Plus en détail

Enseignement secondaire. PHYSI Physique Programme

Enseignement secondaire. PHYSI Physique Programme Ensegnement secondare Dvson supéreure PHYSI Physque Programme 3CB_3CC_3CF_3MB_3MC_3MF Langue véhculare : franças Nombre mnmal de devors par trmestre : 1 PHYSI_3CB_3CC_3CF_3MB_3MC_3MF_PROG_10-11 Page 1

Plus en détail

Impôt sur la fortune et investissement dans les PME Professeur Didier MAILLARD

Impôt sur la fortune et investissement dans les PME Professeur Didier MAILLARD Conservatore atonal des Arts et Méters Chare de BAQUE Document de recherche n 9 Impôt sur la fortune et nvestssement dans les PME Professeur Dder MAILLARD Avertssement ovembre 2007 La chare de Banque du

Plus en détail

Chapitre 3 : Incertitudes CHAPITRE 3 INCERTITUDES. Lignes directrices 2006 du GIEC pour les inventaires nationaux de gaz à effet de serre 3.

Chapitre 3 : Incertitudes CHAPITRE 3 INCERTITUDES. Lignes directrices 2006 du GIEC pour les inventaires nationaux de gaz à effet de serre 3. Chaptre 3 : Incerttudes CHAPITRE 3 INCERTITUDES Lgnes drectrces 2006 du GIEC pour les nventares natonaux de gaz à effet de serre 3.1 Volume 1 : Orentatons générales et établssement des rapports Auteurs

Plus en détail

Sujets des projets. Informatique de Base Université Pierre et Marie Curie

Sujets des projets. Informatique de Base Université Pierre et Marie Curie 1 Sujets des projets Informatque de Base Unversté Perre et Mare Cure D Bernard, F Hecht, N Segun Master I / sesson 2004/2005 Table des matères 1 Sujet : Recherche rapde d un trangle contenant un pont dans

Plus en détail

LE RÉGIME DE RETRAITE DU PERSONNEL CANADIEN DE LA CANADA-VIE (le «régime») INFORMATION IMPORTANTE CONCERNANT LE RECOURS COLLECTIF

LE RÉGIME DE RETRAITE DU PERSONNEL CANADIEN DE LA CANADA-VIE (le «régime») INFORMATION IMPORTANTE CONCERNANT LE RECOURS COLLECTIF 1 LE RÉGIME DE RETRAITE DU PERSONNEL CANADIEN DE LA CANADA-VIE (le «régme») INFORMATION IMPORTANTE CONCERNANT LE RECOURS COLLECTIF AVIS AUX RETRAITÉS ET AUX PARTICIPANTS AVEC DROITS ACQUIS DIFFÉRÉS Expédteurs

Plus en détail

Activité Intitulé de l'activité Volume horaire

Activité Intitulé de l'activité Volume horaire Informatons de l'unté d'ensegnement Implantaton Cursus de ECAM Insttut Supéreur Industrel Bacheler en Scences ndustrelles Electronque applquée B2150 Cycle 1 Bloc 2 Quadrmestre 2 Pondératon 4 Nombre de

Plus en détail

Maquette Tournesol Soleil, Terre et rotations La géométrie et mathématiques du système Maquette pour comprendre PhM Observatoire de Lyon

Maquette Tournesol Soleil, Terre et rotations La géométrie et mathématiques du système Maquette pour comprendre PhM Observatoire de Lyon Maquette ournesol olel, erre et rotatons La géométre et mathématques du sstème Maquette pour comprendre hm Observatore de Lon Les repères classques éclptque (longtudes et lattudes éclptques) et équatoral

Plus en détail

Définition des tâches

Définition des tâches Défnton des tâches Défnton des tâches Project 2010 Sasr les tâches d'un projet Les tâches représentent le traval à accomplr pour attendre l'objectf du projet. Elles représentent de ce fat, les éléments

Plus en détail

Travaux pratiques : GBF et oscilloscope

Travaux pratiques : GBF et oscilloscope Travaux pratques : et osclloscope S. Benlhajlahsen ésumé L objectf de ce TP est d apprendre à utlser, c est-à-dre à régler, deux des apparels les plus couramment utlsés : le et l osclloscope. I. Premère

Plus en détail

Gestion et stratégie Utilisateur

Gestion et stratégie Utilisateur Geston et stratége Utlsateur GESTION ET STRATEGIE UTILISATEUR...2 1.) Comment gérer des utlsateurs?...2 1.1) Geston des utlsateurs en groupe de traval...2 1.2) Geston des utlsateurs par domane...2 Rôle

Plus en détail

Introduction. 1. le modèle de survie de COX utilisé par O. Brandmeyer dans son stage de Master 2 IMOI au Centre de Médecine Préventive de Nancy ;

Introduction. 1. le modèle de survie de COX utilisé par O. Brandmeyer dans son stage de Master 2 IMOI au Centre de Médecine Préventive de Nancy ; Introducton Le groupe de Bo-Statstque a eu une actvté soutenue en 2006-2007. Cette dernère s est concrétsée par des réunons de petts groupes de traval autour de thèmes de recherche partculers et par la

Plus en détail

Sociétés d investissement immobilier cotées (SIIC), valeur et prix : deux notes

Sociétés d investissement immobilier cotées (SIIC), valeur et prix : deux notes Socétés d nvestssement mmobler cotées (SIIC), valeur et prx : deux notes I. Dette et créaton de valeur dans les socétés foncères II. La cesson à une SIIC : un cas de dstorson fscale Laurent BATSCH CEREG-DRM,

Plus en détail

Comparaison de méthodes d ajustement d une distribution de Weibull à 3 paramètres sur une base de données de mesures de ténacité

Comparaison de méthodes d ajustement d une distribution de Weibull à 3 paramètres sur une base de données de mesures de ténacité Comparason de méthodes d ajustement d une dstrbuton de Webull à 3 paramètres sur une base de données de mesures de ténacté M. Marquès, N. Pérot, N. Devctor Laboratore de Condute et Fablté des Réacteurs

Plus en détail

La physiologie du cerveau montre que celui-ci est constitué de cellules (les neurones) interconnectées. Quelques étapes de cette découverte :

La physiologie du cerveau montre que celui-ci est constitué de cellules (les neurones) interconnectées. Quelques étapes de cette découverte : Chaptre 3 Apprentssage automatque : les réseaux de neurones Introducton Le Perceptron Les réseaux mult-couches 3.1 Introducton Comment l'homme fat-l pour rasonner, parler, calculer, apprendre,...? Comment

Plus en détail

TP Programmation de protocoles de communication Basé sur un TP de M1- Master IST, Université Paris-Sud

TP Programmation de protocoles de communication Basé sur un TP de M1- Master IST, Université Paris-Sud IUT Bordeaux 1 2008-2009 Département Informatque ASR2-Réseaux TP Programmaton de protocoles de communcaton Basé sur un TP de M1- Master IST, Unversté Pars-Sud Ce TP a pour objectf d'nter à la programmaton

Plus en détail

UNIVERSITÉ DU QUÉBEC À MONTRÉAL L EFFET DES ENFANTS SUR L OFFRE DU TRAVAIL DES MÈRES : CAS DU CANADA MÉMOIRE PRÉSENTÉ

UNIVERSITÉ DU QUÉBEC À MONTRÉAL L EFFET DES ENFANTS SUR L OFFRE DU TRAVAIL DES MÈRES : CAS DU CANADA MÉMOIRE PRÉSENTÉ UNIVERSITÉ DU QUÉBEC À MONTRÉAL L EFFET DES ENFANTS SUR L OFFRE DU TRAVAIL DES MÈRES : CAS DU CANADA MÉMOIRE PRÉSENTÉ COMME EXIGENCE PARTIELLE DE LA MAÎTRISE EN ÉCONOMIQUE PAR EZZAOUALI WALID Septembre

Plus en détail