Processus de Poisson
|
|
- Jean-François Raymond
- il y a 7 ans
- Total affichages :
Transcription
1 Processus de Poisso D après «Costructio d u modèle de Poisso» de Michel Hery Das Autour de la modélisatio e probabilités, Presses Uiversitaires Frac-Comtoises, 2001 Rappel des programmes de BTS «La loi de Poisso est itroduite comme correspodat au ombre de réalisatios observées, durat u itervalle de temps de logueur doée, lorsque le temps d'attete etre deux réalisatios est fouri par ue loi expoetielle». Problème de vacaces : Par ue belle uit d été, o observe e moyee 12 étoiles filates par heure. Quelle est la probabilité d e voir trois das le prochai quart d heure? Hypothèses de travail Cosidéros l évéemet A : «observer ue étoile filate». A partir d u istat iitial t 0 = 0, o peut observer à tout istat la maifestatio d u évéemet A. O suppose que cet évéemet est istataé. L esemble de ces observatios costitue ue suite croissate d istats successifs. O s itéresse au ombre d évèemets A produits das ue durée d observatio [0 ; T]. O suppose que : o il y a pas de momets où ue étoile apparaît plus souvet que d autres (o suppose doc que la fréquece d arrivée des étoiles filates e déped pas de l istat du début de l observatio) ; o les étoiles filates e sot pas très fréquetes ; o l istat où l o observe l ue d etre elles e déped pas des arrivées précédetes. Nous sommes e présece d u phéomèe homogèe das le temps, rare et sas mémoire. Cette situatio est caractérisée par u paramètre qui peut être évalué : o peut observer que, das des coditios aalogues, A se produit e moyee c fois das u itervalle de temps uité (cadece du phéomèe). Modèle probabiliste O cosidère comme esemble des issues possibles, l esemble cotiu Ω de tous les istats où A peut théoriquemet se produire à partir d u istat iitial d observatio ( Ω = ]0 ; + [ ). Ces hypothèses se traduiset mathématiquemet de la faço suivate : o la probabilité d observer A das l itervalle [t i ; t i+1 ] e déped que de la durée t i+1 t i (phéomèe o homogèe das le temps) ; la probabilité qu il se produise deux (ou plus) évèemets A à la fois (c est-à-dire das u petit itervalle de temps Δt) est égligeable devat la probabilité d e observer u seul das ce même itervalle de temps (phéomèe rare). De plus cette probabilité ted vers 0 avec Δt. Aisi, la probabilité que A se produise à u istat détermié a priori est cosidérée comme ulle ; o les évèemets : «A se produit etre les istats t i et t i+1» sot idépedats (phéomèe sas mémoire). Des deux premières hypothèses, o va pouvoir supposer que la probabilité d observer A das u petit itervalle de temps Δt est proportioelle à la logueur de cet itervalle, le coefficiet de proportioalité état λ. Schéma Poissoie O désige par : t 1, t 2,, t, les istats aléatoires où l o observe les étoiles filates. X 1, X 2,, X, les durées aléatoires égales à t 1 0, t 2 t 1,, t t -1, ; aisi les X i désiget les temps séparat deux observatios successives de A. N le ombre d étoiles filates observées etre les istats 0 et T. X 1 X 2 X 0 t 1 t 2 t -1 t T Ce schéma décrit u processus de Poisso homogèe. 1
2 Lois des variables aléatoires Das ce modèle, X i représete la durée qui sépare l istat t i 1 de l observatio de la prochaie étoile filate. Comme o a supposé que le phéomèe est homogèe das le temps, les variables X 1, X 2,, X suivet la même loi. De plus les X i coceret des itervalles de temps disjoits au cours desquels les arrivées évetuelles de A sot supposées idépedates : les variables X 1, X 2,, X sot doc idépedates. La loi commue des X i est la loi expoetielle 1 de paramètre λ. Leur desité de probabilité est doc : f X i (t) = λe λt pour t 0. O a : E( X i ) = 1 λ (c est le temps moye d attete de A) Var( X i ) = 1 λ. 2 La variable N suit la loi de Poisso 2 de paramètre λt. O a : E N ( ) = λt (c est le ombre moye d évèemets A qui se produiset das ue durée T) ( ) = λt. Var N Remarque : Il y a c évèemets A par uité de temps, doc c = E(N) = λ. Par coséquet, λ représete la T cadece c du phéomèe (ombre moye d étoiles filates par uité de temps). Répose à la questio posée O veut calculer la probabilité d observer 3 étoiles filates e u quart d heure. Preos pour uité de temps ue heure. Les doées statistiques idiquet ue moyee de 12 étoiles filates à l heure ; o a doc pour u quart d heure : λt = = 3 Et : P(N = 3) = 33 3! e 3 0,224 1 La démostratio est das l article cité e itroductio, à savoir «Costructio d u modèle de Poisso» de Michel Hery das Autour de la modélisatio e probabilités, Presses Uiversitaires Frac-Comtoises, 2001, p La démostratio est das le même article, p
3 Autre exemple : la désitégratio radioactive Pour étudier le comportemet d u élémet radioactif, u capteur eregistre les istats successifs où l u des atomes se désitègre, ceci afi de détermier la «période» (ou «demi-vie») de l élémet radioactif cosidéré, c est-à-dire la durée au bout de laquelle le ombre d'atomes de l élémet a dimiué de moitié. Si o cosidère l évéemet A : «u atome se désitègre», o observe expérimetalemet que A est rare, homogèe das le temps et sas mémoire. O est doc e présece d u processus de Poisso. 1. A chaque atome radioactif, o associe le temps d attete de sa désitégratio (doc égal à sa durée de vie). O ote X cette variable aléatoire. X suit la loi expoetielle de paramètre λ (λ : taux de désitégratio de l élémet radioactif correspodat à la cadece du phéomèe). a) Au bout de la période T, la proportio des atomes désitégrés est 1. O admet que cette fréquece est égale à 2 la probabilité pour u atome d être désitégré. Motrer que la période T est égale à l2 λ. b) Calculer le taux de désitégratio de l'iode 131 sachat que sa période est de 8,06 jours et celui du radium pour lequel la période est de 1580 aées. c) Lors d ue expériece, o étudie ue quatité d uraium 238 et o observe ue cadece de λ 12 désitégratios par secode. Calculer la période de l uraium O ote N le ombre de désitégratios etre les istats 0 et τ pour u échatillo de matière radioactive coteat atomes. N suit la loi de Poisso d espérace E(N) = λ τ. a) Calculer le ombre moye jouralier de désitégratios avec atomes d iode 131. E déduire le ombre moye de désitégratios par secode. b) Détermier la probabilité qu il y ait aucue désitégratio pedat ue secode avec atomes de radium. c) Quelle est la probabilité qu il y ait 3 ou 4 désitégratios pedat ue aosecode avec 10 8 atomes d uraium 238? 3. Datatio par la méthode du carboe 14. Le carboe 14 est produit régulièremet e haute atmosphère lors de réactios ucléaires iduites par des protos rapides d origie galactique. Il est e proportio à peu près costate das les eviroemets terrestres : la proportio est d u oyau de carboe 14 pour 7, oyaux de carboe 12. Lorsqu u idividu ou ue plate meurt, so métabolisme cesse de foctioer, so carboe est plus reouvelé et le carboe 14 qu il cotiet se désitègre e redoat u oyau d azote 14 avec ue demi-vie de 5730 as. Il suffit alors de mesurer la proportio du carboe 14 das les restes (os, cheveux, bois ) pour coaître l époque de la mort. Das 1g de carboe aturel, il y a oyaux parmi lesquels eviro 6, de carboe 14. Calculer le ombre moye de désitégratio par siècle du carboe 14. Correctio 1.a) X suit la loi expoetielle de paramètre λ : P(X T) =1 e λt = 1 2 T = l1 2 λ b) si T = 8,06 jours, λ = l2 0,086 désitégratios par jour. 8,06 l2 si T =1580 aées, λ = 0,0004 désitégratios par a c) si λ 12, T = secodes, soit 4, aées. = l2 λ 2. N suit P (µ) avec µ = λ τ. a) E(N) = 0, par jour, soit 0, par secode. 10 0, b) P(N = 0) = e = e 0,127 0, c) N suit P (µ) avec µ = =1,2. P(3 N 4) = P(N = 3) + P(N = 4) = 0, ,026 0, l2 6, E(N) = 100 soit eviro désitégratios par siècle
4 Exercices Exercice 1 Ladislaus vo Bortkiewicz ( ) a étudié le ombre auel de morts par ruade de cheval das 10 corps d'armée de l'armée prussiee de 1875 à Il y a doc 200 observatios. Nombre de morts Total Nombre de corps d'armée O ote X la variable aléatoire qui, à u corps d'armée associe so ombre de victimes par ruade. Etablir le tableau de la loi de probabilité de X et so espérace mathématique. (O predra pour probabilités les fréqueces observées.) 2. O désire approcher X par ue loi de Poisso. Quel paramètre va-t-o predre? Comparer les probabilités obteues avec cette loi aux valeurs observées. Exercice 2 Le ombre X de désitégratios d ue substace radioactive durat u itervalle de temps de 7,5 secodes suit ue loi de Poisso de paramètre 3, Quel est le ombre moye de désitégratios durat u itervalle de temps de 7,5 secodes? Calculer l écarttype correspodat. 2. Détermier la probabilité qu il y ait aucue désitégratio durat u itervalle de temps de 7,5 secodes. 3. Quelle est la probabilité qu il y ait 3 ou 4 désitégratios durat u itervalle de temps de 7,5 secodes? Exercice 3 Ue etreprise de logistique observe qu'e moyee il arrive chaque jour 4 camios pour le déchargemet. So etrepôt dispose de 5 quais de déchargemet. O admet que les arrivées des camios sot idépedates les ues des autres. Soit X la variable aléatoire qui à u jour doé associe le ombre de camios arrivat pour décharger. O admet que X suit ue loi de Poisso. O cosidère que lorsqu'u camio arrive, il lui faut ue jourée pour décharger. 1. Quelle est la probabilité qu'u jour doé, aucu camio 'attede pour décharger? 2. L'etreprise souhaite augmeter le ombre de quais de déchargemet. Combie doit-elle e costruire pour que la probabilité de avoir aucu camio e attete soit supérieure à 95%? 3. O prévoit u doublemet de la fréquece d'arrivée des camios. Combie l etreprise doit-elle alors costruire de quais pour que la probabilité de avoir aucu camio e attete soit supérieure à 95%? Exercice 4 Das ce service, à l'ouverture, 6 guichets sot ouverts. Il faut e moyee 5 miutes à ue persoe travaillat derrière u guichet pour traiter u cliet. O suppose que das ce service, il arrive e moyee ue persoe toutes les miutes et que les arrivées sot idépedates. 1. J'arrive das ce service 5 miutes après l'ouverture. Soit X la variable aléatoire qui pred pour valeurs le ombre de cliets arrivés avat moi. O admet que X suit ue loi de Poisso. a) Doer le paramètre de la loi de Poisso. b) Quelle est la probabilité que 4 guichets soiet occupés lorsque j'arrive? c) Quelle est la probabilité que je 'attede pas? d) Quelle est la probabilité que tous les guichets soiet occupés? e) Quelle est la probabilité que j'attede mois de 10 miutes? 2. Ue persoe arrive das le service 5 miutes après l'ouverture. Combie devrait-o ouvrir de guichets pour que la probabilité qu elle attede soit iférieure à 5%? 3. O se red compte qu'u certai jour de la semaie, la fréquece d'arrivée des cliets double par rapport aux autres jours. Si ue persoe arrive das le service 5 miutes après l'ouverture, combie devrait-o alors ouvrir de guichets pour que la probabilité qu elle attede soit iférieure à 5%? 4
5 Exercice 5 U distributeur automatique élabore du jus d'orage e mélageat de l'eau et du cocetré d'orage. Ue equête a motré que la variable aléatoire Z qui, à toute période de 30 jours associe le ombre de paes mécaiques du distributeur, suit la loi de Poisso telle que : P(Z = 1) = 6 P(Z = 3). 1. Calculer le paramètre de cette loi de Poisso. 2. Détermier la probabilité qu'il y ait au mois deux mises hors service du distributeur, e u mois de 30 jours, par défaillace mécaique du distributeur. Exercice 6 O admet que le ombre d'appels téléphoiques reçus par u stadard pedat u temps t > 0, suit ue loi de Poisso de paramètre λ. O ote X le temps d'attete du premier appel et Y t le ombre d'appels reçus etre 0 et t. 1. Comparer les évèemets (X > t) et (Y t = 0). Calculer la probabilité de ces deux évèemets. 2. E déduire que le temps d'attete du premier appel suit ue loi expoetielle. Exercice 7 Si das ue populatio ue persoe sur cet est u ceteaire, quelle est la probabilité de trouver au mois u ceteaire parmi 100 persoes choisies au hasard? (Quelle loi peut-o utiliser?) Et la probabilité de trouver au plus deux ceteaires parmi 200 persoes? Exercice 8 Ue populatio comporte e moyee ue persoe mesurat plus de 1m90 sur 80 persoes. Sur 100 persoes, calculer la probabilité qu il y ait au mois ue persoe mesurat plus de 1.90m (quelle loi peut-o utiliser?). Sur 300 persoes, calculer la probabilité qu il y ait au plus deux persoes mesurat plus de 1.90m. Exercice 9 Soit X ue variable aléatoire réelle à valeurs das telle que pour tout etier k o ul : P(X = k) = 4 P(X = k 1). k Détermier la loi de X. 5
6 Correctio des exercices Exercice 1 1. Loi de probabilité de X : xi pi 0,545 0,325 0,11 0,015 0, Loi de probabilité de la loi de Poisso P (0,61) : xi pi 0,543 0,331 0,101 0,021 0,003 E(X) = 0,61 Exercice 2 1. X suit P (3,87) ; E(X) = 3,87 ; σ(x) = 3,87 1, P(X = 0) = e 3,87 0,021 ; 3. P(3 X 4) = P(X = 3) + P(X = 4) 0,201+ 0,195 0,396 Exercice 3 1. X suit P (4). Il 'y a aucu camio e attete si X est au plus égal à 5 puisqu'il y a 5 postes de déchargemet : P(X 5) 0, O doit trouver le ombre N tel que P(X N) 0,95. Or P(X 7) = 0,948 et P(X 8) = 0,978 : il faut doc 8 quais de déchargemet. 3. E moyee 4 camios par jour veat livrer. O prévoit u doublemet, doc 8 camios par jour e moyee viedrot livrer. Par coséquet, X suivra la loi de Poisso de paramètre 8. Or P(X 12) = 0,937 et P(X 13) = 0,967 : il faut doc 13 quais de déchargemet. Exercice 4 1. a) X suit P (5). b) P(X = 4) 0,175 ; c) P(X 5) 0,616 ; d) P(X 6) = 1 P(X 5) 0,384 ; e) P(X < 12) = P(X 11) 0, Soit k le ombre de guichets écessaires. O doit avoir : P(X k) < 0,5, soit : P(X < k) > 0,95. Or P(X 8) 0,932 et P(X 9) 0,968. Il faut doc ouvrir 10 guichets. 3. X suit P (10). O doit avoir P(X < k) > 0,95. Or P(X 14) 0,917 et P(X 15) 0,951. Il faut doc ouvrir 16 guichets. Exercice 5 1. Si Z suit la loi de Poisso de paramètre µ, alors o doit avoir : µ e µ = 6 µ3 6 e µ µ = µ 3 doc µ = 1 (car µ > 0) doc Z suit P (1). 2. P(Z 2) = 1 P(Z 1) = 1 0,736 0,264. 6
7 Exercice 6 1. X est le temps d'attete du premier appel et Y t le ombre d'appels reçus etre 0 et t. Pour t > 0, les évèemets (X > t) et (Y t = 0) sot égaux. Doc : P(X > t) = P(Y t = 0) = λ0 0! e λt = e λt 2. Foctio de répartitio de X : F(t) = P(X t) = 1 e λt Desité de probabilité de X : f (t) = F ʹ (t) = λe λt X suit bie la loi expoetielle de paramètre λ. Exercice 7 O appelle X le ombre de ceteaires pris parmi 100 persoes. La probabilité p = 1/100 état faible, o peut appliquer la loi de Poisso d espérace 100p = 1 à X : X suit P (1). O cherche doc : P(X 1) = 1 P(X = 0) = 0,63. Si Y est le ombre de ceteaires pris parmi 200 persoes, alors l espérace est 2 et : P(Y 2) = 0,68. Exercice 8 O appelle X le ombre de persoes mesurat plus de 1.90m parmi 100. X a pour espérace 100 =1,25, doc X suit la loi de Poisso de paramètre 1, P(X 1) = 1 P(X = 0) = 0,71. Si Y est le ombre de persoes mesurat plus de 1.90m parmi 300, Y a pour espérace = 3,75. P(Y 2) = 0,28. Exercice 9 Par itératios successives : k IN, P(X = k) = 4 k 4 k 1 4 k k 4 P(X = 0) = P(X = 0) 1 k! X est ue variable aléatoire, doc P(X = k) =1 d où : 1 = P(X = k) = soit P(X = 0) = 1 e 4 = e 4 4 k k 0 P(X = 0) = P(X = 0) = P(X = 0) e 4 k! k! et P(X = k) = e 4 4 k : X suit la loi de Poisso P (4). k! 4 k 7
8 Approcher ue loi biomiale par ue loi de Poisso ou ue loi ormale? Les calculatrices ot itégré les calculs de probabilités au programme de lycée, e particulier ceux cocerat la loi biomiale. Das ces coditios, les approximatios de cette loi par ue loi de Poisso ou ue loi ormale sot-elles ecore justifiées? Exemple 1 Source : Miistère de l Itérieur-Equête oyades 2012 Répartitio des oyades suivies de décès selo les coditios de surveue et de sexe : Hommes Femmes Maquat Total Accidetelles Suicide ou tetative de suicide Agressio Origie o coue Total Motrer que la fréquece de oyade sur ue aée das la populatio fraçaise est d eviro Das la suite de l exercice, o cosidère qu u idividu fraçais, pris au hasard, peut se oyer avec ue probabilité de Soit X la variable aléatoire mesurat le ombre auel de oyades das ue populatio de idividus. Quelle est la loi de X? 3. O s itéresse à ue ville de la taille de Clermot-Ferrad, soit ue populatio d eviro habitats. Quelle est la probabilité qu au plus 2 persoes décèdet de oyade das ue aée? 4. O s itéresse à ue ville de la taille de Paris, soit ue populatio d eviro deux millios d habitats. Quelle est la probabilité qu au plus 10 persoes décèdet de oyade das ue aée? Clermot-Ferrad, e 2011, était la 23 e commue de Frace avec habitats et la 19 e aire urbaie de Frace avec ses habitats. Le ombre d'habitats à Paris itra-muros atteigait persoes (populatio muicipale) e 2010 tadis qu au 1er javier 2011, persoes vivaiet e Ile-de-Frace. Exemple 2 O suppose que, lors d u grad jeu de loterie, il y ait u millio de participats. Chaque persoe a ue chace sur u millio de gager Quelle est la probabilité qu il y ait u seul gagat à ce jeu? Rappels : O peut approcher ue loi biomiale par ue loi de Poisso lorsque 30, p 0,1 et E(X) = p 15. O effectue alors les calculs avec la loi de Poisso de paramètre µ = p. O peut approcher ue loi biomiale par ue loi ormale lorsque 30, E(X) = p 5 et (1 p) 5. O effectue alors les calculs avec la loi ormale de paramètres µ = p et σ = p (1 p), sas oublier la correctio de cotiuité : si X suit la loi B ( ; p) et Z la loi N (µ ; σ 2 ), alors P(X = k) = P(k 0,5 Z k + 0,5). 8
9 Correctio de l exemple 1 1. f = 663 1, X suit B ( ; 10-5 ) ; E(X) = X le ombre auel de oyades das ue populatio de persoes. X suit B ( ; 10-5 ) ; E(X) = = 1,4 P(X 2) = 0,83 4. X le ombre auel de oyades das ue populatio de persoes. X suit B ( ; 10-5 ) ; P(X 10) : impossible avec la plupart des calculatrices. E(X) = = 20 : o e peut pas approcher la loi biomiale par ue loi de Poisso. O approche doc la loi de X par la loi ormale N (20 ; ( 20) 2 ) ; o obtiet : P(0 X 10) = 0,013 ou, si o tiet compte de la correctio de cotiuité, : P(-0,5 X 10,5) = 0,017. Remarque : avec u tableur, o obtiet pour la loi biomiale : P(X 10) = 0,011. Correctio de l exemple 2 1. O appelle X le ombre de gagats. X suit B ( ; 10-6 ) ; E(X) = 1 Calcul de P(X = 1) : impossible avec la plupart des calculatrices. E(X) = 1 : o peut approcher la loi de X par la loi de Poisso P (1). O obtiet : P(X = 1) = e 1 0,368. Remarques : avec u tableur, o obtiet pour la loi biomiale : P(X = 1) = 0,368. si o fait les calculs avec la loi ormale N (1 ; 1), o obtiet : P(X = 1) = P(0,5 Z 1,5) = 0,383. 9
10 Covergece de la loi biomiale B ; 1 vers la loi de Poisso P (1) Approche graphique Activité élève (sur tableur) : Travail à réaliser : 1. Créer ue feuille de calcul qui permet d obteir P(X = k) (pour 0 k 10) si X est ue variable aléatoire qui suit : d ue part, ue loi biomiale B ; 1 pour égal à 10, 50, 100 et 1000 ; d autre part la loi de Poisso de paramètre µ = 1 qui approche ces lois biomiales. Foctios utiles : LOI.BINOMIALE(k ; ; p ; FAUX) LOI.POISSON(k ;1; FAUX) Remarque : «FAUX» sigifie qu o e cumule pas. 2. Faire quatre diagrammes e bâtos : sur chacu serot représetées ue loi biomiale et la loi de Poisso P (1). 3. Que peut-o costater? 10
11 Correctio : 11
12 Démostratio : O cosidère ue variable aléatoire X qui suit la loi biomiale B ; 1 et u etier k tel que 0 k. O ote p (k) = P(X = k) = k 1 k 1 k. Calcul de la limite de p (0) lorsque ted vers +. p (0) = P(X = 0) = 1 = 1 1 = e 1 l 1 = e l ( 1 1 ) 1 e 1. + O ote p 0 cette limite. Gééralisatio : calcul de la limite de p (k) lorsque ted vers +. p (k) = P(X = k) = k 1 k 1 k! 1 = ( k)!k! k 1 k! 1 p (k +1) = ( k 1)!(k +1)! k = p (k) (k +1)( 1) k +1 1 k 1! = ( k)!k! k k k 1 k 1 Si la suite ( p (k)) coverge vers ue limite p k lorsque ted vers +, alors la suite ( p (k +1)) coverge vers p k +1 et cette limite vérifie : p k +1 = lim p k (k) + (k +1)( 1) = p k 1 k +1 O motre (par récurrece) que p k = e 1 1 k! La suite ( p k ) défiit ue loi de probabilité sur : p k = e 1 1 k! = 1 e 1 k! = e 1 e =1 Remarque : si o veut faire la démostratio avec les étudiats, o peut admettre les deux résultats suivats : lim = e 1 1 et lim = e + k! 12
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 détailIntégration 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 détailFEUILLE 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 détailProcessus 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 détailComportement 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 détailEXERCICES : 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 détailLimites 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 détailSTATISTIQUE : 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 détailcapital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3...
Applicatios des maths Algèbre fiacière 1. Itérêts composés O place u capital C 0 à u taux auel T a pedat aées. Quelle est la valeur fiale C de ce capital? aée capital e fi d'aée 1 C 0 + T C 0 = C 0 (1
Plus en détailChapitre 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 détailx +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 détailLa 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 détailStatistique 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 détail1 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 détailTerminale S. Terminale S 1 F. Laroche
Termiale S Exercices. Rappels et exercices de base 3.. QCM (P. Egel) 3.. QCM, Atilles 005 4. 3. QCM, Liba 009, 3 poits 4. 4. QCM, C. étragers 007. 5. QCM, Frace 007 5 6. 6. QCM, N. Calédoie 007 7. 7. QCM
Plus en détailDeuxième 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 détailSéquence 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 détailPrincipes 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 détailII 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 détailCours 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 détailChap. 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. (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 détailUNIVERSITE 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 détailSÉRIES 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 détailUV 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[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 détailChapitre 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 détailSTATISTIQUE 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 détailUNIVERSITÉ 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 détailPolynésie 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 détailc. 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 détailEtude 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 détailLe marché du café peut être segmenté en fonction de deux modes de production principaux : la torréfaction et la fabrication de café soluble.
II LE MARCHE DU CAFE 1 L attractivité La segmetatio selo le mode de productio Le marché du café peut être segmeté e foctio de deux modes de productio pricipaux : la torréfactio et la fabricatio de café
Plus en détail2 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 détailUniversité 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 détail14 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 détailTRANSFERT 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 détail20. 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 détailProbabilités 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 détail55 - 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 détailProcessus 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 détailSéries 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 détailFormation 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 détailCHAPITRE 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 détailBaccalauréat 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 détailChapitre 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 détailLES 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 détailCours 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 détailÉchantillonnage et estimation
Stage «Nouveaux programmes de Termiale S» - Ho Chi Mih-Ville Novembre 202 Échatilloage et estimatio Partie C - Frédéric Barôme page Échatilloage et estimatio Partie C : Capacités et exercices-types. Rappelos
Plus en détailDénombrement. 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 détailSuites 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 détailConvergences 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* 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* 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 détailConsolidation. 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 détailPROMENADE 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 détailExo7. 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 détail4 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 détailExercice 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 détailUniversité 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 détailEtude 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 détailChap. 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 détailStatistique 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 détailChap. 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 détailDares Analyses. Plus d un tiers des CDI sont rompus avant un an
Dares Aalyses javier 2015 N 005 publicatio de la directio de l'aimatio de la recherche, des études et des statistiques Plus d u tiers des CDI sot rompus avat u a Le cotrat de travail à durée idétermiée
Plus en détail3.1 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 détailLe chef d entreprise développe les services funéraires de l entreprise, en
Le chef d etreprise développe les services fuéraires de l etreprise, e assurat lui-même tout ou partie des activités de vete et e ecadrat directemet le persoel techique et commercial et d exploitatio.
Plus en détailLes 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 détailUniversité de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent http://www.math.u-bordeaux.fr/ machaven/ 2014-2015
Uiversité de Bordeaux - Master MIMSE - 2ème aée Scorig Marie Chavet http://www.math.u-bordeaux.fr/ machave/ 2014-2015 1 Itroductio L idée géérale est d affecter ue ote (u score) global à u idividu à partir
Plus en détailExercices 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 détailChaînes 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 détailMobile Business. Communiquez efficacement avec vos relations commerciales 09/2012
Mobile Busiess Commuiquez efficacemet avec vos relatios commerciales 9040412 09/2012 U choix capital pour mes affaires Pour gérer efficacemet ses affaires, il y a pas de secret : il faut savoir predre
Plus en détailRégulation analogique industrielle ESTF- G.Thermique
Chapitre 5 Stabilité, Rapidité, Précisio et Réglage Stabilité. Défiitio Coditio de stabilité. Critères de stabilité.. Critères algébriques.. Critère graphique ou de revers das le pla de Nyquist Rapidité
Plus en détailSemestre : 4 Module : Méthodes Quantitatives III Elément : Mathématiques Financières Enseignant : Mme BENOMAR
Semestre : 4 Module : Méthodes Quattatves III Elémet : Mathématques Facères Esegat : Mme BENOMAR Elémets du cours Itérêts smples, précompte, escompte et compte courat Itérêts composés Autés Amortssemets
Plus en détailOne Office Voice Pack Vos appels fixes et mobiles en un seul pack
Uique! Exteded Fleet Appels illimités vers les uméros Mobistar et les liges fixes! Oe Office Voice Pack Vos appels fixes et mobiles e u seul pack Commuiquez et travaillez e toute liberté Mobistar offre
Plus en détailModule 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 détailExamen 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 détailLa maladie rénale chronique
La maladie réale chroique Qu est-ce que cela veut dire pour moi? Natioal Kidey Disease Educatio Program La maladie réale chroique: l essetiel Vous avez été iformé(e) que vous êtes atteit(e) de la maladie
Plus en détailGroupe 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 détailCompte Sélect Banque Manuvie Guide du débutant
GUIDE DU DÉBUTANT Compte Sélect Baque Mauvie Guide du débutat Besoi d aide? Preez quelques miutes pour lire attetivemet votre Guide du cliet. Le préset Guide du débutat vous facilitera l utilisatio de
Plus en détailRisque de longévité et détermination du besoin en capital : travaux en cours
Risque de logévité et détermiatio du besoi e capital : travaux e cours Frédéric PLANCHET ISFA Laboratoire SAF Versio.6 / Septembre 2008 Sommaire La prise e compte de l expériece propre au groupe das l
Plus en détailSYSTEME FERME EN REACTION CHIMIQUE
SYSTEME FERME EN REACTION CHIMIQUE I. DESCRIPTION D UN SYSTEME. Les dfférets types de système (ouvert, fermé, solé U système S est formé d u esemble de corps séparés du reste de l uvers (appelé mleu extéreur
Plus en détailTélé OPTIK. Plus spectaculaire que jamais.
Télé OPTIK Plus spectaculaire que jamais. Vivez toute la puissace de la télévisio sur IP grâce au réseau OPTIK 1 de TELUS et découvrez-e l extraordiaire potetiel. Télé OPTIK MC vous doe la parfaite maîtrise
Plus en détailStatistiques 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 détailPOLITIQUE ECONOMIQUE ET DEVELOPPEMENT
POLTQU ONOMQU T DVLOPPMNT TRUTUR DU MAR NATONAL DU AF-AAO T PR AU PRODUTUR MALAN Beïla Beoit osultat PD N 06/008 ellule d Aalyse de Politiques coomiques du R Aée de pulicatio : Avril 009 Résumé e papier
Plus en détailDes 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 détailComment les Canadiens classent-ils leur système de soins de santé?
Novembre Les sois de saté au Caada, c est capital bulleti o 4 Commet les Caadies classet-ils leur système de sois de saté? Résultats du sodage iteratioal du Fods du Commowealth sur les politiques de saté
Plus en détailMESURE 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 détailRenseignements et monitoring. Renseignements commerciaux et de solvabilité sur les entreprises et les particuliers.
Reseigemets et moitorig. Reseigemets commerciaux et de solvabilité sur les etreprises et les particuliers. ENSEMBLE CONTRE LES PERTES. Reseigemets Creditreform. Pour plus de trasparece. Etreteir des rapports
Plus en détailSTRATÉGIE DE REMPLACEMENT DE LUTTE CONTRE LA PUNAISE TERNE DANS LES FRAISERAIES DE L ONTARIO
Des résultats du Programme de réductio des risques STRATÉGIE DE REMPLACEMENT DE LUTTE CONTRE LA PUNAISE TERNE DANS LES FRAISERAIES DE L ONTARIO 1. Cotexte La puaise tere Lygus lieolaris (figure 1) est
Plus en détailII - Notions de probabilité. 19/10/2007 PHYS-F-301 G. Wilquet 1
II - Notos de probablté 9/0/007 PHYS-F-30 G. Wlquet Ue varable aléatore est ue varable dot la valeur e peut être prédte avec certtude mas dot la probablté d occurrece d ue valeur (varable dscrète) ou d
Plus en détailNeolane Leads. Neolane v6.0
Neolae Leads Neolae v6.0 Ce documet, aisi que le logiciel qu'il décrit, est fouri das le cadre d'u accord de licece et e peut être utilisé ou copié que das les coditios prévues par cet accord. Cette publicatio
Plus en détailUn nouvel opérateur de fusion adaptatif. A new adaptive operator of fusion. 1. introduction
A ew adaptive operator of fusio par Fraçois DELMOTTE LAMIH, Uiversité de Valeciees et du Haiaut-Cambrésis, Le Mot Houy, BP 3, 5933 Valeciees CEDEX 9 fdelmott@flore.uiv-valeciees.fr résumé et mots clés
Plus en détailDETERMINANTS. 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?,i- ' ^/mmmmmm. CACU ^..""'V ii\teimmies EîiiEsmmii ''?A y? K 1^ 1 - r Par le Moyede Formules Algébriques ) v-^' ET A 'AIDE DES OGARITHMES.../v:?i.'?Xi:: F, X, BURQUE, Ptr. Professeur de MatJu'matiques,
Plus en détailMUTUELLE D&O MUTUELLE D&O. Copilote de votre santé. AGECFA-Voyageurs CARCEPT CARCEPT-Prévoyance CRC CRIS CRPB-AFB
MUTUELLE D&O MUTUELLE D&O Copilote de votre saté AGECFA-Voyageurs CARCEPT CARCEPT-Prévoyace CRC CRIS CRPB-AFB DOMISSIMO-Assuraces DOMISSIMO-Services FONGECFA-Trasport IPRIAC MUTUELLE D&O OREPA-Prévoyace
Plus en détailSolutions particulières d une équation différentielle...
Solutios particulières d ue équatio différetielle......du premier ordre à coefficiets costats O cherche ue solutio particulière de y + ay = f, où a est ue costate réelle et f ue foctio, appelée le secod
Plus en détailSommaire Chapitre 1 - L interface de Windows 7 9
Sommaire Chapitre 1 - L iterface de Widows 7 9 1.1. Utiliser le meu Démarrer et la barre des tâches de Widows 7...11 Démarrer et arrêter des programmes...15 Épigler u programme das la barre des tâches...18
Plus en détailCPNEFP Commission Paritaire Nationale pour l'emploi et la Formation Professionnelle de la branche des services funéraires
Coceptio : Boréal > 01 48 03 99 99 CPNEFP Commissio Paritaire Natioale pour l'emploi et la Formatio Professioelle de la brache des services fuéraires Sommaire Itroductio p 2-3 Les objectifs de cette étude
Plus en détailRECHERCHE 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