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

Dimension: px
Commencer à balayer dès la page:

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

Transcription

1 II - Notos de probablté 9/0/007 PHYS-F-30 G. Wlquet

2 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 u domae de valeurs (varable cotue) est coue. Uprocessus aléatore est décrt par ue ou pluseurs varables aléatores. Aomes de base du calcul des probabltés P( ) / 0 P s certaemet vra: P = / Addto et ecluso s certaemet fau: = 0 ( ) = + ( y) y P( y) = P( y) = P( ) + P( y) P y P P y P s et sot eclusfs: 0 3/ Multplcato et dépedace ( ) = = edats: P( y ) = P( ) P( y ) = P( y) P( y) = P( ) P( y) P y P P y P y P y s et y sot dép Chaptre II

3 Foctos de fréquece, de desté de probablté, de dstrbuto, caractérstque Focto de fréquece d ue varable dscrète Sot ue populato fe de élémets caractérsés par ue proprété (varable) pouvat predre valeurs possbles,,... eemple: talle eprmée e cm mesurée au mm près d'ue populato Sot, =, le ombre d'occureces de la valeur f() f = p = = = Normalsato p = = Cas d'ue populato fe f ( ) = lm eemple : et d' u dé Chaptre II 3

4 Focto de desté de probablté (fdp) d ue varable cotue Eemple: spectre d'émsso e logueur d'ode d'u sctllatteur orgaque = ( < + ) f lmδ P Δ / Δ 0 f() = ( < + ) = [ + ] f d P d P, d Normalsato : la probablté totale = f d = ( < ) = ( ) P f a b b a d Sute du cours: focto de desté de probablté ou fdp pour des varables cotues et des varables dscrètes a b Chaptre II 4

5 Focto de dstrbuto F() varable dscrète pouvat predre valeurs: varable cotue = F f y dy = df f d F = 0 F + = ( ) ( ) F = f =, = F() e pratque F = 0 F = m ma Focto caractérstque Trasformée de Fourrer de la fdp φ t t () t = E e = e f ( ) t f ( ) = e φ () t dt π φ α ( α ) t ( ) = e f d d Chaptre II 5

6 Espérace mathématque, momets o-cetrés et cetrés Espérace mathématque: moyee podérée par la fdp E g( ) = g( ) f ( ) d E a g ( ) = a E g ( ) = = Momets o-cetrés [ ] moyee μ = E = f d μ = μ = f d Momets cetrés ( μ ) ( μ ) varace = σ = ( μ ) m = E = f d m f d σ ( E ) = μ μ = E dévato stadard, écart type: σ= σ Relato avec la focto caractérstque φ ( t ) t t = e f ( ) d e f ( ) d = μ = et φ(t ) = t = 0 = 0 t t t pusque = de mêm e = 0! e m = φ(t) φ μ t ( t ) μ (t) Chaptre II 6 t = 0!

7 Equvalece etre la focto de desté de probablté f ( ) = ou la focto de dstrbuto F f df t ou la focto caractérstque φ () t f ( ) = e φ () t dt π ou tous les momet μ o uls = 0 ( t) μ t f ( ) = e dt π! La plupart des fdp décrvat les grades classes de processus aléatores sot détermées par leur forme aalytque et les valeurs de μ et σ. Soet u esemble de varables aléatores dépedates dstrbuées suvat des fdp de moyee μ et varace σ =, s y = a + b = alors μ = a μ + b y = et σ y = a σ = et o σ = a = σ Chaptre II 7

8 Dstrbuto de pluseurs varables aléatores,=, Focto de desté de probablté ote = = [ + ] f,,... d d...d f d P, d ormalsato f d = moyees varaces covaraces [ ] μ = E = f d Ω Ω σ = E μ = μ f d Ω ( μ )( μ) σ = V = cov(, ) = E μ μ = f d de même que σ E E dépedace des varables et ( [ ]) o a σ = [ ] = E E E = ( ) ( ) factorsato f f,... f,... [ ] E = E E σ = 0 Ω le fat que pree ue valeur partculère parm ses valeurs possbles 'affecte pas la probablté qu'à de predre ue parm ses valeurs possbles. Chaptre II 8

9 coeffcet de corrélato etre varables et ρ σ = = σσ ( μ )( μ) E E E ( μ ) ( μ) s dépedace: σ ρ = 0 s dépedace léare: = a + b μ = aμ + b ρ = y ρ > 0 y y ρ = - ρ = 0 Chaptre II 9

10 Focto de desté margale cas de varables, eteso trvale au cas de varables proecto de f, sur les ae et = et = f (, ) h f, d h = f ( ) s et sot dépedates: f, f f h Focto de desté codtoelle 0 fdp de pour la valeur partculère prse par et récproquemet 0 ( ) d 0 ( ) 0 0 f, f, 0 0 g ( = ) = et g ( = ) = h h s et sot dépedates: f (, ) = f ( ) f ( ) et h ( ) f ( ) ( 0 ) ( 0 ) g = f h g = f h Chaptre II 0

11 Focto caractérstque t + t + =...t φ t,t,...t... e f,,... d d...d Varables dépedates: factorsato de la focto caractérstque f,,... = f f...f ( t,t,...t ) = ( t ) ( t )... ( t ) φ φ φ φ t avec φ (t ) = e f d Chaptre II

12 Chagemet de varable = sot dstrbué suvat f sot y dstrbué suvat f y sot y = y ue trasformato bectve etre et y Coservato de la probablté: f d f y dy Cas gééral de varables d f ( y) = f ( ) dy f y, y,...y = J f,,... J = y Chaptre II

TD Techniques de prévision pour la Gestion de production

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

LEÇON N 6 : Loi de Poisson, loi normale.

LEÇON N 6 : Loi de Poisson, loi normale. LEÇON N 6 :. Pré-requs : Probabltés : défto, calculs et probabltés codtoelles ; Lo bomale cf. leço o 5) ; Noto de varables aléatores dscrètes et cotues cf. leços o 4 et 7), et proprétés assocées : espérace,

Plus en détail

ANALYSE FACTORIELLE DES CORRESPONDANCES SIMPLES

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

Plus en détail

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

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

Plus en détail

COUPLE DE VARIABLES ALEATOIRES. On considère deux variables aléatoires X et Y. On aimerait connaitre s il y a influence entre ces deux variables.

COUPLE DE VARIABLES ALEATOIRES. On considère deux variables aléatoires X et Y. On aimerait connaitre s il y a influence entre ces deux variables. COUPLE DE VARIABLES ALEATOIRES O cosdère deux varables aléatores et. O amerat coatre s l y a fluece etre ces deux varables. I Coule de varables dscrètes : 1) Lo ote : Soet et deux varables dscrètes, à

Plus en détail

Chapitre 8 Corrélation et régression linéaire simple. José LABARERE

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

- x)(y i. - y) (x i. r = - x) 2 (y i. - y) 2. (x- a) (d - c) + c b- a. + a (0.1) (1,1) C.L. (0.0) (1,0) Masse salairiale des x % gagnant le moins.

- x)(y i. - y) (x i. r = - x) 2 (y i. - y) 2. (x- a) (d - c) + c b- a. + a (0.1) (1,1) C.L. (0.0) (1,0) Masse salairiale des x % gagnant le moins. Résumé statstque.6 Le coeffcet de corrélato Corrélato etre deux composats: pod/talle d'u dvdu. r = å å =1 x - xy - y å x - x y - y =1 =1 La valeur se stuera etre -1 corrélato égatve/versée et 1corrélato

Plus en détail

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

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

Plus en détail

PRINCIPES DES STATISTIQUES INFERENTIELLES

PRINCIPES DES STATISTIQUES INFERENTIELLES Chaptre 3 PRINCIPES DES STATISTIQUES INFERENTIELLES Bases de la statstque féretelle PLPSTA0 0 Chaptre 3 1. Problématque. Objectfs des statstques féretelles.1 Estmato poctuelle. Estmato par tervalles.3

Plus en détail

Statistique. 3 ème Maths Mai 2010 A. LAATAOUI. I. Introduction :

Statistique. 3 ème Maths Mai 2010 A. LAATAOUI. I. Introduction : Statstque 3 ème Maths Ma 00 A LAATAOUI I Itroducto : La statstque est ue scece ayat pour objet l étude des phéomèes socau surtout ceu doat leu à des varatos ou ceu e pouvat être suffsammet maîtrsés que

Plus en détail

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

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

Plus en détail

I. Qu est-ce qu une variable aléatoire?

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

Plus en détail

Serie statistique double

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

Plus en détail

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

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

Plus en détail

NOTATIONS ET FORMULAIRE

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

Plus en détail

Analyse de régression

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

Plus en détail

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

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

Plus en détail

LOI NORMALE ET LOIS DERIVEES

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

Plus en détail

1 ère partie : STATISTIQUE DESCRIPTIVE

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

Plus en détail

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

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

Plus en détail

5. Variables aléatoires simultanées

5. Variables aléatoires simultanées 5. Varables aléatores smultaées 5.1 Coule de varables aléatores Défto 1 Pour tout dce das 1, sot X ue varable aléatore. O dt que X X 1 X est ue varable aléatore de dmeso. Nous ous téresseros rcalemet aux

Plus en détail

Partie I : Gestion de portefeuilles actions Chapitre 3 Gestion de Portefeuille Moyenne-Variance

Partie I : Gestion de portefeuilles actions Chapitre 3 Gestion de Portefeuille Moyenne-Variance Parte I : Gesto de portefeulles actos Chaptre 3 Gesto de Portefeulle Moyee-arace Gesto de Portefeulle D. Msae edemet d ue acto Cette parte est cosacrée à u apport mportat de la théore facère modere qu

Plus en détail

Chapitre 1. Résumé d une distribution statistique

Chapitre 1. Résumé d une distribution statistique Chaptre. Résumé d ue dstrbuto statstque.. Cocepts de base de la statstque descrptve Populato = O appelle populato assocée à ue épreuve l esemble des résultats possbles d ue «épreuve». E statstques, le

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

PRO 1 EXPRO010 EXPRO019

PRO 1 EXPRO010 EXPRO019 Exercces résolus de mathématques. PRO 1 EXPRO010 EXPRO019 http://www.matheux.be.tf Jacques ollot 1 avrl 03 www.matheux.be.tf - PRO 1-1 - EXPRO010W Ue ure cotet boules blaches ( 4) et 10 boules ores. O

Plus en détail

Correction Exercices du MODULE 1 : M1Exo4b Distribution statistique à un caractère

Correction Exercices du MODULE 1 : M1Exo4b Distribution statistique à un caractère Exo Math Stat Correcto exercces du Module Dstrbuto statstque à u caractère MExo4b Correcto Exercces du MODULE : MExo4b Dstrbuto statstque à u caractère Exercce Mexo4 b Objectf : Cet exercce trate du calcul

Plus en détail

Partie 1. Corrigé de CCIP 2000 par Pierre Veuillez

Partie 1. Corrigé de CCIP 2000 par Pierre Veuillez Corrgé de CCIP 2000 par Perre Veullez Das tout le problème, désge u eter aturel o ul. O cosdère ue ure U coteat boules umérotées de à. O tre ue boule au hasard das U. O ote k le uméro de cette boule. S

Plus en détail

AJUSTEMENT ANALYTIQUE RÉGRESSION - CORRÉLATION

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Chapitre 4 : RÉGRESSION

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

Plus en détail

III ESPERANCE MATHEMATIQUE

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

Plus en détail

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

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

Plus en détail

Une urne contient 5 boules rouges, 5 boules blanches et 6 boules bleues.

Une urne contient 5 boules rouges, 5 boules blanches et 6 boules bleues. Lycée Paul Gaugu CPGE-EC Aée 04/05 Exercces «basques» Fche N : Exercces sur les varables aléatores réelles dscrètes Exercce. : O cosdère deux dés dscerables be équlbrés. O ote X la varable aléatore égale

Plus en détail

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

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

Plus en détail

Analyse Statistique des Données de Lifetest

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

Plus en détail

Améliorer la productivité

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

Plus en détail

La statistique et les statistiques

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

Plus en détail

SYSTEME FERME EN REACTION CHIMIQUE

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

Plus en détail

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

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

Plus en détail

2. On présente ensuite une proposition : l'équiprobabilité à chaque étape entraîne l'équiprobabilité sur l'ensemble des résultats.

2. On présente ensuite une proposition : l'équiprobabilité à chaque étape entraîne l'équiprobabilité sur l'ensemble des résultats. rbre de déombremet et arbre de probablté Pla du documet. O présete tout d'abord la règle du produt pour les arbres de déombremet avec, e cas partculer, le cardal d'u produt cartése d'esembles fs.. O présete

Plus en détail

sont distincts 2 à 2.

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

Plus en détail

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

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

Plus en détail

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

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

Plus en détail

Chapitre III : Les caractéristiques de dispersion

Chapitre III : Les caractéristiques de dispersion Chaptre III : Les caractérstques de dsperso Les caractérstques de tedace cetrale e sot pas toujours suffsates pour caractérser ue sére statstque, car séres peuvet avor Mo= Me = x alors qu elles sot dstrbuées

Plus en détail

Lois de probabilités liées aux tirages de boules dans une urne Approche sondage : échantillonnage et estimation dans une population finie

Lois de probabilités liées aux tirages de boules dans une urne Approche sondage : échantillonnage et estimation dans une population finie Los de probabltés lées aux trages de boules das ue ure Approche sodage : échatlloage et estmato das ue populato fe Das le ouveau programme de secode, retrée 2009, sot scrtes les otos d'tervalle de fluctuato

Plus en détail

Chapitre I : Introduction à la résistance des matériaux & Rappel de statique. (August Wöhler)

Chapitre I : Introduction à la résistance des matériaux & Rappel de statique. (August Wöhler) Chaptre I : Itroducto à la résstace des matéraux & appel de statque (August Wöhler) Premer cours de ésstace des atéraux a été doé par August Wöhler à l'uversté de Göttge (Allemage) e 842. aculty of echacal

Plus en détail

Probabilités. est la i ième valeur possible. L ensemble des issues auxquelles on associe la même valeur x

Probabilités. est la i ième valeur possible. L ensemble des issues auxquelles on associe la même valeur x Probabltés A) Varable aléatore et lo de probablté Varable aléatore Défto : O cosdère l'esemble E des ssues d'ue expérece aléatore Défr ue varable aléatore X sur cet esemble, c est assocer u ombre à chaque

Plus en détail

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

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

Plus en détail

MAT4081 Chapitre 3 Régression 3 Transformation de variables

MAT4081 Chapitre 3 Régression 3 Transformation de variables MAT408 Chaptre 3 Régresso 3 Trasformato de varables Les graphques ou les techques dagostques peuvet révéler des volatos des hypothèses de la régresso léare : hétéroscédastcté, par exemple, ou absece de

Plus en détail

Chapitre II : Notion de mesure : Définition : 3 Remarques : 3 Définition : 3 Définition : 3 Définition : 3 Exemple : 4 Définition : 4 2.

Chapitre II : Notion de mesure : Définition : 3 Remarques : 3 Définition : 3 Définition : 3 Définition : 3 Exemple : 4 Définition : 4 2. Chaptre II : Noto de mesure 3 2. : Défto : 3 Remarques : 3 Défto : 3 Défto : 3 Défto : 3 Exemple : 4 Défto : 4 2.2 : Proprétés : 4 Proprété : 4 Proprété 2 : 4 Proprété 3 : 4 Proprété 4 : 4 Proprété 5 :

Plus en détail

Coefficient de partage

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

Plus en détail

Probabilités. est la i ième valeur possible. L ensemble des issues auxquelles on associe la même valeur x

Probabilités. est la i ième valeur possible. L ensemble des issues auxquelles on associe la même valeur x Probabltés A) Varable aléatore et lo de probablté Varable aléatore Défto : O cosdère l'esemble des ssues d'ue expérece aléatore Défr ue varable aléatore X sur cet esemble, c est assocer u ombre à chaque

Plus en détail

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

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

Plus en détail

Alain MORINEAU

Alain MORINEAU www.deeov.com Ala MORINEAU Cet artcle est ue reprse et u extrat de l artcle «Note sur la Caractérsato Statstque d'ue Classe et les Valeurs-tests», publé das la revue Bullet Techque du Cetre de Statstque

Plus en détail

Devoir de contrôle n 1. 4 ème Maths 1 Radès. Répondre par Vrai au Faux aux questions propositions suivantes. Aucune justification n est demandée.

Devoir de contrôle n 1. 4 ème Maths 1 Radès. Répondre par Vrai au Faux aux questions propositions suivantes. Aucune justification n est demandée. Lycée Ib Khaldou Devor de cotrôle ème Maths Radès ( heure) Mr ABIDI Fard Mathématques Mercred 9 Novembre 0 Exercce : ( pots) Répodre par Vra au Faux aux questos propostos suvates Aucue justfcato est demadée

Plus en détail

Traitement Numérique du Signal (Partie 2)

Traitement Numérique du Signal (Partie 2) II Tratemet umérque du Sgal Parte Support de cours Olver SETIEYS seteys@essat.fr http://rd.essat.fr/esegemets/ts/ts.php Pla du cours Parte II IV. Aalyse des fltres umérques. Spécfcato, classfcato, représetato.

Plus en détail

IR homogène de degré α ( α IR ). (0.5 pt.)

IR homogène de degré α ( α IR ). (0.5 pt.) Javer 05 ( heures et 0 mutes) a) Sot IN 0 \ {} Défr : sous-esemble boré de IR sous-esemble covee de IR b) Soet les sous-esembles suvats de IR : A [-4,0] [0,] B {(,y) IR : + y 9} Représeter graphquemet,

Plus en détail

" BIOSTATISTIQUE - 1 "

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

Plus en détail

1. Test d indépendance du KHI-2

1. Test d indépendance du KHI-2 1. Test d dépedace du HI- Ecrre ue focto qu réalse le test d dépedace du kh-. Etrée : x et y, deux vecteurs, de type factor Sorte : statstque de test, degrés de lberté, p-value Idcatos : Vous devez vérfer

Plus en détail

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

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

Plus en détail

LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE

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

Plus en détail

Statistiques II Sc. Éco. & Gestion (S3) Pr. M. El Merouani 3-Notation ensembliste des événements :

Statistiques II Sc. Éco. & Gestion (S3) Pr. M. El Merouani 3-Notation ensembliste des événements : wwwelmerouajmdocom Statstques II Sc Éco & Gesto S r M El Meroua Chaptre : roaltés I Itroducto : -Epreuve ou expérece : O appelle épreuve ou expérece ue certae acto que l o peut répéter pluseurs fos ar

Plus en détail

Ift Chapitre 7. Introduction. aux valeurs propres et aux vecteurs propres

Ift Chapitre 7. Introduction. aux valeurs propres et aux vecteurs propres Ift 4 Chaptre 7 Itroducto au valeurs propres et au vecteurs propres Ift4 Chaptre 7 Défto : S A est ue matrce de, alors u vecteur o ul est dt vecteur propre de A s A est appelé valeur propre de A, et vecteur

Plus en détail

APPRENTISSAGE ARTIFICIEL («Machine-Learning»)

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

Plus en détail

COURS SUR LES MELANGES EN FILATURE DE COTON PARTIE 07. Section IV ELEMENTS DE STATISTIQUES APPLIQUES EN FILATURE

COURS SUR LES MELANGES EN FILATURE DE COTON PARTIE 07. Section IV ELEMENTS DE STATISTIQUES APPLIQUES EN FILATURE COURS SUR LES MELANGES EN FILATURE DE COTON PARTIE 07 Secto IV ELEMENTS DE STATISTIQUES APPLIQUES EN FILATURE 7.7. Elémets de statstques 7.7.. Caractérstques de posto. Moyee arthmétque La moyee est la

Plus en détail

PROCESSUS DES RESTAURANTS CHINOIS ET LOI D EWENS

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

Plus en détail

EPREUVE SPECIFIQUE FILIERE MP MATHEMATIQUES 1. Durée : 4 heures. Les calculatrices sont interdites. * * *

EPREUVE SPECIFIQUE FILIERE MP MATHEMATIQUES 1. Durée : 4 heures. Les calculatrices sont interdites. * * * SESSION 003 EPREUVE SPECIFIQUE FILIERE MP MAHEMAIQUES 1 Durée : 4 heures Les calculatrces sot terdtes * * * NB : Le caddat attachera la plus grade mportace à la clarté, à la précso et à la cocso de la

Plus en détail

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

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

Plus en détail

Méthodes stochastiques de calcul de stabilité des pentes

Méthodes stochastiques de calcul de stabilité des pentes Républque Algéree Démocratque et Populare Mstère de l Esegemet Supéreur et de la Recherche Scetfque UNIVERSITE MOULOUD MAMMERI - TIZI OUZOU - Faculté du Gée de la costructo Départemet de Gée Cvl MÉMOIRE

Plus en détail

ANALYSE DES CORRESPONDANCES SIMPLES

ANALYSE DES CORRESPONDANCES SIMPLES ANALYSE DES DONNÉES TEST DU KHI-DEUX ANALYSE DES CORRESPONDANCES SIMPLES Perre-Lous Gozalez MESURE DE LIAISON ENTRE DEUX VARIABLES QUALITATIVES KHI-DEUX Mesure de la laso etre deux varables qualtatves

Plus en détail

IREM Section Martinique Groupe Lycée. QCM pour la classe de Terminale S

IREM Section Martinique Groupe Lycée. QCM pour la classe de Terminale S IREM Secto Matque Goupe Lycée QCM pou la classe de Temale S QCM : Calculatce o autosée Pou chaque questo, seules ou popostos sot vaes. Recope la ou les popostos vaes. Sot f la focto défe su IR pa f ( )

Plus en détail

Cours (Terminale) Probabilités (révisions 1 ère )

Cours (Terminale) Probabilités (révisions 1 ère ) Cours (Termale) Probabltés (révsos ère ) Quelques rappels et complémets sur les esembles Uo de deux esembles O appelle «uo de deux esembles E et F» l esemble oté E F dot les élémets sot costtués des élémets

Plus en détail

Séries de Fourier 12-1

Séries de Fourier 12-1 Séres de Fourer 1-1 Sommare 1. Applcato de classe C 1 par morceaux 1 1.1. Applcato de classe C 1 par morceaux 1 1.. Applcato -pérodque C 1 par mcx. 1 1.3. pérato sur les applcatos C 1 par mcx 1. Sére de

Plus en détail

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

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

Plus en détail

Centres étrangers Enseignement spécifique. Corrigé

Centres étrangers Enseignement spécifique. Corrigé EXERCICE 1 Partie A Cetres étragers 13. Eseigemet spécifique. Corrigé 1) La durée de vie moyee d ue vae est l espérace de la variable aléatoire T. O sait que l espérace de la loi expoetielle de paramètre

Plus en détail

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

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

Plus en détail

Incertitudes expérimentales

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

Plus en détail

Améliorer la productivité

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

Plus en détail

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

Les sinistres graves en assurance automobile : Une nouvelle approche par la théorie des valeurs extrêmes Les sstres graves e assurace automoble : Ue ouvelle approche par la théore des valeurs extrêmes Nouredde Belagha (*, Mchel Gru-Réhomme (*, Olga Vasecho (** (* Uversté Pars 2, ERMES-UMR78-CNRS, 2 place

Plus en détail

Application de la théorie des valeurs extrêmes en assurance automobile

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

Plus en détail

DEVOIR EN TEMPS LIBRE A RENDRE LE 17 /02/11 ECS 2

DEVOIR EN TEMPS LIBRE A RENDRE LE 17 /02/11 ECS 2 DEVOIR EN TEPS LIBRE A RENDRE LE 7 /0/ ECS EX : : Le but de ce poblème (dot les tos pates sot dépedates) est l'étude du temps passé das ue mae pa u usage quad u ou pluseus guchets sot à la dsposto du publc,

Plus en détail

MATERIEL UTILISE : CALCULATRICE AUTORISEE OUI NON

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

Plus en détail

Eléments de statistique descriptive

Eléments de statistique descriptive G Elémets de statstque Elémets de statstque descrptve. Itroducto.. Défto Statstques, brache des mathématques qu a pour objet la collecte, le tratemet et l aalyse de doées umérques relatves à u esemble

Plus en détail

EPREUVE DE MATHEMATIQUES

EPREUVE DE MATHEMATIQUES Sesso févrer 009 BREVET DE TECHNICIEN SUPERIEUR «COMPTABILITE ET GESTION DES ORGANISATIONS» EPREUVE DE MATHEMATIQUES Durée : heures Coeffcet : Matérel et documets autorsés : L usage des strumets de calcul

Plus en détail

MODULE : STATISTIQUES

MODULE : STATISTIQUES OFPPT ROYAUME DU MAROC مكتب التكوين المهني وإنعاش الشغل Offce de la Formato Professoelle et de la Promoto du Traval DIRECTION RECHERCHE ET INGENIERIE DE FORMATION RESUME THEORIQUE & GUIDE DE TRAVAUX PRATIQUES

Plus en détail

Calcul des pertes du distributeur

Calcul des pertes du distributeur Clcul des pertes du dstrbuteur Jver 007 Clcul des pertes du dstrbuteur Tros étpes : Clcul des pertes techques pr tpe d ouvrge Modélsto des pertes o techques (PNT) Modélsto d ue courbe de tpe P²+bP+c ou

Plus en détail

il s'agit de saisir une estimation optimale d'une grandeur à laquelle on suppose une existence objective.

il s'agit de saisir une estimation optimale d'une grandeur à laquelle on suppose une existence objective. Tratemet des certtudes de mesure I. PROBLEMATIQUE. Quad o veut détermer ue gradeur et que l'o effectue pluseurs mesures (smultaées avec des apparellages équvalets, ou répétées das des codtos semblables

Plus en détail

Quelques éléments de statistiques

Quelques éléments de statistiques Quelques élémets de statstques Avat-propos Ces quelques élémets coceret essetellemet les statstques au programme das l esegemet secodare. Ils preet appu sur les documets utlsés par M. ARTIGUES, IA-IPR

Plus en détail

Chapitre 9. Analyse de variance. Sommaire. 1. Introduction Conditions d application Modèle de l analyse de variance.

Chapitre 9. Analyse de variance. Sommaire. 1. Introduction Conditions d application Modèle de l analyse de variance. Mathématques : Outls our la Bologe Deug SV UCBL D Mouchroud (0/03/003 Chatre 9 Aalse de varace Sommare Itroducto Codtos d alcato Structure des doées 3 Codtos d alcato 4 Idéedace 4 Normalté 4 3 Homoscédastcté

Plus en détail

PROBABILITÉS ET STATISTIQUE POUR L ENSEIGNEMENT SECONDAIRE

PROBABILITÉS ET STATISTIQUE POUR L ENSEIGNEMENT SECONDAIRE PROILITÉS ET STTISTIQUE POUR L ENSEIGNEMENT SECONDIRE Ce documet a été rédgé à l occaso d u stage de formato cotue de professeurs de mathématques de trosème et secode e décembre 009 à Toulouse, sute à

Plus en détail

Variables j.. p. Xij

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

Plus en détail

Série d'exercices *** 4 ème Maths Lycée Secondaire Ali Zouaoui LES N. COMPLEXES " Hajeb Laayoun "

Série d'exercices *** 4 ème Maths Lycée Secondaire Ali Zouaoui LES N. COMPLEXES  Hajeb Laayoun Sére d'exercces *** 4 ème Maths Lycée Secodare Al ouaou LES N COMPLEXES " Hajeb Laayou " I / L esemble des ombres complexes : Défto : O appelle esemble des ombres complexes, et o ote C, l esemble des ombres

Plus en détail