STATISTIQUE AVANCÉE : MÉTHODES

Dimension: px
Commencer à balayer dès la page:

Download "STATISTIQUE AVANCÉE : MÉTHODES"

Transcription

1 STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN

2

3 Table des matières 1 Itroductio 5 2 Modèle de desité Estimatio par istogrammes Estimateur à oyau Exercices Modèle de régressio Défiitios égressogrammes Moyee Locale Estimateur à Noyau Estimateur par Polyômes Locaux Lissage Liéaire et Validatio Croisée Estimatio de la Variace Exemple Exercices

4

5 1 Itroductio La particularité de la statistique o-paramétrique est que le paramètre icou qu o cerce à detecter, à estimer ou à classifier est pas supposé d apparteir à ue famille idicée par u petit ombre de paramètres réels. E gééral, das la téorie o-paramétrique o suppose que le ombre de paramètres qui décrivet la loi des observatios est ue foctio croissat du ombre d observatios, ou ecore que le ombre de paramètres est ifii. Pour doer u exemple cocret, cosidéros le modèle liéaire multiple. C est u modèle très populaire das le milieu des praticies et profodémet étudié par les téoricies. Il s agit d ue expériece qui résulte e l observatio des couples (X i, Y i, i = 1,..., où, e gééral, X i est u vecteur p-dimesioel et Y i est ue valeur réelle. O suppose que pour u vecteur β p et u réel α, la dépedace de Y i e X i est expliquée par la foctio affie à ue erreur aléatoire près, c est-à-dire α + β T x Y i = α + β T X i + ξ i, i = 1,..., (1.1 où ξ i est tel que E[ξ i X i ] =. Si l o suppose de plus que les erreurs ξ i sot idépedates les ues des autres et suivet la loi Gaussiee cetrée de variace σ 2, alors la loi des observatios (X i, Y i est etièremet caractérisée par les paramètres α, β et σ. C est pourquoi, das la littérature statistique, ce modèle est souvet cosidéré comme l exemple type d u modèle paramétrique. Cepedat, cette cosidératio doit être uacée. E réalité, il est coseillé d appliquer les métodes classiques de statistique au modèle (1.1 seulemet das le cas où la dimesio p de β est sigificativemet plus petite que, la taille de l écatillo. Si et p sot comparables, ou ecore si p >, les métodes classiques devieet iefficaces. Il faut alors cercer de ouvelles approces pour effectuer ue iférece statistique. C est l objectif poursuivi par la statistique o-paramétrique. Le but de ce cours est de préseter les pricipes les plus basiques de la statistique oparamétrique e isistat sur leurs avatages et leurs limites. Pour éviter des dévelopemets

6 6 Itroductio Capitre 1 très teciques, ous ous cocetros uiquemet sur l étude de deux modèles : l estimatio de desité et l estimatio de la foctio de régressio. Par ailleurs, ous préseteros uiquemet la facette de la statistique o-paramétrique cocerat le lissage et e parleros pas du tout d ue autre facette, istoriquemet plus aciee, qui est l iférece basée sur les rags. Le modèle de desité est u modèle simple qui permet de tester les différetes iovatios statistiques sas retrer das des calculs très fastidieux. Cepedat, certaies métodes comme, par exemple, l estimatio par projectio sot plus faciles à préseter das le modèle de régressio. C est la raiso pour laquelle o se focalise sur ces deux modèles. La démarce géérale pour effectuer ue iférece statistique das des problèmes oparamétriques peut être décomposée e trois étapes suivates. 1. Trouver ue famille { f : > } de foctios simples qui approcet bie la foctio icoue f, c est-à-dire dist( f, f lorsque. O dit alors que dist( f, f est l erreur d approximatio. 2. Au lieu d effectuer ue iférece statistique sur f, faire comme si le vrai paramètre était f et appliquer ue métode de statistique paramétrique classique : métode du maximum de vraisemblace, métode des momets ou métode de cotraste miimale pour l estimatio, test de Neyma-Pearso, test du rapport de vraisemblace ou test de Wald pour les tests d ypotèses. O obtiet aisi ue procédure statistique d ˆ (estimateur ou test. O appelle alors erreur statistique, ote par r( d ˆ, le risque de la procédure d ˆ calculé e utilisat f comme vraie valeur du paramètre f. 3. Coisir le paramètre de faço optimale. D ue part, das la plupart des cas, l erreur statistique r( d ˆ est ue foctio décroissate de. D autre part, le risque associé à la parocédure d ˆ das le problème d origie où f est le paramètre icou se calcule comme ue foctio F ( dist( f, f ; r( d ˆ qui est décroissate par rapport à cacu des deux argumets. Comme les foctios dist( f, f et r( d ˆ ot des ses de variatio opposés, la miimisatio du risque total F ( dist( f, f ; r( d ˆ e foctio de se fait par u compromis etre l erreur d approximatio dist( f, f et l erreur statistique r( d ˆ. Pour termier cette itroductio, ous allos reformuler la défiitio de statistique oparamétrique. La statistique o-paramétrique étudie des problèmes statistiques das lesquels la paramétrisatio est pas cosidérée comme figée, mais il y a ue liberté de coix etre plusieurs paramétrisatio et le but est de trouver celle qui coduit vers les procédures les plus performates.

7 2 Modèle de desité Tout au log de ce capitre, o suppose que les observatios X 1,..., X sot des variables idépedates de même loi (iid de desité f. Pour simplifier, o suppose que les X i sot à valeurs réelles et que f est la desité par rapport à la mesure de Lebesgue sur. Par coséquet, Prob(X i [a, b] = b a f (x dx, a, b. De plus, o supposera que f est deux fois cotiûmet différetiable. 2.1 Estimatio par istogrammes La faço la plus simple d estimer la desité f à partir des doées est l estimatio par istogramme. Afi d éviter des complicatios d ordre tecique, ous supposeros das ce paragrape que f est à support compact. De plus, sas perte de gééralité, ous pouvos supposer que le support de f est iclus das l itervalle [, 1] Défiitio et propriétés de base Pour commecer, o coisit ue partitio uiforme C 1,..., C m de l itervalle [, 1[ : [ j 1 C j = m, j [, j = 1,..., m. m Comme f est supposée être cotiue, pour m suffisamet grad, elle est bie approcée par des foctios e escalier, costates par morceaux sur les itervalles {C j }. Pour que os otatios reste e accord avec l approce géérale décrite das l itroductio, o pose = 1/m et o approce f par la foctio f (x = m p j 1l C j (x,

8 8 Modèle de desité Capitre 2 où p j = C j f (x dx. O ramèe aisi le problème d estimatio de f au problème d estimatio d u paramètre m-dimesioel p = (p 1,..., p m. Ceci peut se faire e utilisat, par exemple la métode gééralisée des momets. E effet, il est évidet que p j = f (x dx = E f [1l Cj (X 1 ], j = 1,..., m. C j Par coséquet, il est aturel d estimer le vecteur p par ˆp = ( ˆp 1,..., ˆp m, ˆp j = 1 1l Cj (X i. Observos au passage que caque ˆp j représete la proportio des observatios X i se trouvat das l itervalle C j. Si la taille de l écatillo est grade, il est légitime de s attedre à ce que cette proportio, dite empirique, coverge vers la proportio téorique correspodat à la probabilité qu ue observatio tirée au asard selo la desité f appartiet à l itervalle C j. Par substitutio, ous défiissos l estimateur de f par istogramme à m classes comme suit : ˆf (x = 1 m ˆp j 1l Cj (x. Das la termiologie statistique, o dit que caque C j est ue classe et la logueur des classes est ue feêtre. Exercice 2.1. Vérifier que l estimateur par istogramme ˆf est ue desité de probabilité. emarque 2.1. Das les applicatios, très souvet o utilise le terme istogramme pour la foctio ˆf (x, ce qui correspod à la proportio d observatios par itervalle C j. FIGUE 2.1 A gauce : ue desité de probabilité et so approximatio costate par morceaux sur les itervalle [j/1, (j + 1/1[ pour j = 1,..., 1. A droite : La même desité que celle du grape de gauce et ue estimatio par istogramme basée sur u écatillo de taille 4.

9 Sectio 2.1 Estimatio par istogrammes Exemple : répartitio des galaxies A titre d exemple, cosidéros u jeu de doées astroomiques étudiées das le livre de Wasserma et dispoibles sur sa page WEB : ttp://www.stat.cmu.edu/~larry/all-of-opar/data.tml. Ce qu o veut motrer sur cet exemple, avat toute autre cose, est que le coix de la feêtre a u impact très importat sur la qualité d estimatio de la desité f par l istogramme ˆf. Le jeu de doées astroomiques précité cotiet 1253 valeurs umériques ; caque valeur correspod au décalage vers le rouge (edsift d u objet astroomique (galaxie, quasar,... Cette valeur peut être iterprétée comme la distace etre la terre et l objet e questio. L estimatio de la desité des edsifts est importat e pratique, car elle permet de detecter des clusters de galaxies. FIGUE 2.2 Les istogrammes des doées d astroomie correspodat aux ombres de classes m = 18, m = 16 et m = 85. Nous avos tracé das la figure ci-dessus les istogrammes des doées astroomiques basées sur 18, 16 et 85 classes. O costate que ces trois grapiques ot présetet des différeces très importates. Plus précisémet, le grape qui correspod à m = 18 est bie plus régulier que les deux autres. Das la termiologie statistique, o dit que l istogramme de gauce est trop lissé (e aglais oversmootig alors que l istogramme de droite est pas lissé sufisammet (udersmootig. U problème crucial du poit de vu des applicatios est doc de trouver la feêtre qui correspod au lissage optimal. L ue des métodes les plus utilisées fourissat ue feêtre proce de l optimale est la métode de validatio croisée. La défiitio précise de cette métode sera doée plus tard das ce capitre. Notos simplemet qu elle cosiste à défiir ue foctio Ĵ de (ou, de faço équivalete, de m qui est ue estimatio du risque de l estimateur ˆf. Naturellemet, la valeur de est coisie e miimisat ce risque estimé. Lorsqu o effectue ue validatio croisée sur les doées astroomiques, o obtiet la courbe ci-dessous pour la foctio m Ĵ(m et le miimum de cette foctio est atteit au poit ˆm = 163. FIGUE 2.3 La courbe de la foctio Ĵ(m. Le miimum est atteit au poit m = 163.

10 1 Modèle de desité Capitre isque de l estimateur par istogramme Comme o a costaté sur l exemple des doées astroomique, la qualité de l estimateur par istogramme déped fortemet de la feêtre. Afi de quatifier cette dépedace, ous itroduisos le risque quadratique de ˆf au poit x [, 1] comme état la moyee de l erreur quadratique : MSE f (x, = E f [ ( ˆf (x f (x 2 ], où l abbréviatio MSE correspod à Mea Squared Errror. Afi d évaluer le MSE, o utilise d abord la décompositio biais-variace : MSE f (x, = ( E f [ ˆf (x] f (x 2 + Var f [ ˆf (x]. } {{ } } {{ } carré du biais variace Soit j l idice de la classe coteat x ; x C j. emarquos que ˆf (x = ˆp j = 1 1l Cj (X i = Z j, Z j B(, p j, (2.1 car Z j est la somme de variables idépedates de loi de Beroulli de paramètre P f (1l Cj (X 1 = 1 = P f (X 1 C j = f (x dx = p j. C j Il e découle immédiatemet que pour tout x C j, E f [ ˆf (x] = p j, Var f [ ˆf (x] = p j(1 p j 2 2 = p j(1 p j 2. (2.2 Ue première coséquece de ces formules est que le risque MSE est supérieur au carré du biais ( 1 p j f (x 2. Par coséquet, si la feêtre est coisie idépedammet de la taille de l écatillo, l estimateur par istogramme e covergera pas vers la vraie desité lorsque excepté la situatio peu fréquete où f est costate sur l itervalle C j. Afi d élargir la classe des desités pour lesquelles ˆf est coverget, ous devos coisir comme ue foctio de ; = doit tedre vers lorsque ted vers +. A partir de maiteat, o suppose que cette coditio est satisfaite. appelos que le but de ce paragrape est d évaluer le risque de l estimateur ˆf. Afi d avoir ue évaluatio globale valable pour tout poit x [, 1], o cosidère le risque quadratique itégré : MISE f ( = [,1] [ 1 ( MSE f (x, dx = E f ˆf (x f (x ] 2 dx (pour obteir la derière égalité ous avos utilisé le téorème de Foubii. D ue part, e vertu de la propriété j p j = 1 1 Var f [ ˆf (x] dx = m Var f [ ˆf (x] dx = C j f (x dx = 1, o a m p j (1 p j = 1 1 m p 2 j.

11 Sectio 2.1 Estimatio par istogrammes 11 D autre part, 1 { E f [ ˆf (x] f (x } 2 dx = m = = m 1 Nous avos doc démotré le résultat suivat : C j ( pj f (x 2 dx p 2 j 2 p 1 j f (x dx + f 2 (x dx C j f 2 (x dx 1 m p 2 j. Lemme 2.1. Si X 1,..., X sot idépedates de même loi de desité f supportée par [, 1] et ˆf est l estimateur par istogramme avec m = 1/ classes, alors [ 1 ( MISE f ( = E f ˆf (x f (x ] 2 dx = 1 f 2 (x dx m p 2 j. Le résultat du Lemme 2.1 est o-asymptotique : il est valable pour tout et pour tout. Ce qui ous itéresse maiteat c est le comportemet du risque MISE lorsque = décroit vers zéro quad ted vers +. O vérifie aisémet que ( f (x 2 dx 1 p 2 j = f (x 1 2 f (u du dx C j C j C j = 1 ( { 2 f (x f (u} du 2 dx. C j C j Comme f est supposée deux fois cotiûmet différetiable, o a f (u f (x = (u x f (a j + O( 2 pour tout u, x C j, où a j désige l extrémité gauce de l itervalle C j. Par coséquet, f (x Cj 2 dx 1 p 2j = f (a j 2 ( 2 2 (x u du dx + O( 4. C j E utilisat le cagemet de variable (x, u = (a j + y, a j + z, o obtiet Nous avos doc démotré que E coséquece, C j C j ( 2 1 ( 1 2 (x u du dx = 5 (y z dz dy = 5 C j 12. f (x Cj 2 dx 1 p 2j = 3 12 f (a j 2 + O( 4 = 2 f (x 2 dx + O( C j m ( MISE f ( = f (x 2 dx 1 p 2 j C j = m p 2 j f (x 2 dx + O( O(1/,

12 12 Modèle de desité Capitre 2 où ous avos utilisé la relatio mo( 4 = O( 3. Ces calculs implique doc le résultat suivat : Téorème 2.1. Supposos que la desité de l écatillo X 1,..., X est deux fois cotiûmet différetiable et s aule e deors de l itervalle [, 1]. Si la feêtre de l estimateur par istogramme ˆf est telle que lorsque, alors lorsque. MISE f ( = f (x 2 dx + 1 } {{ } terme pricipal du risque ( 1 + O( 3 + O } {{ } terme résiduel Supposos u istat qu o caaît la quatité 1 f (x 2 dx. Das ce cas, o peut calculer le terme pricipal du risque MISE f (. Cela ous permet de trouver la valeur idéale de la feêtre qui miimise le terme pricipal du risque. E effet, o voit aisémet que le miimum de la foctio 2 1 f (x 2 dx est atteit au poit ( 1 1/3. opt = f (x dx 2 6 Cette feêtre optimale est e gééral iaccessible au statisticie, car la desité f (aisi que sa dérivée est icoue. Cepedat, elle a le mérite de ous idiquer que la feêtre optimale doit être de l ordre de 1/3 lorsque est grad. De plus, e ijectat cette valeur de das l expressio de MISE obteue das le téorème précédet, o obtiet MISE f ( opt = (3/4 2/3( 1 1/3 f (x dx 2 2/3 + O( 1. Ce résultat ous idique les limites de l estimateur par istogramme : pour les desités deux fois différetiables, la meilleure vitesse de covergece qu o puisse espérer atteidre avec u estimateur par istogramme est de 2/3. Cette ue vitesse oorable, mais elle est ettemet mois boe que la vitesse de covergece 1/ qui apparaît typiquemet das des problèmes paramétriques. Ceci est pas très surpreat, car l estimatio de desité est u problème o-paramétrique et, par coséquet, est plus difficile à résoudre qu u problème paramétrique. E revace, o verra par la suite que, sous les mêmes ypotèses que celles cosidérées das ce paragrape, o peut costruire u autre estimateur de la desité f qui coverge à ue meilleure vitesse 4/5. L estimateur qui atteit cette vitesse s appelle estimateur à oyau et o peut démotrer que cette vitesse e peut pas être améliorée sas imposer de ouvelles coditio sur f Coix de la feêtre par validatio croisée Comme o l a déjà fait remarquer, la feêtre idéale opt défiie das le paragrape précédet est iutilisable e pratique car elle fait iterveir la desité icoue f à travers

13 Sectio 2.1 Estimatio par istogrammes 13 l itégrale du carré de sa dérivée. Afi de désiger ue métode de coix de idépedat de f, ous commeços par estimer le risque 1 de l estimateur f e utilisat uiquemet les observatios X 1,..., X. Soit Ĵ(, X 1,..., X u estimateur de MISE f ( f 2 2. Pour que la métode de sélectio de coduise vers des résultats raisoable, o demade de l estimateur Ĵ(, X 1,..., X être sas biais 2, c est-à-dire E f [Ĵ(, X 1,..., X ] = MISE f ( f 2 2. Ue fois que ous avos à otre dispositio cet estimateur Ĵ, o détermie la valeur de e miimisat Ĵ(, X 1,..., X par rapport à ], [. La valeur de où ce miimum est atteit est sélectioée comme feêtre pour l estimateur par istogramme. Voyos maiteat commet cette métode peut être effectivemet mise e oeuvre. Pour toute desité f et pour tout istogramme ˆf, soit J f ( = MISE f ( f 2 2 = m p 2 j, (2.3 e vertu du Lemme 2.1. appelos que p j représete la proportio téorique des observatios qui se situet das la classe C j, pour tout j = 1,..., m. Il découle de cette rélatio que pour désiger u estimateur sas biais de J f (, il suffit de désiger u estimateur sas biais de p 2 j, pour tout j = 1,..., m. Ue approce aïve cosisterait à estimer p2 j par ˆp 2 j, où ˆp j = 1 1l Cj (X i est la proportio empirique des observatios se situat das C j. Comme ˆp j suit la loi biômiale de paramètres (, p j, o a Var f [ ˆp j ] = p j (1 p j / et, par coséquet, E f [ ˆp 2 j ] = Var f [ ˆp j ] + (E f [ ˆp j ] 2 = p 2 j ( p j. (2.4 Cette égalité ous motre d ue part que l idée aïve d estimer p 2 j par ˆp 2 j e coduit pas vers u estimateur sas biais. Mais, d autre part, ce petit calcul que ous veos d effectuer prépare le terrai pour détermier l estimateur utilisé par la métode de validatio croisée. E effet, comme ˆp j est u estimateur sas biais de p j, il résulte de (2.4 que ˆp 2 j ˆp j/ est u estimateur sas biais de p 2 j (1 1/. Par coséquet, pour tout j = 1,..., m, p 2 j = ˆp2 j ˆp j/ 1 1/ = 1 ˆp2 j 1 1 ˆp j est u estimateur sas biais de p 2 j. E ijectat cet estimateur das le membre droit de l égalité (2.3 et e utilisat le fait que m ˆp j = 1, ous obteos le résultat suivat. 1. E pratique, il est préférable d estimer o pas le risque MISE f ( de f, mais la différece etre le risque de f et celui de l estimateur trivial f triv. 2. Idéalemet, il faudrait égalemet pouvoir cotrôler la variace de Ĵ(, X 1,..., X, mais cet aspect e sera pas évoqué das le cadre de ce cours.

14 14 Modèle de desité Capitre 2 Propositio 2.1. Si f est ue desité de carré itégrable et si ˆf est l istogramme à m = 1/ classes basé sur l écatillo X 1,..., X ayat f pour desité de probabilité, alors Ĵ(, X 1,..., X = est u estimateur sas biais de MISE f ( f ( m ( 1 ˆp 2 j Nous pouvos à préset éocer la métode de validatio croisée. Nous allos le faire das le cadre gééral, sas supposer que les observatios sot icluses das [, 1]. Das ce cas, o peut poser a = mi i X i et b = max i X i et pour tout m N coisir la feêtre = (b a/m. O défiit alors les classes C j = [a + (j 1; a + j[ pour j = 1,..., m 1 et C m = [b ; b]. Algoritm de validatio croisée pour coisir la feêtre d u istogramme. Etrée : X 1,..., X ; Sortie : ĥcv ; Défiir a mi i X i ; b max i X i ; Iitialiser m 1 ; m CV 1 ; J CV 1 ; Tat que (m < effectuer : Fi Tat que Poser J Si (J < J CV alors m CV m ; J CV J ; FiSi m m + 1 ; ĥ CV (b a/m CV ; 2m ( + 1m 1 1 m ( 1 1l Cj (X i 2 ; Ue fois la feêtre ĥcv détermiée, ous pouvos calculer et tracer la courbe de l istogramme ayat comme feêtre ĥcv. 2.2 Estimateur à oyau L estimatio de la desité par istogrammes est ue métode aturelle très répedue car elle est facilemet implémetable. Cepedat, l estimateur de desité fourit par u istogramme e peut pas être adapté à la situatio assez courat où ous disposos d ue

15 Sectio 2.2 Estimateur à oyau 15 iformatio à priori sur la régularité de la desité à estimer. Plus précisémet, si l o sait par avace que la desité de l écatillo observé est, par exemple, deux fois cotiûmet différetiable, o aurait aturellemet evie d estimer cette desité par ue foctio qui, elle aussi, est deux fois cotiûmet différetiable. Or, les istogrammes sot des foctios qui e sot même pas cotiues. Il est aturel alors de vouloir lisser les istogrammes. O s atted alors à ce que le résultat du lissage améliore o seulemet l aspect visuel de l estimateur, mais produise de plus u estimateur plus proce de la vraie desité que l estimateur par istogramme Défiitio et propriétés élémetaires Soit x et >. Si l o suppose que x est le cetre d ue classe de l istogramme et que est la logueur des classes, l estimateur de f (x par istogramme peut s écrire comme f H (x = 1 1l( X i x /2 = 1 ( Xi x 1l 1. 2 Ue faço de gééraliser les istogramme cosiste à utiliser la formule ci-dessus pour tout x et pas seulemet pour les cetres des classes. Cette gééralisatio est certe utile, car elle coduit vers u estimateur qui est costat par morceaux comme les istogrammes, mais a l avatage d avoir des plateaux de logueurs variables. Cepedat, cela e ous coduit pas vers u estimateur cotiu. O remarque aisémet que la discotiuité de l estimateur défii ci-dessus est ue coséquece de la discotiuité de la foctio idicatrice. Par coséquet, e remplaçat 1l( z 1 2 par ue foctio K quelcoque, o obtiet l estimateur f K(x = 1 ( Xi x K qui est cotiu et même l-fois cotiûmet différetiable du momet où la foctio K l est. O arrive aisi à la défiitio suivate. Défiitio 2.1. Soit K : ue foctio quelcoque et soit u réel positif. O appelle estimateur à oyau la foctio f K(x = 1 K ( Xi x O dit alors que K est le oyau de cet estimateur et est la feêtre.. (2.5 Selo cette défiitio, toute foctio K peut servir comme oyau d estimatio d ue desité f. Les oyaux les plus courammet utilisés e pratique sot le oyau rectagulaire : K(u = 1 2 1l [ 1,1](u, le oyau triagulaire : K(u = (1 u 1l [ 1,1] (u,

16 16 Modèle de desité Capitre 2 le oyau d Epaecikov : K(u = 3 4 (1 u2 1l [ 1,1] (u, le oyau gaussie : K(u = 1 2π e u2 /2. Les courbes de ces oyaux sot présetées ci-dessous : Lemme 2.2. Si K est positive et K(u du = 1, alors f K ( est ue desité de probabilité. De plus, est cotiue si K est cotiue. f K Démostratio. L estimateur à oyau est positive et cotiue car la somme des foctios positives et cotiues est elle-même ue foctio positive et cotiue. Il faut doc vérifier que l itégrale de f K ( vaut u. E effet, f K (x dx = = 1 = 1 1 ( Xi x K ( Xi x K dx dx K(u du = 1. (u = (X i x/ O voit doc que, tout comme l estimateur par istogramme, l estimateur à oyau est ue desité de probabilité. Il a de plus l avatage d être cotiu à coditio que K le soit, ce

17 Sectio 2.2 Estimateur à oyau 17 qui était pas le cas pour les istogrammes. Par coséquet, lorsqu o estime ue desité cotiue, il est aturel de s attedre que l estimateur à oyau soit meilleur que l estimateur par istogramme. Le but de la suite de ce capitre est de doer des résultats quatitatives caractérisat le gai obteu par l utilisatio de f K par rapport à f H Etude du biais et de la variace Lorsqu o défiit u estimateur à oyau, o a o-seulemet le coix de la feêtre > mais aussi celui du oyau K. Il y a u certai ombre de coditios qui sot cosidérées comme usuelles pour les oyaux et qui permettet d aalyser le risque de l estimateur à oyau qui e résulte. HYPOTHÈSE K : O suppose que K vérifie les 4 coditios suivates : 1. K(u du = 1, 2. K est ue foctio paire ou, plus gééralemet, u K(u du =, 3. u2 K(u du <, 4. K(u2 du <. Propositio 2.2. Si les trois premières coditios de l ypotèse K sot remplies et f est ue desité borée dot la dérivée secode est borée, alors Biais ( K f (x C 1 2, où C 1 = 1 2 sup z f (z u2 K(u du. Si, de plus, la coditio 4 de l ypotèse K est satisfaite, alors avec C 2 = sup z f (z K(u2 du. Var ( f K (x C 2 Démostratio. Commeços par calculer le biais : E f [ f K(x] = 1 ( Xi x ] E f [K = 1 ( y x K f (y dy = 1 ( y x K f (y dy (y = x + u, dy = du = K(u f (x + u du. E effectuat u dévelopemet limité à l ordre 2, il viet E f [ f K(x] = K(u f (x + u du = K(u [ f (x + (u f (x + (u2 f (ξ u ] du (ξ u [x, x + u] 2 = f (x K(u du + f (x uk(u du + 2 u 2 K(u f (ξ u du. } {{ } } {{ } 2 =1 =

18 18 Modèle de desité Capitre 2 Il e résulte que ( Biais f K (x = E f [ f K(x] f (x 2 u 2 K(u f (ξ u du 2 2 u 2 K(u f (ξ u du 2 2 max x f (x u 2 K(u du 2 } {{ } d où la première assertio de la propositio. Pour prouver la secode assertio, o utilise le faite que les variables aléatoires Y i = K ( (X i x/, i = 1,..., sot i.i.d. et que la variace de la somme de variables idépedates coïcide avec la somme des variaces : Var f [ f K(x] = 1 [ ( ( 2 Var Xi x ] f K = 1 ( Xi x ] ( 2 Var f [K = 1 [ ( ( 2 Var X1 x ] f K 1 [ ( 2 E X1 x 2 ] f K = 1 ( y x 2 2 K f (y dy (y = x + u, dy = du = 1 K(u 2 f (x + u du 1 f (z K(u 2 du. z } {{ } C 2 C est exactemet ce qu il fallait démotrer. C Quelques remarques Les évaluatios du biais et de la variace que l o viet de démotrer ot u certai ombre de coséqueces résumées ci-dessous. Vitesse de covergece : O déduit de la Propositio 2.2 que le risque MSE de ˆf K (x admet la majoratio suivate : MSE ( ˆf K (x C C 2. O vérifie aisémet que la valeur de la feêtre qui miimise le majorat du MSE est opt = (C 2 /4C 2 1 1/5 1/5. E ijectat cette valeur das l expressio du MSE o obtiet : MSE ( ˆf K opt (x Cost 4/5.

19 Sectio 2.2 Estimateur à oyau 19 Cela motre que la vitesse de covergece de l estimateur à oyau est de 4/5. Elle est doc meilleure que la vitesse 2/3 obteue pour les istogrammes. Par coséquet, les estimateurs à oyau sot préférables aux istogrammes lorsqu il s agit d estimer ue desité deux fois cotiûmet différetiable. Optimalité de la vitesse : O peut démotrer qu il est impossible d estimer f à ue vitesse meilleure que 4/5 sas imposer des ypotèses supplémetaires (de régularité ou de structure sur la desité icoue f. Sur-lissage et sous-lissage : Lorsque la feêtre est très petit, le biais de l estimateur à oyau est très petit face à sa variace et c est cette derière qui détermie la vitesse de covergece du risque quadratique. Das ce type de situatio, l estimateur est très volatile et o parle de sous-lissage (uder-smootig, e aglais. E revace, lorsque gradit, la variace deviet petite et c est le biais qui deviet domiat. L estimateur est alors très peu variable et est de mois à mois ifluecé par les doées. O parle alors d u effet de sur-lissage (over-smootig e aglais. E pratique, il est primordial de trouver la boe dose de lissage qui permet d éviter le sous-lissage et le sur-lissage. Décriptage de la vitesse de covergece : O peut se demader d où vieet le 4 et lle 5 das la vitesse de covergece 4/5 présetée ci-dessus. E fait, si l o estime ue desité o pas uivariée, mais d-variée 3, et l o suppose que f est k fois cotiûmet différetiable, alors la vitesse de covergece optimale est de 2k /(2k + d. Das le cas où d = 1 et k = 2, o retrouve la vitesse 4/5. Comparaiso avec le cadre paramétrique : Das la téorie statistique paramétrique classique, la vitesse de covergece usuelle pour le risque quadratique est de 1, où est le ombre d observatios. O voit que la vitesse 4/5 obteue pour l estimateur à oyau est meilleure que 2/3 obteu pour l estimateur par istogramme mais reste quad-même iférieure à la vitesse paramétrique. Ceci est tout à fait aturelle et traduit la complexité de l estimatio o-paramétrique comparée à l estimatio paramétrique. O peut remarquer égalemet que lorsque la régularité de la desité ted vers l ifiie (β, la vitesse de covergece se rapproce de plus e plus de la vitesse paramétrique. Exercice 2.2. Soit β >, L > et soit 4 k = β. O suppose que la desité f appartiet à la classe de Hölder H (β, L défiie par : f H (β, L f C k et f (k (y f (k (x L x y β k, x, y. 1. Motrer que si le oyau K vérifie les coditios K et uj K(u =, j = 1,..., k, et u β K(u du < alors il existe des costates C 1 et C 2 telles que MSE f [ ˆf K (x] C 1 2β + C E déduire la valeur opt de la feêtre qui miimise le majorat du risque. Quelle est la vitesse de covergece du risque associé à cette feêtre optimale? 3. Motrer que si le oyau K vérifie les coditios ci-dessus et si β > 2, alors l estimateur ˆf K est pas ue desité de probabilité. 3. c est-à-dire f : d 4. β désige le placer de β, c est-à-dire le plus grad ombre etier strictemet plus petit que β

20 2 Modèle de desité Capitre Validatio croisée Pour désiger ue métode automatique pour le coix de la feêtre, o utilise souvet la métode de la validatio croisée. Il s agit de proposer das u premier temps (pour u fixé u estimateur Ĵ( sas biais de la quatité J( = MISE( ˆf K f 2 2 et, das u deuxième temps, de miimiser cet estimateur Ĵ( sur u esemble fii de cadidats pour. Propositio 2.3. La statistique Ĵ( = ˆf K 2 2 est u estimateur sas biais de J(. 2 ( 1,j =i ( Xi X j K Démostratio. D ue part, comme la desité joite du couple (X i, X j est f (x f (y, o a E f [Ĵ(] = E f [ ˆf K ( ] 2 Xi X j 2 2] ( 1 E f [K,j =i = E f [ ˆf K ( 2 x y 2 2] ( 1 K f (x f (y dxdy,j =i 2 = E f [ ˆf ( K 2 x y 2 2] ( 1 ( 1 K f (x f (y dxdy 2 = E f [ ˆf K 2 2] 2 ( x y f (x f (y dxdy. D autre part, 2 K J( = MISE( ˆf K f 2 2 = E f [ ˆf K f 2 2] f 2 2 = E f [ ˆf K ˆf ] K, f + f 2 2 f 2 2 [ = E f K ˆf 2 ] [ ] 2 2E f ˆf K(x f (x dx [ = E f K ˆf 2 ] [ 2 2 E f ˆf K (x ] f (x dx. [ Or, o a vu déjà (voir la démostratio de la Prop. 2.2 que E f ˆf K (x ] = 1 Par coséquet, [ J( = E f K ˆf 2 ] [ 2 2 E f ˆf K (x ] f (x dx [ = E f K ˆf 2 ] 1 ( y x 2 2 K f (y dy f (x dx [ = E f K ˆf 2 ] 2 ( y x 2 K f (y f (x dy dx = E f [Ĵ(], ce qui équivaut à dire que Ĵ( est u estimateur sas biais de J(. K( y x f (y dy. E utilisat cet estimateur Ĵ(, o défiit l algoritm de validatio croisée (cross validatio, e aglais de la même maière que pour les estimateurs par istogramme.

21 Sectio 2.3 Exercices Exercices

22

23 3 Modèle de régressio 3.1 Défiitios 3.2 égressogrammes 3.3 Moyee Locale 3.4 Estimateur à Noyau 3.5 Estimateur par Polyômes Locaux Défiitio et Propriétés de bases Etude du Biais et de la Variace Vitesse de covergece 3.6 Lissage Liéaire et Validatio Croisée 3.7 Estimatio de la Variace 3.8 Exemple 3.9 Exercices

Limites des Suites numériques

Limites des Suites numériques Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet

Plus en détail

1 Mesure et intégrale

1 Mesure et intégrale 1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios

Plus en détail

Apprentissage: cours 3a Méthodes par moyennage local

Apprentissage: cours 3a Méthodes par moyennage local Appretissage: cours 3a Méthodes par moyeage local Guillaume Oboziski 1 er mars 2012 Réferece : chap. 6 of [Hastie et al., 2009] ad chap. 6 of [Devroye et al., 1996]. Algorithmes par moyeage local O cosidère

Plus en détail

Chapitre 3 : Fonctions d une variable réelle (1)

Chapitre 3 : Fonctions d une variable réelle (1) Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s

Plus en détail

Loi binomiale. Niveau : Première S + SUP (Convergence) Prérequis : Variable aléatoire, espérance, variance, théorème limite central, loi de Poisson

Loi binomiale. Niveau : Première S + SUP (Convergence) Prérequis : Variable aléatoire, espérance, variance, théorème limite central, loi de Poisson 4 L E Ç O N Loi biomiale Niveau : Première S + SUP (Covergece) Prérequis : Variable aléatoire, espérace, variace, théorème limite cetral, loi de Poisso 1 Loi de Beroulli Défiitio 41 Loi de Beroulli Soit

Plus en détail

. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1

. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1 Premières propriétés des ombres réels 2 Suites umériques 3 Suites mootoes : à faire 4 Séries umériques 4. Notio de série. Défiitio 4.. Soit (u ) ue suite de ombres réels ou complexes. Pour N N, o ote S

Plus en détail

x +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.

x +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3. EXERCICE 3 (6 poits ) (Commu à tous les cadidats) Il est possible de traiter la partie C sas avoir traité la partie B Partie A O désige par f la foctio défiie sur l itervalle [, + [ par Détermier la limite

Plus en détail

Etude de la fonction ζ de Riemann

Etude de la fonction ζ de Riemann Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.

Plus en détail

Inégalités souvent rencontrées

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

Plus en détail

STATISTIQUE : TESTS D HYPOTHESES

STATISTIQUE : TESTS D HYPOTHESES STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie

Plus en détail

Séries réelles ou complexes

Séries réelles ou complexes 6 Séries réelles ou complexes Comme pour le chapitre 3, les suites cosidérées sot a priori complexes et les résultats classiques sur les foctios cotiues ou dérivables d ue variable réelle sot supposés

Plus en détail

Comportement d'une suite

Comportement d'une suite Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer

Plus en détail

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé : Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +

Plus en détail

4 Approximation des fonctions

4 Approximation des fonctions 4 Approximatio des foctios Ue foctio f arbitraire défiie sur u itervalle I et à valeur das IR peut être représetée par so graphe, ou de maière équivalete par la doée de l esemble de ses valeurs f(t) pour

Plus en détail

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1)

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1) Corrigé ESSEC III 008 par Pierre Veuillez Das certaies situatios paris sportifs, ivestissemets fiaciers..., o est ameé à miser de l arget de faço répétée sur des paris à espérace favorable. O se propose

Plus en détail

14 Chapitre 14. Théorème du point fixe

14 Chapitre 14. Théorème du point fixe Chapitre 14 Chapitre 14. Théorème du poit fixe Si l o examie de plus près les méthodes de Lagrage et de Newto, étudiées au chapitre précédet, elles revieet das leur pricipe à remplacer la résolutio de

Plus en détail

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =

[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n = [http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.

Plus en détail

SÉRIES STATISTIQUES À DEUX VARIABLES

SÉRIES STATISTIQUES À DEUX VARIABLES 1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1

Plus en détail

Convergences 2/2 - le théorème du point fixe - Page 1 sur 9

Convergences 2/2 - le théorème du point fixe - Page 1 sur 9 Au sommaire : Suites extraites Le théorème de Bolzao-Weierstrass La preuve du théorème de Bolzao-Weierstrass3 Foctio K-cotractate4 Le théorème du poit fixe5 La preuve du théorème du poit fixe6 Utilisatios

Plus en détail

CHAPITRE 2 SÉRIES ENTIÈRES

CHAPITRE 2 SÉRIES ENTIÈRES CHAPITRE 2 SÉRIES ENTIÈRES 2. Séries etières Défiitio 2.. O appelle série etière toute série de foctios ( ) f dot le terme gééral est de la forme f ()=a, où (a ) désige ue suite réelle ou complee et R.

Plus en détail

Les Nombres Parfaits.

Les Nombres Parfaits. Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie

Plus en détail

Processus et martingales en temps continu

Processus et martingales en temps continu Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de

Plus en détail

Processus géométrique généralisé et applications en fiabilité

Processus géométrique généralisé et applications en fiabilité Processus géométrique gééralisé et applicatios e fiabilité Lauret Bordes 1 & Sophie Mercier 2 1,2 Uiversité de Pau et des Pays de l Adour Laboratoire de Mathématiques et de leurs Applicatios - Pau UMR

Plus en détail

Exercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1

Exercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1 Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a

Plus en détail

20. Algorithmique & Mathématiques

20. Algorithmique & Mathématiques L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus

Plus en détail

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

Université 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 détail

Exo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X

Exo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X Exo7 Détermiats Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable T : pour

Plus en détail

Statistique Numérique et Analyse des Données

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

Plus en détail

Suites et séries de fonctions

Suites et séries de fonctions [http://mp.cpgedupuydelome.fr] édité le 3 avril 5 Eocés Suites et séries de foctios Propriétés de la limite d ue suite de foctios Eercice [ 868 ] [correctio] Etablir que la limite simple d ue suite de

Plus en détail

LES PROBABILITÉS POUR LES OPTIONS B, C ET D

LES PROBABILITÉS POUR LES OPTIONS B, C ET D LES PROBABILITÉS POUR LES OPTIONS B, C ET D PRÉPARATION À L AGRÉGATION EXTERNE DE MATHÉMATIQUES DE L UNIVERSITÉ RENNES 1 1 ANNÉE 2009/2010 1. ESPACE PROBABILISÉ - VARIABLE ALÉATOIRE 1.1 ESPACE PROBABILISÉ

Plus en détail

Cours 5 : ESTIMATION PONCTUELLE

Cours 5 : ESTIMATION PONCTUELLE Cours 5 : ESTIMATION PONCTUELLE A- Gééralités B- Précisio d u estimateur C- Exhaustivité D- iformatio E-estimateur sas biais de variace miimale, estimateur efficace F- Quelques méthode s d estimatio A-

Plus en détail

Séquence 5. La fonction logarithme népérien. Sommaire

Séquence 5. La fonction logarithme népérien. Sommaire Séquece 5 La foctio logarithme épérie Objectifs de la séquece Itroduire ue ouvelle foctio : la foctio logarithme épérie. Coaître les propriétés de cette foctio : sa dérivée, ses variatios, sa courbe, sa

Plus en détail

Statistique descriptive bidimensionnelle

Statistique descriptive bidimensionnelle 1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets

Plus en détail

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue

Plus en détail

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009 M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted

Plus en détail

LES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil.

LES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil. Qu appelle-t-o éclipse? Éclipser sigifie «cacher». Vus depuis la Terre, deu corps célestes peuvet être éclipsés : la Lue et le Soleil. LES ÉCLIPSES Pour qu il ait éclipse, les cetres de la Terre, de la

Plus en détail

EXERCICES : DÉNOMBREMENT

EXERCICES : DÉNOMBREMENT Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable Exo7 Topologie Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Exercice **

Plus en détail

Principes et Méthodes Statistiques

Principes et Méthodes Statistiques Esimag - 2ème aée 0 1 2 3 4 5 6 7 0 5 10 15 x y Pricipes et Méthodes Statistiques Notes de cours Olivier Gaudoi 2 Table des matières 1 Itroductio 7 1.1 Défiitio et domaies d applicatio de la statistique............

Plus en détail

Cours de Statistiques inférentielles

Cours de Statistiques inférentielles Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios

Plus en détail

Dénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions

Dénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions Déombremet ECE3 Lycée Carot 12 ovembre 2010 Itroductio La combiatoire, sciece du déombremet, sert comme so om l'idique à compter. Il e s'agit bie etedu pas de reveir au stade du CP et d'appredre à compter

Plus en détail

Maîtrise de Mathématiques TER Le bandit manchot à deux bras

Maîtrise de Mathématiques TER Le bandit manchot à deux bras Maîtrise de Mathématiques TER Le badit machot à deux bras Deis Cousieau Sous la directio de Jea-Michel Loubes Septembre 2003 Table des matières 1 Présetatio du problème 2 1.1 Exemple de la machie à sous,

Plus en détail

TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 )

TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) RAIRO Operatios Research RAIRO Oper. Res. 34 (2000) 99-129 TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) Commuiqué par Berard LEMAIRE Résumé. L étude

Plus en détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable Eo7 Séries etières Eercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Eercice

Plus en détail

2 ième partie : MATHÉMATIQUES FINANCIÈRES

2 ième partie : MATHÉMATIQUES FINANCIÈRES 2 ième partie : MATHÉMATIQUES FINANCIÈRES 1. Défiitios L'itérêt est l'idemité que doe au propriétaire d'ue somme d'arget celui qui e a joui pedat u certai temps. Divers élémets itervieet das le calcul

Plus en détail

Deuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES

Deuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES DEUXIEME PARTIE Deuième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES Chapitre. L assurace de capital différé Chapitre 2. Les opératios de retes Chapitre 3. Les assuraces décès Chapitre 4. Les assuraces

Plus en détail

UNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4

UNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4 UNVERSTE MONTESQUEU BORDEAUX V Licece 3 ère aée Ecoomie - Gestio Aée uiversitaire 2006-2007 Semestre 2 Prévisios Fiacières Travaux Dirigés - Séaces 4 «Les Critères Complémetaires des Choix d vestissemet»

Plus en détail

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation 1 / 9 Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Le cycle d exploitatio des etreprises (achats stockage productio stockage vetes) peut etraîer des décalages de trésorerie plus

Plus en détail

55 - EXEMPLES D UTILISATION DU TABLEUR.

55 - EXEMPLES D UTILISATION DU TABLEUR. 55 - EXEMPLES D UTILISATION DU TABLEUR. CHANTAL MENINI 1. U pla possible Les exemples qui vot suivre sot des pistes possibles et e aucu cas ue présetatio exhaustive. De même je ai pas fait ue étude systématique

Plus en détail

PROMENADE ALÉATOIRE : Chaînes de Markov et martingales

PROMENADE ALÉATOIRE : Chaînes de Markov et martingales PROMENADE ALÉATOIRE : Chaîes de Markov et martigales Thierry Bodieau École Polytechique Paris Départemet de Mathématiques Appliquées thierry.bodieau@polytechique.edu Novembre 2013 2 Table des matières

Plus en détail

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Les etreprises ot souvet besoi de moyes de fiacemet à court terme : elles ot alors recours aux crédits bacaires (découverts bacaires

Plus en détail

Approximation de la solution d une équation différentielle ordinaire avec impulsions qui dépendent de l état

Approximation de la solution d une équation différentielle ordinaire avec impulsions qui dépendent de l état Approximatio de la solutio d ue équatio différetielle ordiaire avec impulsios qui dépedet de l état F. Dubeau A. Ouasafi A. Sakat CRM-276 Jauary 21 Départemet de mathématiques et d iformatique, Uiversité

Plus en détail

Chapitre 13. Statistiques et probabilités. Sommaire

Chapitre 13. Statistiques et probabilités. Sommaire 13 Chapitre Chapitre 13 Statistiques et probabilités Les statistiques et les probabilités occupet ue place importate das l eseigemet de certaies classes préparatoires Les pricipales foctios écessaires

Plus en détail

Polynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.

Polynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes. Polyésie Septembre 2 - Exercice O peut traiter la questio 4 sas avoir traité les questios précédetes Pour u achat immobilier, lorsqu ue persoe emprute ue somme de 50 000 euros, remboursable par mesualités

Plus en détail

Chap. 5 : Les intérêts (Les calculs financiers)

Chap. 5 : Les intérêts (Les calculs financiers) Chap. 5 : Les itérêts (Les calculs fiaciers) Das u cotrat de prêt, le prêteur met à la dispositio de l empruteur, à u taux d itérêt doé, ue somme d arget (le capital) qu il devra rembourser à ue certaie

Plus en détail

Chapitre 3 : Transistor bipolaire à jonction

Chapitre 3 : Transistor bipolaire à jonction Chapitre 3 : Trasistor bipolaire à joctio ELEN075 : Electroique Aalogique ELEN075 : Electroique Aalogique / Trasistor bipolaire U aperçu du chapitre 1. Itroductio 2. Trasistor p e mode actif ormal 3. Courats

Plus en détail

Exercices de mathématiques

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

Plus en détail

Statistiques appliquées à la gestion Cours d analyse de donnés Master 1

Statistiques appliquées à la gestion Cours d analyse de donnés Master 1 Aalyse des doées Statistiques appliquées à la gestio Cours d aalyse de doés Master F. SEYTE : Maître de coféreces HDR e scieces écoomiques Uiversité de Motpellier I M. TERRAZA : Professeur de scieces écoomiques

Plus en détail

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices Chapitre 1 Déombremet 1.1 Eocés des exercices Exercice 1 L acie système d immatriculatio fraçais était le suivat : chaque plaque avait 4 chiffres, suivis de 2 lettres, puis des 2 uméros du départemet.

Plus en détail

Probabilités et statistique pour le CAPES

Probabilités et statistique pour le CAPES Probabilités et statistique pour le CAPES Béatrice de Tilière Frédérique Petit 2 3 jui 205. Uiversité Pierre et Marie Curie 2. Uiversité Pierre et Marie Curie 2 Table des matières Modélisatio de phéomèes

Plus en détail

UNIVERSITÉ DE SFAX École Supérieure de Commerce

UNIVERSITÉ DE SFAX École Supérieure de Commerce UNIVERSITÉ DE SFAX École Supérieure de Commerce Aée Uiversitaire 2003 / 2004 Auditoire : Troisième Aée Études Supérieures Commerciales & Scieces Comptables DÉCISIONS FINANCIÈRES Note de cours N 3 Première

Plus en détail

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

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

Plus en détail

Baccalauréat S Asie 19 juin 2014 Corrigé

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

Plus en détail

HEC. Gilles Mauffrey. METHODES QUANTITATIVES AVEC EXCEL Programmation linéaire, programmation dynamique, simulation, statistique élémentaire

HEC. Gilles Mauffrey. METHODES QUANTITATIVES AVEC EXCEL Programmation linéaire, programmation dynamique, simulation, statistique élémentaire HEC Gilles Mauffrey METHODES QUANTITATIVES AVEC EXCEL Programmatio liéaire, programmatio dyamique, simulatio, statistique élémetaire La Modélisatio LA MODELISATION Modèle et typologie des modèles. La otio

Plus en détail

Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.

Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2. Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES PLAN DU CHAPITRE 2 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.1 Pla de sodage 2.2.2 Probabilités d iclusio 2.3 SONDAGE

Plus en détail

Intérêt simple CHAPITRE. Sommaire

Intérêt simple CHAPITRE. Sommaire HAPTRE térêt simple Sommaire A B D E F G H J K L Notio d itérêt Formule fodametale de l itérêt simple Durée de placemet exprimée e mois Durée de placemet exprimée e jours alculs sur la formule fodametale

Plus en détail

Groupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3

Groupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3 1 Groupe orthogoal d'u espace vectoriel euclidie de dimesio, de dimesio Voir le chapitre 19 pour l'étude des espaces euclidies et des isométries. État doé u espace euclidie E de dimesio 1, o rappelle que

Plus en détail

Probabilité 1 - L1 MMIA

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

Plus en détail

Université Victor Segalen Bordeaux 2 Institut de Santé Publique, d Épidémiologie et de Développement (ISPED) Campus Numérique SEME

Université Victor Segalen Bordeaux 2 Institut de Santé Publique, d Épidémiologie et de Développement (ISPED) Campus Numérique SEME Uiversité Victor Segale Bordeaux Istitut de Saté Publique, d Épidémiologie et de Développemet (ISPED) Campus Numérique SEME MODULE Pricipaux outils e statistique Versio du 8 août 008 Écrit par : Relu par

Plus en détail

c. Calcul pour une évolution d une proportion entre deux années non consécutives

c. Calcul pour une évolution d une proportion entre deux années non consécutives Calcul des itervalles de cofiace our les EPCV 996-004 - Cas d u ourcetage ou d ue évolutio e oit das la oulatio totale des méages - Cas d u ourcetage ou d ue évolutio das ue sous oulatio das les méages

Plus en détail

Des résultats d irrationalité pour deux fonctions particulières

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

Plus en détail

UV SQ 20. Automne 2006. Responsable d Rémy Garandel ( m.-el. remy.garandel@utbm.fr ) page 1

UV SQ 20. Automne 2006. Responsable d Rémy Garandel ( m.-el. remy.garandel@utbm.fr ) page 1 UV SQ 0 Probabilités Statistiques UV SQ 0 Autome 006 Resposable d Rémy Garadel ( m.-el. remy.garadel@utbm.fr ) page SQ-0 Probabilités - Statistiques Bibliographie: Titre Auteur(s) Editios Localisatio Niveau

Plus en détail

Le meilleur scénario pour votre investissement

Le meilleur scénario pour votre investissement ivestir Best Strategy 2012 Le meilleur scéario pour votre ivestissemet U ivestissemet diversifié U coupo uique de 0% à 50% brut* à l échéace Ue courte durée : 4 as et demi Votre capital garati à l échéace

Plus en détail

Bio-Statistique. 1 ère partie. Discipline : Bio-statistique, Bio-mathématique et Sciences de l Information

Bio-Statistique. 1 ère partie. Discipline : Bio-statistique, Bio-mathématique et Sciences de l Information Bio-Statistique 1 ère partie Disciplie : Bio-statistique, Bio-mathématique et Scieces de l Iformatio OBJECTIFS PEDAGOGIQUES Réaliser l importace du problème de la variabilité ihérete au doées médicales,

Plus en détail

Un nouvel opérateur de fusion adaptatif. A new adaptive operator of fusion. 1. introduction

Un 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 détail

Contribution à la théorie des entiers friables

Contribution à la théorie des entiers friables UFR STMIA École Doctorale IAE + M Uiversité Heri Poicaré - Nacy I DFD Mathématiques THÈSE présetée pour l obtetio du titre de Docteur de l Uiversité Heri Poicaré, Nacy-I e Mathématiques par Bruo MARTIN

Plus en détail

Chaînes de Markov. Arthur Charpentier

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

Plus en détail

Réseaux d ondelettes et réseaux de neurones pour la modélisation statique et dynamique de processus

Réseaux d ondelettes et réseaux de neurones pour la modélisation statique et dynamique de processus Réseaux d odelettes et réseaux de euroes pour la modélisatio statique et dyamique de processus Yacie Oussar To cite this versio: Yacie Oussar. Réseaux d odelettes et réseaux de euroes pour la modélisatio

Plus en détail

P : Dénombrements / Probabilités en univers fini

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

Plus en détail

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

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

Plus en détail

Comment utiliser ce que vous POSSÉDEZ pour réduire ce que vous DEVEZ

Comment utiliser ce que vous POSSÉDEZ pour réduire ce que vous DEVEZ Commet utiliser ce que vous POSSÉDEZ pour réduire ce que vous DEVEZ Survol du compte Mauvie U La majorité des Caadies gèret leurs fiaces comme suit : 1. Ils déposet leur reveu et autres actifs à court

Plus en détail

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

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

Plus en détail

Régulation analogique industrielle ESTF- G.Thermique

Régulation 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 détail

Introduction : Mesures et espaces de probabilités

Introduction : Mesures et espaces de probabilités Itroductio : Mesures et espaces de probabilités Référeces : Poly cédric Berardi et Jea Michel Morel. J.-F. Le Gall, Itégratio, Probabilités et Processus Aléatoire J.-Y. Ouvrard, Probabilités 2, maîtrise-agrégatio,

Plus en détail

Examen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot

Examen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot Exame fial pour Coseiller fiacier / coseillère fiacière avec brevet fédéral Recueil de formules Auteur: Iwa Brot Ce recueil de formules sera mis à dispositio des cadidats, si écessaire. Etat au 1er mars

Plus en détail

POLITIQUE ECONOMIQUE ET DEVELOPPEMENT

POLITIQUE 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 détail

capital 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...

capital 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 détail

La France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe

La France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe 1/5 Trois objectifs poursuivis par le gouveremet : > améliorer la compétitivité fiscale de la Frace > péreiser les activités de R&D > faire de la Frace u territoire attractif pour l iovatio Les icitatios

Plus en détail

Examen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot

Examen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot Exame fial pour Coseiller fiacier / coseillère fiacière avec brevet fédéral Recueil de formules Auteur: Iwa Brot Ce recueil de formules est à dispositio olie et sera doé aux cadidats lors des exames oraux

Plus en détail

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

Tempêtes : Etude des dépendances entre les branches Automobile et Incendie à l aide de la théorie des copulas Topic 1 Risk evaluation Tempêtes : Etude des dépedaces etre les braches Automobile et Icedie à l aide de la théorie des copulas Topic Risk evaluatio Belguise Olivier Charles Levi ACM Guy Carpeter 34 rue du Wacke 47/53 rue Raspail

Plus en détail

Gérer les applications

Gérer les applications Gérer les applicatios E parcourat les rayos du Widows Phoe Store, vous serez e mesure de compléter les services de base de votre smartphoe à travers plus de 10 000 applicatios. Gratuites ou payates, ces

Plus en détail

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

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

Plus en détail

La tarification hospitalière : de l enveloppe globale à la concurrence par comparaison

La tarification hospitalière : de l enveloppe globale à la concurrence par comparaison ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 58 2000 La tarificatio hospitalière : de l eveloppe globale à la cocurrece par comparaiso Michel MOUGEOT * RÉSUMÉ. Cet article cosidère différetes politiques de

Plus en détail

Cours : Le choix des investissements grâce à l actualisation : La VAN (Valeur Actualisée Nette) et le TIR (Taux Interne de Rendement)

Cours : Le choix des investissements grâce à l actualisation : La VAN (Valeur Actualisée Nette) et le TIR (Taux Interne de Rendement) Cours : Le choix des ivestissemets grâce à l actualisatio : La VAN (Valeur Actualisée Nette) et le TIR (Taux Itere de Redemet) 1 La VAN, la Valeur Actualisée (ou Actuelle) Nette e aveir certai 11 La comparaiso

Plus en détail

3.1 Différences entre ESX 3.5 et ESXi 3.5 au niveau du réseau. Solution Cette section récapitule les différences entre les deux versions.

3.1 Différences entre ESX 3.5 et ESXi 3.5 au niveau du réseau. Solution Cette section récapitule les différences entre les deux versions. 3 Réseau Le réseau costitue u aspect essetiel d u eviroemet virtuel ESX. Il est doc importat de compredre la techologie, y compris ses différets composats et leur coopératio. Das ce chapitre, ous étudios

Plus en détail

Les algorithmes de tri

Les algorithmes de tri CONSERVATOIRE NATIONAL DES ARTS ET METIERS PARIS MEMOIRE POUR L'EXAMEN PROBATOIRE e INFORMATIQUE par Nicolas HERVE Les algorithmes de tri Souteu le mai JURY PRESIDENTE : Mme COSTA Sommaire Itroductio....

Plus en détail

Sommes de signaux : Décomposition de Fourier Spectre ondes stationnaires et résonance

Sommes de signaux : Décomposition de Fourier Spectre ondes stationnaires et résonance Sommes de sigaux : Décompositio de Fourier Spectre odes statioaires et résoace Das le cours précédet, o a étudié la propagatio des odes moochromatiques mais celles-ci e peuvet pas porter d iformatio ;

Plus en détail

Module 3 : Inversion de matrices

Module 3 : Inversion de matrices Math Stat Module : Iversio de matrices M Module : Iversio de matrices Uité. Défiitio O e défiira l iverse d ue matrice que si est carrée. O appelle iverse de la matrice carrée toute matrice B telle que

Plus en détail

Etude Spéciale SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT?

Etude Spéciale SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT? Etude Spéciale o. 7 Javier 2003 SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT? MARK SCHNEIDER Le CGAP vous ivite à lui faire part de vos commetaires, de vos rapports et de toute demade d evoid autres

Plus en détail

Mobile Business. Communiquez efficacement avec vos relations commerciales 09/2012

Mobile 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 détail