Analyse de sensibilité dans un contexte. de prévision du prix des métaux

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Analyse de sensibilité dans un contexte. de prévision du prix des métaux"

Transcription

1 UNIVERSITÉ DE MONTRÉAL Analyse de sensblté dans un contexte de prévson du prx des métaux ABBASSI ABBASS MAHAMAT DÉPARTEMENT DE MATHÉMATIQUES APPLIQUÉES ET GÉNIE INDUSTRIEL ÉCOLE POLYTECHNIQUE DE MONTRÉAL MÉMOIRE PRESENTÉ EN VUE DE L OBTENTION DU DIPLÔME DE MAITRISE (SCIENCES APPLIQUÉES) MARS 2011 ABBASSI ABBASS MAHAMAT, 2011.

2 UNIVERSITÉ DE MONTRÉAL ÉCOLE POLYTECHNIQUE DE MONTRÉAL Ce mémore nttulé: Analyse de sensblté comme outl de prévson et applcaton au marché des métaux Présenté par : ABBASS MAHAMAT, Abbass, pour un mémore En vue de l obtenton du dplôme de : Maîtrse en Scences Applquées A été dûment accepté par le jury d examen consttué de : M.LABIB Rchard, Ph.D., présdent M.CLEMENT Bernard, Ph.D., membre et drecteur de recherche M. ADJENGUE Luc, Ph.D., membre et codrecteur de recherche M. Maro Lefebvre, Ph.D., membre

3 DÉDICACE Je déde ce mémore à mes parents pour tous les sacrfces fats pour me permettre d avor l éducaton qu ls n ont jamas eue. Je salue leurs courages pour m avor perms de partr vers des contrées lontanes afn de pouvor élever mon esprt. Je déde également ce mémore aux autres membres de ma famlle qu dans leurs consels et souten j a toujours trouvé un puts pour me ressourcer, pour ces courts moments plens de souvenrs qu m ont perms d être l homme que je sus. A mes ams, camarades des nuts blanches passées à étuder, ls se reconnaîtront, merc pour le souten et d avor à votre manère contrbué en mantenant toujours la barre haute, au dépassement de mes lmtes; que cet esprt de compétton gude le reste de vos jours sur terre et fasse de vous les hommes que vous rêvez d être.

4 v REMERCIEMENTS Je remerce mes drecteurs de recherche, les professeurs Bernard Clément et Luc Adjengue, pour avor cru en mo et m avor donné l opportunté d expérmenter cette facette de l éducaton qu est la recherche. Je remerce également tous ceux qu de près ou de lon m ont orenté dans cette recherche : mes collègues de la compagne Bombarder pour avor perms au novce que j étas d expérmenter mes capactés. Enfn, je remerce de tout mon être l Éternel pour avor été à mes côtés dans tous les moments et m avor gudé et honoré en me rappelant par ces mots smples selon lesquels ceux qu croent en lu ne seront jamas seuls.

5 v RÉSUMÉ Ce mémore explore le concept d analyse de sensblté dans un contexte de prévson. On s ntéresse à un ndce du prx des métaux (codé sous le terme WPU10) publé par le bureau amércan de la statstque du traval ou «Bureau of Labor Statstcs» (BLS). Pour ce fare, on utlse la décomposton de l ndce WPU10 fourne par le BLS pour construre un ndce synthétque réplquant son comportement que, dans une seconde phase nous utlserons pour fare des prévsons à l ade du prncpe de processus de dffuson développé en fnance. On fat ntervenr des notons telles que ceux de processus stochastques, de factorsaton de Cholesky et des technques de smulatons comme celle de Monte Carlo. Enfn, nous comparons le modèle développé en termes de flexblté et de précson dans la prédcton à un modèle plus classque de prédcton de sére temporelle.

6 v ABSTRACT The man subject of ths thess s about the scentfc prncple of senstvty analyss, where we studed the volatlty of a metal prce ndex publshed by the Amercan Bureau of Labor Statstcs (BLS) coded under the term WPU10. Thus we have developed a forecast model of the ndex of nterest based on a Monte Carlo smulaton usng a multvarate random number matrx generated through a Cholesky factorzaton. In addton we have compared the effcency of our forecast model to another model based on the study of tme seres usng auto regresson.

7 v TABLE DES MATIÈRES DÉDICACE... III REMERCIEMENTS... IV RÉSUMÉ... V ABSTRACT... VI TABLE DES MATIÈRES...VII LISTE DES TABLEAUX... X LISTE DES FIGURES...XII LISTE DES SIGLES ET ABRÉVIATIONS... XIII LISTE DES ANNEXES... XIV INTRODUCTION... 1 CHAPITRE 1 REVUE DE LITTÉRATURE Introducton Méthodes de crblage Méthode de crblage smple ou à très grande dmenson La méthode de Morrs Analyse de sensblté locale Analyse de sensblté globale... 7 CHAPITRE 2 MÉTHODES ET INDICES DE L ANALYSE DE SENSIBILITÉ Indces de sensblté Indces de sensblté dans le cas du modèle lnéare Indces de sensblté cas du modèle non lnéare et monotone Indces de sensblté cas du modèle non lnéare et non monotone Méthode d analyse de sensblté : forme ou foncton du modèle nconnue... 21

8 v Planfcaton d expérence Concluson CHAPITRE 3 MODÉLISATION DU MARCHÉ DES MÉTAUX Introducton L ndce et l nsttuton Présentaton du BLS Introducton à la noton du PPI Rappel de quelques notons utlsées dans la modélsaton Les contrats futurs Modèle de dffuson et processus stochastque Décomposton de Cholesky : les nombres aléatores mult varés Le processus de modélsaton Le modèle de prévson Structure du modèle de prévson CHAPITRE 4 ANALYSE DES DONNÉES ET PRÉSENTATION DES RÉSULTATS Décomposton de la varance du WPU Identfcaton des ndcateurs avancés des sous composants du WPU Un exemple d analyse : le cas du WPU ou Carbon steel scrap Tableau récaptulatf des analyses par sous composants du WPU Test de la robustesse de l ndce synthétque : test hstorque Un exemple détallé de prévson : Janver 2010 à Mars Intalsaton : pourvor notre modèle de données et nstructons ntales Génératon des nombres aléatores Statstques des nombres aléatores... 63

9 x Calcul des taux de crossance mensuels selon les dfférents scénaros Prévson des dfférentes commodtés Prévson du WPU Les résultats de la prévson longue Janver 2010 à Jun Prévson du WPU10 selon 5 scénaros Concluson CHAPITRE 5 MODÈLE D ANALYSE DE SÉRIES TEMPORELLES Rappel sur la théore Le modèle Importance de la statonnarté dans ce type de modélsaton Calbrage du modèle auto régressf au cas du WPU Analyse ntale Estmaton du modèle auto régressf Prévson du modèle Auto régressf Calbrage du modèle auto régressf d ordre Test hstorque du modèle Prévson sans changement de régme avec une parte hors échantllon CONCLUSION BIBLIOGRAPHIE ANNEXES... 87

10 x LISTE DES TABLEAUX Tableau 2-1 Composton de l'ndce S&P Tableau 2-2 Valeur hstorque du prx hebdomadare moyen Tableau 2-3 Exemple d'applcaton du SRC Tableau 2-4 Indces de sensblté avec la méthode de Sobol Tableau 2-5 Écart types d'estmaton de la méthode de Sobol Tableau 2-6 Varables de l'expérence Tableau 2-7 Matrce du Plan d expérence Tableau 2-8 Analyse de la varance Tableau 2-9 Sensblté totale applquée à la planfcaton d'expérence Tableau 3-1 Décomposton des PPI Tableau 3-2 Décomposton du WPU Tableau 3-3 Données du WPU03THRU15 selon le BLS Tableau 3-4 Données du WPU10 selon le BLS Tableau 3-5 Prx futurs d'un tonne de cuvre Tableau 3-6 Prx futurs du cuvre Tableau 3-7 Taux de crossance mensuel du prx du cuvre basé sur le prx futur Tableau 3-8 Exemple d'applcaton du processus de dffuson Tableau 4-1 Sous-composants du WPU10 les plus nfluents dans la contrbuton à sa varance.. 51 Tableau 4-2 Sous-composants du WPU10 les mons nfluents sur sa varance Tableau 4-3 Analyse du WPU Tableau 4-4 Analyse des sous-composants de WPU Tableau 4-5 Les sous-composants de WPU10 regroupés par ndcateur Tableau 4-6 Matrce de corrélaton des prx des matères premères... 60

11 x Tableau 4-7 Matrce de corrélaton après applcaton de la décomposton de Cholesky Tableau 4-8 Prx commodtés Tableau 4-9 Taux de crossance (μ) des prx des commodtés Tableau 4-10 Varance commodtés Tableau 4-11 Statstques nombres aléatores mult varés Tableau 4-12 Taux de crossance mensuels par commodté par scénaro Tableau 4-13 Prévson des commodtés Tableau 4-14 Multplcateur de crossance du WPU Tableau 4-15 Prévson de l'ndce WPU Tableau 4-16 Prévson du WPU Tableau 5-1 Régresson de la premère dfférence du log de WPU Tableau 5-2 Sous-composants nfluents du WPU10 et les matères premères qu les mpactent. 82 Tableau 5-3 Tableau comparatf des deux modèles de prévson... 84

12 x LISTE DES FIGURES Fgure 2-1 Représentaton du modèle selon les 3 varables Fgure 2-2 Exemple de processus pour la planfcaton d'expérence Fgure 2-3 Synthèse des méthodes d analyse de sensblté Fgure 2-4 Dagramme de décson pour le chox de la méthode d analyse de sensblté Fgure 3-1 Prx futur d une tonne de cuvre sur douze mos Fgure 3-2 Intervalle de confance du prx futur d'une tonne de cuvre sur 12 mos Fgure 3-3 Dagramme du processus de modélsaton Fgure 3-4 Schématsaton du processus de prévson Fgure 3-5 Schématsaton des résultats de la prévson sur un ntervalle de temps [t, t+n] Fgure 3-6 Schématsaton des résultats de la smulaton pour un actf Fgure 3-7 Recomposton du WPU10 selon le pods de chaque métal dans l ndce Fgure 4-1 Dstrbuton normale des résdus de la régresson du WPU sur le HRC Fgure 4-2 Répartton des résdus de la régresson du WPU sur le HRC Fgure 4-3 Comparason des valeurs réelles et prédtes du WPU Fgure 4-4 Test hstorque de la robustesse de l ndce synthétque Fgure 4-5 Prévson de l'ndce WPU Fgure 4-6 Prévson du WPU Fgure 5-1 Données hstorques du WPU Fgure 5-2 Oscllaton du WPU10 par rapport à sa tendance Fgure 5-3 Auto corrélatons des résdus de la régresson de WPU10 par rapport à sa tendance.. 75 Fgure 5-4 Résdus de la régresson de WPU10 Tendance et sasonnalté Fgure 5-5 Auto corrélatons des résdus de la régresson de WPU10 Tendance et sasonnalté.. 77 Fgure 5-6 Test hstorque du WPU10 selon un modèle auto régressf Fgure 5-7 Prévson du WPU10 selon un modèle auto régressf... 81

13 x X, Y Varables aléatores LISTE DES SIGLES ET ABRÉVIATIONS X E(X) V(X) -ème composante de X Espérance de X Varance de X X Écart type de X COV(X, Y) Covarance de X et Y X,Y N(, ) Coeffcent de corrélaton entre X et Y Lo normale de moyenne μ et de varance Σ

14 xv LISTE DES ANNEXES ANNEXE 1 Feulle Excel d ntalsaton de la smulaton ANNEXE 2 Statstques des nombres aléatores multvarés ANNEXE 3 Volatlté et taux de crossance mensuel par scénaro ANNEXE 4 Prévson ANNEXE 5 Détal des prévsons ANNEXE 6 Code VBA

15 1 INTRODUCTION Les scentfques sont souvent confrontés à une dffculté qu est celle de pouvor reconstrure des phénomènes observés à l ade d outls mathématques. Dans cette quête de modélsaton afn de réplquer les phénomènes naturels, une des manères de fare est d explquer les phénomènes et notamment leurs comportements en fasant des lens et des analoges avec les comportements d autres phénomènes que l on connaît meux : c est cette pratque que l on nomme analyse de sensblté. D une manère générque, selon une dualté mathématque ntrants/extrant d un processus, l analyse de sensblté est l étude des relatons entre les varatons de l extrant d un modèle mathématque et les varatons provenant des ntrants. Ces varatons peuvent être le fat de varatons naturelles ntrnsèques au processus comme des processus stochastques, des erreurs de mesure, des absences d nformaton, une mauvase ou fable compréhenson des mécansmes prmordaux sous-jacents au processus que l on cherche à explquer. Auss dans le cadre du processus de modélsaton, l analyse de sensblté peut permettre entre autres :. de juger de la fdélté du modèle par rapport au phénomène observé dans la réalté. Ans, s l analyse exhbe une mportance forte d une varable d entrée qu en réalté est connue comme non nfluente, le modèle ne reflétera pas correctement le processus. Il sera alors nécessare de modfer le modèle.. d dentfer les varables nfluentes sur la varablté de la réponse du modèle et, le cas échéant, dmnuer cette volatlté en amélorant la qualté des ntrants ou en modfant la structure du modèle pour atténuer les effets dentfés. L dentfcaton des varables mons nfluentes nous permettra d alléger le modèle étudé et, le cas échéant de les supprmer du modèle.. d dentfer les varables nfluentes et leurs nteractons et de connaître le phénomène étudé et ses mécansmes sous-jacents. Ans, dans le domane fnancer par exemple, une bonne geston passe par la capacté à pouvor budgétser et réadapter les stratéges de génératon de revenus face aux changements. Cela est d autant plus vra que les paramètres mpactant les marchés sont auss dvers que les acteurs qu y ntervennent. Dans ce contexte, comprendre et budgétser, c est-à-dre prévor les revenus et les

16 2 dépenses, revent à les modélser et poser des hypothèses sur l évoluton des paramètres pouvant les mpacter et meux les contrôler. Dans ce cadre, les entreprses manufacturères sont confrontées à la dffculté d établr des prévsons robustes de leurs budgets. Ans, la volatlté des prx des matères premères qu consttuent une grande parte de leurs dépenses est de plus en plus dffcle à établr. Pour ce fare, dans le cadre de ce mémore on s est ntéressé à un ndce représentant le prx des métaux publé par le bureau amércan de la statstque du traval comme ndcateur de l évoluton du prx de ces commodtés. Ans, après avor fat un état de l art dans le domane de l analyse de sensblté dans le chaptre 1 et présenté les dfférentes méthodes et ndces de sensblté dans le chaptre 2, on présentera une applcaton de l analyse de sensblté dans un cadre de prévson dans le chaptre 3. Dans le chaptre 4, on verra comment la connassance de la propagaton de la varablté dans les prx des métaux nous permet d estmer un futur probable. Enfn, dans le chaptre 5, le modèle de dffuson est comparé au modèle autorégressf utlsé dans l analyse de sére temporelle dont fat parte le WPU10 dans un cadre de prévson pour pouvor tester son effcacté dans un contexte qu est celu du marché fnancer.

17 3 CHAPITRE 1 REVUE DE LITTÉRATURE 1.1 Introducton Dans ce chaptre nous présentons une revue de lttérature de l analyse de sensblté, nous passons en revue notamment les dfférents types d analyses de sensblté. Sot P un processus décrvant un phénomène que l on veut étuder à l ade d un modèle mathématque. Ce processus content deux catégores de varables selon leurs rôles. Un premer groupe de varables X que l on nommera ntrants du processus et un deuxème groupe de varables mesurées ou observées à la sorte du processus et consdérées comme réponse ou extrant du processus représenté par la varable Y. Le dagramme c-dessous donne une représentaton schématque d un tel processus : X P Y (1.1) où X est un ensemble de varables ntrants au modèle et Y une varable extrant ou réponse du modèle. Effectuer une analyse de sensblté de Y par rapport aux X revent à étuder dans quelle mesure les perturbatons sur X affectent les valeurs de Y. On cherche donc à établr un len entre les varabltés de X et Y. Cette analyse de sensblté se fat selon tros types de technques : les méthodes de crblage, l analyse de sensblté locale et l analyse de sensblté globale. Les méthodes de crblage sont entre autres présentées par Campolongo [2], elles abordent l analyse de sensblté en classfant les varables d entrée par ordre d mpact sur la varable réponse du modèle. Les analyses de sensblté locale et globale, présentées entre autres par Saltell et al. [11, 15, 17], sont des méthodes d analyses quanttatves, qu en plus d établr une hérarche au sen des varables d entrée, donnent un ordre de grandeur des écarts au sen de cette hérarche. Dans les prochans paragraphes nous présenterons chacune de ces méthodes ans que leurs avantages et nconvénents.

18 4 1.2 Méthodes de crblage Les méthodes de crblage servent d outls d exploraton du comportement des sortes d un processus en présence d un très grand nombre de varables d entrée. Elles font appel à la dscrétsaton des entrées en pluseurs valeurs nommées nveaux ou modaltés, ce qu en fat des méthodes dtes détermnstes car elles n utlsent pas de los de probablté sur les entrées. La partcularté de ces modèles est la faclté et la rapdté de leurs applcatons, car elles requèrent mons de temps en termes de modélsaton ou de calcul Méthode de crblage smple ou à très grande dmenson Les technques qu font parte de cette catégore nous sont pour la plupart fournes par la pratque des plans d expérences et sont parm les plus faclement applcables dans la mesure où elles posent peu d hypothèses contragnantes quand à la nature du modèle. Parm ces hypothèses on trouve notamment l ndépendance en probablté des varables d entrées du modèle, la monotone de la varaton de la sorte du modèle par rapport à chaque varable d entrée et la fablesse du nombre de varables d entrées nfluentes par rapport au nombre total de varables d entrées. Bertrand Iooss [5] nous présente ces méthodes :. Crblage avec plan supersaturé : à cet effet effectuons d abord un bref rappel sur une proprété des plans d expérences. En effet dans la pratque des plans d expérences, l est souvent commun d avor un nombre d observatons plus grand que le nombre de varables à étuder, ce qu nous permet notamment d avor des estmés en termes de probabltés des coeffcents représentant l nfluence (effet) des varables entrantes sur les varables de sortes; ces effets pouvant être regroupés en pluseurs catégores : effet prncpal, effet d nteracton (ou second ordre), etc. qu peuvent être analysés avec un plan factorel complet. Cependant, dans beaucoup de stuatons spécfques, avor des observatons suffsantes est dffcle vor même mpossble à cause d un manque de ressources. Dans ce contexte les plans supersaturés ont été ntroduts pour paller à cette dffculté. Dans le cas des plans supersaturés nous avons affare à la même stuaton que celle de la résoluton d un système d équatons à pluseurs nconnues sans avor un nombre suffsant d équatons. Pour résoudre un tel système, on fera donc appel

19 5 aux dverses méthodes de résoluton de système d équatons, que l on n abordera pas dans le cadre de ce mémore.. Crblage par groupe : Il est plus adapté aux expérmentatons numérques et consste en la dvson des varables d entrées en pluseurs groupes et à dentfer les plus nfluentes. Le but étant de multpler les compostons des groupes en élmnant les groupes mons nfluents jusqu à l obtenton des groupes tous nfluents. Les étapes de la démarche sont: 1) Les varables ndépendantes sont regroupées en groupes pas nécessarement égaux, sur la base de l ntuton du chercheur. Chaque groupe est alors étudé comme un facteur à deux nveaux : le facteur-groupe est au nveau (+) lorsque tous les facteurs du groupe sont au nveau (+). le facteur-groupe est au nveau (-) lorsque tous les facteurs du groupe sont au nveau (-). 2) Après l dentfcaton des groupes nfluents, les non nfluents sont élmnés pus dans une seconde phase, sot chaque varable dans les groupes nfluents est testée ndvduellement ou alors les groupes sont dvsés en de nouveaux groupes plus petts pour être testés à nouveau jusqu à l obtenton des varables les plus nfluentes. Cette technque nécesste cependant une connassance préalable du sens de varaton de la sorte en foncton du sens de varaton de chaque entrée, connassance qu n est pas toujours dsponble.. Crblage par bfurcatons séquentelles : C est une méthode de crblage par groupe avec deux groupes. Contrarement aux autres méthodes par groupes elle n utlse pas de plan d expérence de tamsage et des méthodes d analyse de régresson ou d analyse de varance. C est une approche smlare au prncpe de la recherche dchotomque : les expérences sont choses séquentellement en utlsant les résultats des expérences précédentes pour orenter la recherche des facteurs nfluents. Comme pour le crblage par groupe, son coût est foncton du

20 6 nombre de varables nfluentes et de la stratége de classement et la capacté à dentfer les entrées nfluentes afn de les rassembler au sen d un même groupe La méthode de Morrs Les méthodes de crblage présentées par Campolongo [2] ont été développées par Morrs en Elles reposent sur un prncpe smple à savor qu un modèle comportant un nombre élevé de facteurs est dffcle à explorer mas souvent quelques facteurs seulement sont nfluents. Par conséquent, on cherchera dans le cadre d un objectf qualtatf à dentfer rapdement ces facteurs. La méthode de Morrs, permet de classer les facteurs en tros groupes selon leurs effets : effets néglgeables effets lnéares et sans nteracton effets non lnéares avec nteractons Pour ce fare, Morrs ntrodut un premer ajustement à la méthode commune des dérvées en utlsant un pas de perturbatons des varables très grand par opposton aux dérvées dont le pas est nfnment pett. Il ntrodut dans ce sens le concept d effet élémentare qu est le changement dans la valeur de l extrant généré par la perturbaton. Par alleurs l ntrodut un second ajustement par rapport aux dérvées en calculant pluseurs fos cet effet élémentare pour la varable d entrée consdérée pus on calcule une moyenne de ces effets élémentares. Par opposton aux méthodes communes de dérvées, celle de Morrs fat le calcul de la dérvée à pluseurs endrots et en prend une moyenne plutôt que de se concentrer sur un seul pont pour trer une concluson. 1.3 Analyse de sensblté locale La technque d analyse de sensblté locale étude essentellement les varatons de notre varable de sorte Y pour des pettes varatons de nos varables d entrée X autour de valeurs locales x 0. Mathématquement, l analyse de sensblté locale correspond au calcul des dérvées de la varable Y par rapport aux varables X. L approche basée sur les dérvées à l avantage d être très effcente en temps de calcul sur ordnateur. Cependant, elle requert beaucoup plus d mplcatons de la part de l analyste qu dot préparer et coder l algorthme. Comme le fat remarquer Saltell [15], le problème fatal avec cette méthode c est qu elle est non effcente

21 7 lorsque les ntrants sont ncertans ou que la lnéarté du modèle est nconnue. Ans, s les dérvées sont effcentes localement, elles le sont mons dans le cas de l exploraton d un espace de soluton surtout s le modèle est non lnéare. Pour le cas des modèles lnéares on peut extrapoler la proprété d un pont élogné en foncton de la dérvée localement étudée. A cet égard, Julen Jacques [6] fat remarquer que la technque d analyse de sensblté locale est souvent un facteur à la fos et de ce fat, elle se lmte aux alentours de la valeur d un pont d ntérêt partculer noté 0 x calculant les dfférentes perturbatons représentées par l ndce : S y 0 0 ( x1,..., xk ) (1.2) x Ans Turyan et al. [18] regroupent les avantages et nconvénents de l analyse de sensblté locale en 3 groupes : analyse et calbrage de modèle : on peut avor recours à une analyse locale pour étuder les effets des varables explcatves sur la varable réponse d une part, et d autre part, pour calbrer le modèle en dentfant un nombre maxmum de varables pertnentes. analyse d ncerttude : on reconnaît que, dans le cas de l étude de la propagaton des erreurs, l analyse de sensblté locale est mons effcace comparatvement à l analyse de sensblté globale; cependant on pense que son applcaton est beaucoup plus asée dans ben des cas. estmaton des paramètres : on retrouve souvent dans les méthodes d estmaton de paramètres lors de régressons des estmatons de coeffcents de sensblté ce qu faclte d avance l analyse de sensblté locale. 1.4 Analyse de sensblté globale Afn de donner une défnton clare de l analyse de sensblté globale, on peut se référer à celle donnée par Julen Jacques [6] : «l analyse de sensblté globale s ntéresse quant à elle à la varablté de la sorte du modèle dans son domane de varaton. Elle étude comment la varablté des entrées se répercute sur celle de la sorte, en détermnant quelle part de varance de la sorte est due à telles entrées ou tel ensemble d entrées. Il est possble de dstnguer l analyse locale de l analyse globale de la sorte : l analyse locale s ntéresse à la valeur de la réponse,

22 8 tands que l analyse globale s ntéresse à sa varablté.». Tout comme dans le cas de l analyse de sensblté locale où on utlse la dérvée pour détermner une relaton entre les varables entrantes et sortantes du modèle, on peut également, dans le cadre de l analyse de sensblté globale utlser des ndces de sensblté selon la nature du modèle. Dans le cadre de ce mémore nous nous ntéressons partculèrement aux dfférentes méthodes (Sobol par exemple) et ndces relevant de ce type d analyse que nous développerons dans le prochan chaptre.

23 9 CHAPITRE 2 MÉTHODES ET INDICES DE L ANALYSE DE SENSIBILITÉ Ce chaptre vse à présenter une revue des dfférentes méthodes et ndces utlsés en analyse de sensblté. Dans le contexte d une analyse de sensblté on dspose généralement d une varable extrant Y et de pluseurs varables ntrants X 1, X 2,, par rapport à chacune des varables ntrants X p. L évaluaton de la sensblté de Y X, ( = 1,2,, p), se fat à l ade d ndces de sensblté. La méthode d évaluaton de ces ndces dépend de la nature du modèle lant Y à 2.1 Indces de sensblté Indces de sensblté dans le cas du modèle lnéare Les coeffcents de corrélaton sont des cas classques d ndces de sensblté condtonné par la lnéarté ou la monotone du modèle, cependant l exste également d autres types d ndces de sensblté. X. Sot le modèle lnéare Y p X (2.1) 0 1 Y représente c un ndce composte des varables X selon les coeffcents qu dans ben des cas peuvent être de coeffcents de pondératons (ndces boursers, portefeulle fnancer, etc.) mas auss peuvent être des coeffcents de régresson. Par alleurs, afn de faclter nos démonstratons, on supposera les X comme des varables aléatores ndépendantes. Ce qu nous permet d écrre l espérance E (Y) et la varance V (Y) selon les équatons (2.2) et (2.3) : P E( Y) E( X ) (2.2) 0 1 p 2 V ( Y) V ( ) ( 2.3) 1 X où E( X ) et V ( X ) désgnent respectvement la moyenne et la varance des X, = 1,, p.

24 10 Cette écrture nous permettant d dentfer la contrbuton de la varance de chaque X dans la 2 varance totale de Y par V ( X ). Défnton 2.1 : l ndce de sensblté global nommé SRC (Standardzed Regresson Coeffcent) représentant la part de varance de la réponse Y due à la varance de la varable est défn par X SRC 2 V ( X ) 2 (2.4) V ( Y) 2 X 2 Y Où 2 X et 2 Y représentent la varance de X et celle de Y. L ndce ans défn apporte, contrarement au coeffcent de corrélaton, l nformaton quand à l mpact de chaque varable ntrant Par alleurs, on note : X sur la réponse Y sans se préoccuper du sgne de l mpact. SRC 2 X 2 ( S X ) ( ) (2.5) Y où l ndce S X ans ntrodut est équvalent au coeffcent de corrélaton lnéare de Pearson X,Y entre la réponse du modèle et les varables d entrées X. En effet, on sat que : X, Y Cov( Y, X ) X Y Alors Montrons que Cov X X Y S car, X Y 2 ( X, Y) X Cov 2 ( X, Y) X (2.6) On sat que les varables X sont ndépendantes par conséquent étuder la covarance entre n mporte quel En effet on sat que : X et Y revent à étuder la covarance entre X et. X COV ( U V, W) COV ( U, W) COV ( V, W)

25 11 Pour toutes varables U, V et W. Donc Cov( X, Y) s écrt : Cov( X, Y) Cov( X, X1)... Cov( X, 1X 1 ) Cov( X, X )... Cov( X, p X Or comme les 1 P X sont ndépendants alors toutes les covarances de l équaton c-dessus sont nulles à l excepton de Cov X, X ). ( Ce qu nous permet d écrre que : Par alleurs, on sat que : Cov( ah,z) = acov(h,z) Cov( X, Y) Cov( X, X ) Cov (Z, Z) = Var(Z), pour toutes varables H et Z et toute constante a. ) Par conséquent, Cov 2 ( X, Y) X Afn de régler le problème d ntercorrélatons entre les varables explcatves X qu souvent explquent l exstence d une corrélaton entre une varable explcatve et la varable réponse par un effet de transton de corrélaton, l ndce de corrélaton partel de défn par PCC ( X X a été ntrodut, l est COV ( Y, X X ~ ) ) Y, X X~ (2.7) V ( Y X ~ ) V ( X X ~ ) où X~ est le vecteur X des varables explcatves prvé de sa -ème composante. Tout comme le SRC, le PCC sert également à détermner la part de la varable X dans la varance totale de Y. Cependant, contrarement au SRC, l peut être négatf c est pourquo on prendra la valeur absolue de celu-c. Les PCC permettent d élmner l nfluence des autres varables et sont donc adaptés au cas où les varables d entrée sont corrélées (Saltell et al. [14]).

26 12 Exemple Nous avons chos de présenter une applcaton des ndces c-dessus dans le cadre de l analyse d un ndce phare de l économe et spécfquement de l économe amércane à savor le S&P 500. Il est de notorété que cet ndce permet de prendre le pouls de l économe amércane dans la mesure où l est consttué essentellement des grandes entreprses de cette économe. Les 10 compagnes les plus mportantes composants l ndce S&P 500 Pays Compagne Valeur boursère (Mllon $) Pods dans l ndce S&P 500 Pods dans le secteur Secteur USA Exxon Mobl (ESSO) ,8 3,23% 26,81% Energe USA Apple Inc ,5 2,59% 13,88% Technologes de l nformaton USA Mcrosoft ,8 1,84% 9,86% Technologes de l nformaton USA General Electrc Co. (GE) ,8 1,70% 15,57% Industres USA Chevron Corp ,1 1,61% 13,35% Energe USA IBM ,9 1,60% 8,56% Technologes de l nformaton USA Procter & Gamble ,1 1,58% 14,82% Consommaton USA AT&T Inc ,8 1,52% 48,91% Télécommuncatons USA Johnson & Johnson ,8 1,49% 13,62% Santé USA JP Morgan Chase & Co ,5 1,45% 9,03% Fnance Tableau 2-1 Composton de l'ndce S&P 500 Dans le tableau c-dessus tré du «S&P 500, Index Fact Sheet» on peut vor les 10 plus grandes entreprses qu composent l ndce (et donc l économe amércane ndrectement) en On peut constater que pour certans comme AT&T et Exxon Mobl ce sont des joueurs majeurs de

27 13 leurs ndustres (pods respectfs dans leurs ndustres 48,91% et 26,81% vs pods respectfs dans l ndce de 1,52% et 3,23%). Le pods dans le S&P 500 dépend surtout de la valeur boursère de chaque entreprse. Auss le pods d Exxon (3,23% de l économe amércane) dans le S&P 500 dépasse de lon celu d AT&T parce que la valeur boursère d Exxon (deuxème plus grande de la planète, ,8 mllons) dépasse celle d AT&T ( ,8 mllons). Afn de procéder à une étude de la varablté du S&P500 et notamment la compréhenson de l mpact sur l économe de la varablté du prx de chaque entreprse nous avons étudé l mpact de la varaton du prx untare de chaque acton de tros entreprses sur la varaton du S&P500 sur une pérode allant du 1 er janver 2007 au 31 décembre Tableau 2-2 Valeur hstorque du prx hebdomadare moyen Date Moyenne hebdomadare de la valeur boursère S&P 500 (Valeur en ponts) General Electrc (Valeur en $ US) EXXON (Valeur en $ US) Apple (Valeur en $ US) 27-déc ,66 17,92 72, ,66 20-déc ,76 17,77 72, ,76 13-déc ,52 17,89 72, ,52 6-déc ,87 16,70 71, ,87 29-nov ,08 15,73 68, ,08 22-nov ,07 16,14 70, ,07 15-nov ,44 16,23 71, ,44 8-nov ,24 16,62 69, ,24 1-nov ,71 16,09 66, ,71 5-févr ,33 36,27 75, ,33 29-janv ,03 36,07 73, ,03 22-janv ,47 37,13 73, ,47 16-janv ,73 38,00 72, ,73 8-janv ,26 37,45 73, ,26 3-janv ,03 37,41 76, ,03 Après calcul du taux de crossance hebdomadare du prx de chaque acton de chaque entreprse tel que donné c-dessus, on peut calculer l écart type de ce taux de crossance et en applquant l équaton (2.4), on peut dentfer la part de la varance du S&P 500 lée au prx de l acton de chaque entreprse :

28 14 Tableau 2-3 Exemple d'applcaton du SRC : écart type de la crossance contnue hebdomadare S&P 500 General Electrc EXXON Apple 3,3007% 6,0575% 3,4387% 3,3007% Part de la varance du S&P 500 due à chaque entreprse sur une base hebdomadare GE EXXON Apple 0,0973% 0,1132% 0,0671% On peut donc conclure qu en moyenne ces 3 entreprses, qu représentent 7,53% de l économe amércane, ont contrbué pour une part de 0,27% à la varance hebdomadare du S&P Indces de sensblté cas du modèle non lnéare et monotone Les ndces SRC et PCC sont condtonnés par la lnéarté du modèle. Cependant, lorsque cette condton n est plus respectée, mas que le modèle est monotone c'est-à-dre que la varable réponse est monotone par rapport à chacune des varables explcatves lorsque les autres sont fxées, un estmateur non paramétrque du coeffcent de corrélaton peut être utlsé. En effet, comme on a établ que le SRC est le carré du coeffcent de corrélaton, dans le cas d un modèle non lnéare mas monotone on pourra utlser le coeffcent de corrélaton basé sur les rangs [5]. Dans ce cas c, on peut utlser la transformaton de rang pour avor un coeffcent de corrélaton estmé de façon non paramétrque en utlsant des technques de calcul de coeffcent de corrélaton de Spearman ou de Kendall par exemple. Par la sute, on calcule un nouvel ndce SRRC ou «Standardzed rank regresson coeffcent» pour remplacer l ndce SRC. De même, on ntrodut un ndce PRCC ou «Partal Rank Correlaton Coeffcent» pour remplacer l ndce PCC. Sot une smulaton de talle n du modèle étudé Y = f ( X 1, X 2,..., X p ), p enter, telle qu elle se présente sous la forme : Y 1... Y n = X X... 1,1 n,1 X 1,2.. X 1, X X 1, p... n, p

29 15 où les dfférents Y sont les extrants et les X de la même lgne sont les ntrants ayant serv à les calculer. À chaque smulaton de 1 à n, on assoce son rang selon une varable. Le rang 1 sera affecté à la smulaton qu a la plus pette valeur, et le rang n à celle qu a la plus grande valeur. Pour trouver le len entre deux varables Y, X ), (j =1,, p), on cherchera à comparer les classements selon ( j les rangs ssus de ces deux varables. Dans notre cas, nous créons le vecteur R Y des rangs selon la varable Y et les vecteurs RX RX, RX, RX,..., RX ) des rangs selon X j pour chaque varable d entrée avec j ( 1, j 2, j 3, j n, j j = (1,, p). On pourra ans avor une nouvelle matrce des rangs ssue de notre précédente matrce en remplaçant les valeurs de Y, ) avec = (1,, n) et j = (1,, p) par leurs rangs ( X, j dans chaque colonne de la matrce. Ce qu nous permettra de calculer un nouveau type de corrélaton selon les rangs : s Y, X ) ( R, R ) (2.8) S j ( j Y X j le coeffcent de régresson standard sur les rangs noté SRRC (, ) équvalent du SRC de l équaton (2.4) basé sur le couple R, ), s écrt : ( R Y X j SRRC j SRRC Y, X ) SRC ( R, R ) (2.9) ( j Y X j le coeffcent de corrélaton partel sur les rangs noté PRCC (, ), équvalent du PCC de l équaton (2.7) sur le couple R, ), s écrt : ( R Y X j PRCC j PRCC Y, X ) PCC ( R, R ) (2.10) ( j Y X j Indces de sensblté cas du modèle non lnéare et non monotone Sot un modèle générque du type : Y f ( X, X 2,..., X 1 p ) Les X ont une varablté lmtée et on souhate étuder l mpact de la varable X sur la varance de Y en fxant un X à une valeur * X telle que

30 16 * V ( Y X X ) est la varance condtonnelle de Y lorsque * X est fxé à une valeur X. On peut cependant * assumer qu ayant fxé une varable, la varance condtonnelle V ( Y X X ) serat nféreure à * la varance totale V(Y) de Y. Par alleurs V ( Y X X ) devent une mesure de l mportance relatve de X. Ans, plus la varance condtonnelle est pette plus la varable X est mportante et vce versa. Cependant cette approche est peu pratque car cela rend l analyse de sensblté dépendante du pont * X où l on fxe X. Une manère d y reméder est d utlser plutôt l espérance E V ( Y X )]. Nous ntrodusons pour cela le théorème suvant pour en montrer le len. [ Théorème 2.1 : Théorème de la varance totale Sot un couple (X, Y) de varables aléatores, où Y prend ses valeurs dans R et X dans un ensemble fn ou dénombrable, ou dans R. S la varance de Y est fne, alors : V(Y) = V(E [Y X]) + E [V (Y X)] (2.11) Démonstraton du théorème de la varance totale Par défnton : V(Y) E(Y 2 ) - E (Y) 2 et on sat que E[E (Y X)] = E [Y] On peut donc observer deux choses : d une part, V(Y X) = E ( sot donc, E [V(Y X)] = E[E ( 2 Y X) - 2 = E ( E (Y X) 2 Y X)] E [ 2 E (Y X) ] 2 Y ) E [ 2 E (Y X) ] d autre part, parce que E[E (Y X)] = E [Y] on peut écrre V[E(Y X)] = E [ E (Y X) 2 ] - E (Y) 2

31 17 Auss, en sommant les écrtures de E [V(Y X)] et V[E(Y X)] observées aux deux étapes on obtent la varance totale de Y, tel que : V(Y) = V(E [Y X]) + E [V (Y X)] * Ans, s l on consdère l espérance E( V ( Y X )) pour tous les X possbles pour chaque ntrant cela élmne le problème de la dépendance par rapport au X. Cette mesure E V ( Y X )) sera toujours nféreure ou égale à V(Y). On peut donc écrre : V(Y) = V(E [Y X ]) + E [V (Y X )] Dans l éventualté où on aura fxé * ( X dans les X, s l on observe une dmnuton de l espérance de la varance de Y ou une augmentaton de la varance de l espérance de Y, on pourra dre que le X fxé est nfluent. Par alleurs, selon l équaton (2.11), la varance V E( Y X )) V (Y) ( Défnton 1.2 : l ndce de sensblté de premer ordre de X par rapport à Y, est l ndce basé sur la varance condtonnelle V ( E ( Y X )) et appelé effet de premer ordre de X sur Y noté S, tel que : V ( E ( Y X )) S (2.12) V ( Y) S est toujours comprs entre 0 et 1 et mesure l mportance de la varable X sur Y. Lorsque le modèle est lnéare, alors S correspond au SRC (vor équaton (2.4)). En effet : V ( E[ Y X ]) V ( E[ p X X ]) V ( X 2 ) V ( X 0 1 ) (2.13) La sensblté de premer ordre a été ntrodute par Sobol [16] dans un cadre beaucoup plus exhaustf où la varance d une varable réponse devent une combnason de varance d effets prncpaux et de pluseurs effets nteractons. Le sujet a été traté par Antonads [1], Kaplan, Kaya et al. [8], Julen Jacques [6], Tarantola [17], et Saltell [15]. Ans s nous reprenons notre modèle précédent tel que l on a :

32 18 Y f X, X,..., X ), avec p N. (2.14) ( 1 2 P Sobol établt un théorème de la décomposton de la varance analogue à celu de l ANOVA. Théorème 2.2 : Décomposton de la varance de Sobol Lorsque les varables ntrants (2.14) s établt comme : X sont ndépendants, la décomposton de la varance du modèle P V ( Y) V Vj Vjp... V1,2,3,4,..., p 1 j j p (2.15) Avec V V[ E( Y X )] V V j jp V[ E( Y X, X V[ E( Y X, X j )] V V j, X p j )] V j V p V jp V V j V p Cela nous permet de reconnaître un ndce de sensblté précédemment dentfé en (2.12) comme ndce de sensblté de premer ordre, mas auss d ntrodure des ndces de sensblté d ordre supéreur qu reflètent les nteractons entre les varables ntrants dans la varance totale de la réponse Y. En effet en dvsant (2.15), par V(Y) on obtent l expresson : p S Sj Sjp... S1,2,3,4,..., p 1 j j p 1 (2.16) Avec nos effets de premer ordre de toutes les varables ntrants regroupés sous : V V[ E( Y X )] S V ( Y) V ( Y) Ans pour p = 4 par exemple, on aura : S 1 S2 S3 S4 S12 S13 S14 S23 S24 S34 S123 S124 S134 S234 S1234 = 1 Avec S 1, S2, S3, S4 comme ndces de premer ordre. L nterprétaton de ces ndces est facle. En effet on sat que tous les ndces sont postfs d une part et d autre part d après (2.16) leur somme est égale à 1. Ans, plus l ndce sera grand et proche de 1, plus la varable aura d mportance. Le nombre d ndces de sensblté ans

33 19 p construt, de l ordre 1 à l ordre p, est égal à 2 1. Lorsque le nombre de varables d entrée p est grand, le nombre d ndces de sensblté explose. L estmaton et l nterprétaton de tous ces ndces devennent alors dffcles. Pour paller en parte à cette dffculté, Saltell [15] a alors ntrodut des ndces de sensblté totaux, qu exprment la sensblté totale de la varance Y à une varable, en l occurrence en englobant dans une seule mesure la sensblté à la varable seule et la sensblté aux nteractons de cette varable avec d autres varables. Nous présentons c-dessous ses conclusons telles que montrées par Julen Jacques [6] : Défnton 1.2 : Indce de sensblté total L ndce de sensblté total S T est le regroupement de tous les ndces de sensbltés relatfs à la varable X dans une seule mesure, tel que : ST S p (2.17) p# Où # représente tous les ensembles d ndces contenant l ndce. Ans dans notre exemple précédent avec p = 4, on aura : S T S1 S 1 12 S13 S14 S123 S124 S134 S1234 S T S2 S 2 12 S23 S24 S123 S124 S234 S1234 S T S3 S 3 13 S23 S34 S123 S134 S234 S1234 S T S4 S 4 14 S24 S34 S124 S134 S234 S1234 Cette nouvelle réécrture des ndces de sensblté nous permet d avor une plus grande vson de l mpact d une varable d entrée X sur notre varable de sorte Y Méthodes d estmaton Dans le cas des fonctons non lnéares, lorsque la forme de la foncton n est pas complexe et que les denstés de probablté des varables d entrées de la foncton sont connues et relatvement smples, on peut calculer les ndces de sensblté globale. Cette stuaton est peu fréquente dans la réalté, c est pourquo l exste d autres méthodes d estmaton. On utlse des méthodes d échantllonnage stochastque au nveau des varables

34 20 d entrées pour pouvor calculer les dfférentes espérances condtonnelles de la foncton par rapport à ces varables d entrées. Pus par après on estme les dfférentes varances (2.15) et ndces de sensblté (2.16). Une des méthodes les plus couramment employées est une estmaton par Monte Carlo ou méthode de Sobol. Il exste auss cependant d autres méthodes telles que la méthode FAST (Fourer Ampltude Senstvty Test) qu utlse la transformée de Fourer multdmensonnelle de f pour obtenr une décomposton de la varance de Y ou encore la méthode de McKay qu se base sur un échantllonnage par hypercube latn réplqué (Julen Jaques [12]). Cependant, seule la méthode de Sobol permet le calcul des ndces de sensblté relevant des nteractons et est celle qu est la plus rapde à mplémenter. Exemple : Nous présentons un exemple d applcaton tré de Julen Jacques [6] pour la méthode de Sobol. Sot le modèle représenté par l équaton : 4 2 X 3 Y sn( X1) 7sn ( X 2) sn( X1) 10 où X ~ U [-π, π] avec = 1, 2, 3. Fgure 2-1 Représentaton du modèle selon les 3 varables Les calculs d ndces de sensblté ont été effectués par l auteur sous Matlab où l a calculé les ndces de sensblté 20 fos pour des échantllons de talle : 100, 1000 et On présente dans le tableau c-dessous la moyenne des ndces calculés.

35 21 Tableau 2-4 Indces de sensblté avec la méthode de Sobol N = 100 N = 1000 N = S1 S2 S3 S13 S1 S2 S3 S13 S1 S2 S3 S13 0,318 0, ,226 0,316 0, ,235 0,310 0, ,249 On constate que l augmentaton de la talle de l échantllon permet de meux calbrer le modèle et détermner l nfluence de l nteracton ( X, X 1 3) d une manère plus précse. De la même manère on constate que l écart type des estmatons d ndces (tableau c-dessous) dmnue avec l augmentaton de la talle des échantllons. Ans, s la méthode de Sobol est plus effcace parce qu elle permet de détermner les effets d nteractons, elle demande auss une talle d échantllon grande pour être plus précse. Tableau 2-5 Écart types d'estmaton de la méthode de Sobol N = 100 N = 1000 N = S1 S2 S3 S1 S2 S3 S1 S2 S3 0,157 0,122 0,150 0,050 0,057 0,073 0,011 0,014 0, Méthode d analyse de sensblté : forme ou foncton du modèle nconnue Il exste des cas où la forme du modèle n est pas connue. Il n exste pas une foncton pouvant nous permettre de modélser le phénomène ou du mons on ne connaît pas cette foncton. Dans ces condtons, utlser les ndces ntroduts plus haut devent mpossble dans l étude de la varance des varables. Il exste cependant des méthodes nous permettant d analyser dans ce casc l nfluence des varables explcatves sur la varable réponse. Nous les aborderons dans les lgnes qu suvent Planfcaton d expérence La planfcaton d expérence est une technque d analyse de sensblté globale relatve à l étude de l nfluence des varables ntrants X d un processus sur la varable de sorte Y. Elle s applque à tout processus de collecte d nformaton où l y a présence de varablté sous le contrôle de

36 22 l expérmentateur. Elle est très souvent utlsée en contrôle de qualté pour étuder et optmser les processus de producton mas son champ d applcaton s étend auss ben au domane des scences socales et humanes. S l exste pluseurs outls statstques pour étuder les relatons ntrants/extrants lorsque leurs domanes de défnton sont contnus, la planfcaton d expérence est ben souvent utlsée lorsque les varables changent d une manère dscrète et souvent on fat l analyse pour des varables ayant un pett nombre de modaltés. La planfcaton d expérence se concentre sur un processus tel que décrt par la fgure c-dessous : Fgure 2-2 Exemple de processus pour la planfcaton d'expérence A cet égard dans la fgure 2.3, la foncton g de notre processus est nconnue et on fat appel à la planfcaton d expérence afn d en développer une approxmaton. Dans les étapes du processus d expérmentaton, la planfcaton d expérence regroupe un ensemble d étapes : 1. défnr le processus, la problématque et les objectfs. 2. chosr les varables réponses(y) à mesurer. 3. chosr les varables ntrants X et leurs espaces de varatons. 4. chosr et comparer les plans expérmentaux. 5. préparer l expérence (set up). 6. condure l expérence. 7. analyser statstquement les résultats. 8. agr avec les conclusons de l analyse.

37 23 La planfcaton d expérence permet d analyser tous les effets des varables ntrants du processus, que ce sot leurs effets prncpaux ou leurs nteractons les uns avec les autres, au même ttre que les effets de premer ordre et les effets d ordres supéreurs précédemment dscutés pour les ndces de sensblté. Il faut noter cependant que ce sont les étapes après la planfcaton et notamment l analyse statstque, qu nous permettront d dentfer les effets de chaque varable ntrant. Le plan d expérence en lu-même n est que le schéma drecteur nous permettant d avor théorquement l ensemble des tests à effectuer pour évaluer le len entre ntrants et extrants du processus. Il exste pluseurs types de plan d expérence pouvant nous permettre d une manère plus ou mons complète d analyser les effets des varables ntrants du processus. Ce sont entre autres plans, lorsque les varables du modèle comportent deux modaltés et que l on a k (enter) varables, les plans : complets, Plackett-Burman, Carré-latn, etc. On utlsera souvent les plans complets pour les expérences pusqu ls analysent tous les effets. Cependant la lmtaton par les coûts d expérmentaton ou la répétton d un effet déjà étudé peuvent nous amener entre autres rasons à dmnuer les effets. Exemple Tré de Box, G. E. P., Draper, N.R. (1987). Emprcal Model-Buldng and Response Surfaces, John Wley & Sons. p On cherche à dentfer l nfluence de sx varables à deux modaltés lors d un processus de coloraton sur une varable représentant la résstance de cette même coloraton. Le tableau cdessous nous donne la descrpton des sx varables ans que les valeurs de leurs dfférentes modaltés.

38 24 Tableau 2-6 Varables de l'expérence Varables Descrpton Modaltés X1 Indce de polysulfures [6,7] X2 Le taux de reflux lors du processus [150, 170] X3 La quantté de polysulfures en moles [1,8 ; 2,4.] X4 Le temps en mnutes [24, 36] X5 Le volume de solvant utlsé en centmètres cubes [30, 42] X6 La température lors de la coloraton en degrés. [120, 130] Ans, afn de pouvor effectuer l expérence d une manère optmale et de tester tous les effets pour ensute calculer les ndces de sensblté totaux tels qu ntrodus à l équaton (2.17), on a 6 établ un plan d expérence complet avec 64 essas ( 2 ). La matrce du tableau 2-7 c-dessous nous montre ce plan d expérence et le tableau 2-8 consttue le tableau d analyse de la varance après expérmentaton.

39 25 Tableau 2-7 Matrce du Plan d expérence X1polysul X2reflux X3moles X4tme X5solvent X6temp Y1_ST , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,8

40 26 Tableau 2-8 Analyse de la varance Numéro effet SS df MS 1 X1 48, ,83 2 X2 7,91 1 7,91 3 X3 0,17 1 0,17 4 X4 142, ,50 5 X5 2,76 1 2,76 6 X6 115, ,83 7 x1x2 12, ,69 8 x1x3 0,32 1 0,32 9 x1x4 0,35 1 0,35 10 x1x5 2,76 1 2,76 11 x1x6 10, ,81 12 x2x3 5,70 1 5,70 13 x2x4 11, ,82 14 x2x5 1,79 1 1,79 15 x2x6 0,51 1 0,51 16 x3x4 2,60 1 2,60 17 x3x5 0,10 1 0,10 18 x3x6 0,74 1 0,74 19 x4x5 1,59 1 1,59 20 x4x6 0,00 1 0,00 21 x5x6 1,13 1 1,13 22 x1x2x3 6,83 1 6,83 23 x1x2x4 10, ,64 24 x1x2x5 1,18 1 1,18 25 x1x2x6 1,03 1 1,03 26 x1x3x4 2,60 1 2,60 27 x1x3x5 0,07 1 0,07 28 x1x3x6 0,19 1 0,19 29 x1x4x5 1,72 1 1,72 30 x1x4x6 5,01 1 5,01 31 x1x5x6 0,17 1 0,17 32 x2x3x4 2,60 1 2,60 33 x2x3x5 0,24 1 0,24 34 x2x3x6 2,00 1 2,00 35 x2x4x5 1,79 1 1,79 36 x2x4x6 1,41 1 1,41 37 x2x5x6 5,23 1 5,23 38 x3x4x5 8,19 1 8,19 39 x3x4x6 0,47 1 0,47 40 x3x5x6 0,83 1 0,83 41 x4x5x6 6,31 1 6,31 42 x1x2x3x4 0,74 1 0,74 43 x1x2x3x5 6,70 1 6,70 44 x1x2x3x6 1,35 1 1,35 45 x1x2x4x5 21, ,51 46 x1x2x4x6 1,59 1 1,59 47 x1x2x5x6 0,01 1 0,01 48 x1x3x4x5 1,86 1 1,86 49 x1x3x4x6 9,38 1 9,38 50 x1x3x5x6 6,83 1 6,83 51 x1x4x5x6 3,56 1 3,56 52 x2x3x4x5 0,93 1 0,93 53 x2x3x4x6 2,68 1 2,68 54 x2x3x5x6 2,44 1 2,44 55 x2x4x5x6 0,02 1 0,02 56 x3x4x5x6 1,24 1 1,24 57 x1x2x3x4x5 7,77 1 7,77 58 x1x2x3x4x6 8,78 1 8,78 59 x1x2x3x5x6 4,05 1 4,05 60 x1x2x4x5x6 3,56 1 3,56 61 x1x3x4x5x6 8,05 1 8,05 62 x2x3x4x5x6 0,32 1 0,32 63 x1x2x3x4x5x6 1,86 1 1,86

L ANOVA (complements)

L ANOVA (complements) L ANOVA (complements) On utlse le t de Student pour comparer deux moyennes. Cependant s on veut comparer tros moyennes ou plus l devent nécessare d utlser l Analyse de Varance smple ou l ANOVA 1. L applcaton

Plus en détail

L ANOVA ( ceci est un complément)

L ANOVA ( ceci est un complément) L ANOVA ( cec est un complément) On utlse le t de Student pour comparer deux moyennes. Cependant s on veut comparer tros moyennes ou plus l devent nécessare d utlser l Analyse de Varance smple ou l ANOVA

Plus en détail

ECOLE DES HAUTES ETUDES COMMERCIALES DE L'UNIVERSITE DE LAUSANNE. Finance Empirique. Examen Final : Printemps Professeur Eric Jondeau

ECOLE DES HAUTES ETUDES COMMERCIALES DE L'UNIVERSITE DE LAUSANNE. Finance Empirique. Examen Final : Printemps Professeur Eric Jondeau ECOLE DES HAUTES ETUDES COMMERCIALES DE L'UNIVERSITE DE LAUSANNE Fnance Emprque Examen Fnal : Prntemps 005 Professeur Erc Jondeau Nombre de pages : 5 (recto-verso) Durée de l examen : heures Vous avez

Plus en détail

2. Loi de propagation des erreurs (cas simples)

2. Loi de propagation des erreurs (cas simples) Lycée Blase-Cendrars/Physque/Labos/DC///04 Labos de physque : Mesures - Propagaton d erreurs - Mesures répéttves - Statstques. Prncpe de la mesure en physque Une mesure est toujours mprécse. La précson

Plus en détail

Nombre dérivé d une fonction (2) Plan du chapitre

Nombre dérivé d une fonction (2) Plan du chapitre Nombre dérvé d une foncton (2) Plan du captre Introducton : Nous poursuvons l étude des tangentes en procédant par pettes touces. Dans le captre précédent, nous avons défn la noton de nombre dérvé d une

Plus en détail

Cours 2. Méthode des différences finies Approche stationnaire

Cours 2. Méthode des différences finies Approche stationnaire Cours Méthode des dfférences fnes Approche statonnare Technque de dscrétsaton en D Constructon du système Prse en compte des condtons aux lmtes Noton de convergence Extenson au D Verson 09/006 (E.L.) NF04

Plus en détail

Travaux pratiques de Mathématiques. Ajustement

Travaux pratiques de Mathématiques. Ajustement I.U.T de Sant-azare Département de Géne cvl E LETTRES CAPITALES OM(S) : PRÉOM(S) : GROUPE : Travaux pratques de Mathématques Ajustement Travaux pratques de Mathématques joseoun.fr Page 1 / 7 Travaux pratques

Plus en détail

ANALYSE DE LA VARIANCE. Pierre-Louis GONZALEZ

ANALYSE DE LA VARIANCE. Pierre-Louis GONZALEZ ANALYSE DE LA VARIANCE Perre-Lous GONZALEZ ANALYSE DE LA VARIANCE Introducton Comparason des moyennes de pluseurs populatons Interprétaton statstque de résultats recuells à l ade d une stratége d expérmentaton

Plus en détail

Suivi de cultures par télédétection spatiale

Suivi de cultures par télédétection spatiale Unté de Bométre et Intellgence Artfcelle Suv de cultures par télédétecton spatale Sébasten Déjean Ingéneur-maître IUP Mathématques Industrelles Calcul Scentfque et Statstque, promoton 997 Ingéneur de recherche

Plus en détail

Méthode des résidus pondérés

Méthode des résidus pondérés Produt propre d un opérateur Méthode des résdus pondérés Ecrture d un opérateur u avec Ω les coordonnées spatales x, y, z p dans Ω Pour un opérateur lnéare u u u u avec α, β des nombres quelconques Pour

Plus en détail

Résumé. Sommaire. «Toute théorie n est bonne qu à condition de s en servir pour passer outre». André Gide in «Journal».

Résumé. Sommaire. «Toute théorie n est bonne qu à condition de s en servir pour passer outre». André Gide in «Journal». «Toute théore n est bonne qu à condton de s en servr pour passer outre». ndré Gde n «Journal». Résumé L usage des los de Krchhoff permet de toujours trouver les tensons et courants dans un réseau électrque

Plus en détail

Cours réalisé par Laurent DOYEN. La statistique descriptive

Cours réalisé par Laurent DOYEN. La statistique descriptive Cours réalsé par Laurent DOYEN La statstque descrptve . Introducton et défntons Statstque descrptve: Analyse et synthèse, NUMERIQUE et GRAPHIQUE, d un ensemble de données . Introducton et défntons Statstque

Plus en détail

Contrôle du lundi 19 novembre 2012 (45 minutes) 1 ère S1

Contrôle du lundi 19 novembre 2012 (45 minutes) 1 ère S1 1 ère S1 Contrôle du lund 19 novembre 01 (45 mnutes) Compléter le tableau c-dessous donnant la dstrbuton de fréquences pour cet échantllon (calculs au broullon, fréquences sous forme décmale) : Prénom

Plus en détail

Ministère de la Jeunesse et des Sports Institut Royal de Formation des Cadres Département des Sciences de la Vie. A. Arfaoui

Ministère de la Jeunesse et des Sports Institut Royal de Formation des Cadres Département des Sciences de la Vie. A. Arfaoui Mnstère de la Jeunesse et des Sports Insttut Royal de Formaton des Cadres Département des Scences de la Ve A. Arfaou Défntons La statstque est l ensemble des méthodes et technques permettant de trater

Plus en détail

MODELISATION DE DONNÉES QUALITATIVES REGRESSION LOGISTIQUE SIMPLE

MODELISATION DE DONNÉES QUALITATIVES REGRESSION LOGISTIQUE SIMPLE MODELISATION DE DONNÉES QUALITATIVES REGRESSION LOGISTIQUE SIMPLE Perre-Lous Gonzalez MODELES A REPONSE DICHOTOMIQUE Quelques applcatons: Y est dchotomque: succès ou échec, présence ou absence. Un organsme

Plus en détail

Chapitre I Les pourcentages. Exemples : Il y a 20 arbres dans le verger, donc 30% de poiriers. Combien y a-t-il de poiriers? =6 Il y a 6 poiriers.

Chapitre I Les pourcentages. Exemples : Il y a 20 arbres dans le verger, donc 30% de poiriers. Combien y a-t-il de poiriers? =6 Il y a 6 poiriers. Chaptre I Les pourcentages Extrat du programme : - Expresson en pourcentage d une augmentaton ou d une basse. / coeff multplcateur - Augmentatons et basses successves - aratons d un pourcentage. - Pourcentages

Plus en détail

CHAPITRE 7. CALCUL DES INDICATEURS DU SOUTIEN AUX CONSOMMATEURS

CHAPITRE 7. CALCUL DES INDICATEURS DU SOUTIEN AUX CONSOMMATEURS Chaptre 7 : Calcul des ndcateurs du souten aux consommateurs CHAITRE 7. CALCUL DES INDICATEURS DU SOUTIEN AUX CONSOMMATEURS 313. À l nstar du chaptre 6, le présent chaptre décrt en détal la méthode à applquer

Plus en détail

Loi binomiale - Echantillonnage

Loi binomiale - Echantillonnage Lo bnomale - Echantllonnage I Epreuve de Bernoull Lo de Bernoull 1. Epreuve de Bernoull Une épreuve de Bernoull est une expérence aléatore qu n'a que deux ssues : - S appelé succès avec une probablté p.

Plus en détail

Biostatistiques et statistiques appliquées aux sciences expérimentales

Biostatistiques et statistiques appliquées aux sciences expérimentales Bostatstques et statstques applquées aux scences expérmentales Rappels et pratque de la comparason de moyennes (test t, AOVA, comparasons multples) Jéréme Mattout #, Pascal Bessonneau Cogmaster A4 006-007

Plus en détail

Séries statistiques doubles 4 ème Sciences Mai 2010

Séries statistiques doubles 4 ème Sciences Mai 2010 Séres statstques doubles 4 ème Scences Ma 00 A. LAATAOUI I. Nuage de ponts. Introducton Une sére statstque à deu varables, X et Y, est le résultat de l observaton des deu caractères X et Y pour chaque

Plus en détail

Leçon 1. Statistiques

Leçon 1. Statistiques Leçon 1 Statstques Lors d une séance de saut en hauteur, le professeur d EPS a relevé, en centmètres, les performances c-dessous : 110-115-10-110-100-110-15-15-100-95-135-105-1-110-95-100-110-85-85-105-140-15-100-135-105-1-135-115-10-135

Plus en détail

FACTORISATION DE POLYNÔMES SUR DES CORPS FINIS

FACTORISATION DE POLYNÔMES SUR DES CORPS FINIS FACTORISATION DE POLYNÔMES SUR DES CORPS FINIS 1. Introducton La factorsaton est l un des ponts où l analoge entre nombres enters et polynômes se rompt. Par exemple, en caractérstque nulle, on peut trouver

Plus en détail

Probabilités. Définition : Chacun des résultats possible d une expérience aléatoire est appelée issue de l expérience.

Probabilités. Définition : Chacun des résultats possible d une expérience aléatoire est appelée issue de l expérience. Probabltés A) Vocabulare.. Expérence aléatore. Défntons : Une expérence est dte aléatore s elle vérfe tros condtons : Elle condut à des résultats possbles qu on est capable de nommer. On ne sat à l avance

Plus en détail

Estimateurs MCD de localisation et de dispersion: définition et calcul. Fauconnier Cécile Université de Liège

Estimateurs MCD de localisation et de dispersion: définition et calcul. Fauconnier Cécile Université de Liège Estmateurs MCD de localsaton et de dsperson: défnton et calcul Fauconner Cécle Unversté de Lège Plan de l eposé 2 Introducton: Pourquo les estmateurs robustes? Estmateur MCD : défnton Algorthmes appromatfs

Plus en détail

( ), dans les conditions standards, va

( ), dans les conditions standards, va THERMOCHIMIE R. Duperray Lycée F.BUISSON PTSI U T I L I S A T I O N D E S T A B L E S D E S G R A N D E U R S T H E R M O D Y N A M I Q U E S S T A N D A R D Dans le chaptre précédent, nous avons vu l

Plus en détail

Université d Orléans - Maitrise d Econométrie Econométrie des Variables Qualitatives

Université d Orléans - Maitrise d Econométrie Econométrie des Variables Qualitatives Unversté d Orléans - Matrse d Econométre Econométre des Varables Qualtatves Examen Termnal Decembre 2003. C. Hurln Exercce 1 (12 ponts) : Modèle Tobt Smple Censuré Le but de cet exercce est d évaluer l

Plus en détail

Dire qu un entier naturel est premier signifie qu il admet deux diviseurs : un et lui-même.

Dire qu un entier naturel est premier signifie qu il admet deux diviseurs : un et lui-même. Vdoune Termnale S Chaptre spé Arthmétque PPCM et nombres premers Nombre premer Dre qu un enter naturel est premer sgnfe qu l admet deux dvseurs : un et lu-même. Zéro est-l un nombre premer? Un est-l un

Plus en détail

Fiche technique : diagonalisation, trigonalisation.

Fiche technique : diagonalisation, trigonalisation. Fche technque 4 : dagonalsaton trgonalsaton - - Fche technque : dagonalsaton trgonalsaton Dagonalsaton de matrces le prncpe pour dagonalser en pratque une matrce est smple : calculer les espaces propres

Plus en détail

Réseaux linéaires. C Fig 1-a Fig 1-b Fig 1-c Fig 1-d

Réseaux linéaires. C Fig 1-a Fig 1-b Fig 1-c Fig 1-d etour au menu éseaux lnéares Défntons Un réseau électrque lnéare est un ensemble de dpôles lnéares, relés par des conducteurs de résstance néglgeable. On suppose que le réseau content au mons un générateur.

Plus en détail

Cours Corporate finance

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

Plus en détail

Corrélation et régression linéaire

Corrélation et régression linéaire Chaptre 9 Corrélaton et régresson lnéare 1. La corrélaton lnéare Chap 9. 1. La corrélaton lnéare. La régresson lnéare 1.1) Défntons L étude statstque d'une populaton peut porter smultanément sur pluseurs

Plus en détail

EC 2 Étude des circuits linéaires en régime continu

EC 2 Étude des circuits linéaires en régime continu Étude des crcuts lnéares en régme contnu PS 2016 2017 Objet du chaptre : donner des outls pour détermner l état électrque d un crcut : potentels des dfférents nœuds par rapport à un nœud chos comme référence

Plus en détail

Devoil libre N 6 2ème TSI 1 Correction

Devoil libre N 6 2ème TSI 1 Correction CPGE- Lycée technque Mohammeda Devol lbre N 6 Correcton Mathématques Exercce 1 : Un compact de R est une parte bornée fermée http://mathscpge.wordpress.com 1 http://mathscpge.wordpress.com CPGE- Lycée

Plus en détail

CUEEP Département Mathématiques T902 : Méthode des moindres carrés p1/16

CUEEP Département Mathématiques T902 : Méthode des moindres carrés p1/16 Méthode des mondres carrés Stuaton Le lancer de pods Dx adolescents droters s exercent à lancer le pods, du bras drot pus du bras gauche. Les résultats (dstances en mètres) obtenus sont les suvants : Adolescent

Plus en détail

Table des matières. Outils symboliques pour l'écriture de modèles et l étude de sensibilité des multicorps

Table des matières. Outils symboliques pour l'écriture de modèles et l étude de sensibilité des multicorps 3 Lste des fgures 11 Lste des tableaux 13 Introducton générale 15 Parte 1 Ecrture automatque des équatons du mouvement grâce aux Tenseurs d'inerte Globaux (TIG). Cas des lasons complexes et des pseudo-paramètres.

Plus en détail

Ecole Nationale d Ingénieurs de Brest. Module Qualité et Fiabilité. Les Plans d Expériences

Ecole Nationale d Ingénieurs de Brest. Module Qualité et Fiabilité. Les Plans d Expériences Notes de cours Ecole Natonale d Ingéneurs de Brest Module Qualté et Fablté Les Plans d Expérences Cours proposé par M. Parenthoën année 2002-2003 enb c mp2003....... 1 Plan du cours Plans d Expérences

Plus en détail

MODELES LINEAIRES GENERALISES

MODELES LINEAIRES GENERALISES MODELES LINEAIRES GENERALISES Famlle de modèles: Présentés pour la premère fos sous ce nom par Nelder et Wedderburn ( 1972 ) Exposés de façon complète par Mc Cullagh et Nelder ( 1989 ) Les modèles lnéares

Plus en détail

L ensemble des modalités ou des classes des modalités de X

L ensemble des modalités ou des classes des modalités de X Module statstque et probabltés_ parte 2 Zahra ROYER B _ Etude des dstrbutons d un caractère quanttatf : Sans perte de généralté : à la place de varable statstque, on va utlser le terme courant chez les

Plus en détail

Introduction à l Analyse de Données Longitudinales

Introduction à l Analyse de Données Longitudinales Introducton à l Analyse de Données Longtudnales Pr Roch Gorg roch.gorg@unv-amu.fr SESSTIM, Faculté de Médecne, Ax-Marselle Unversté, Marselle, France http://sesstm-orspaca.org http://optm-sesstm.unv-amu.fr/

Plus en détail

Modèle de régression linéaire: cas bivarié

Modèle de régression linéaire: cas bivarié U. Pars Ouest, M1 - Cours de Modélsaton Applquée Modèle de régresson lnéare: cas bvaré Laurent Ferrara Févrer 017 Sot varables contnues X et Y. On observe les untés epérmentales : (, y ), pour = 1,, n.

Plus en détail

TD 1. Z la prévision de Monsieur Sûr-de-lui. On donne les lois jointes de (X, Y ) et celles de (X, Z) dans les deux tableaux suivants Elles

TD 1. Z la prévision de Monsieur Sûr-de-lui. On donne les lois jointes de (X, Y ) et celles de (X, Z) dans les deux tableaux suivants Elles TD 1 Exercce 1. Dans la vallée de la mort : l pleut en moyenne 1 jour sur 100. la météo prédt 3 jours de plue sur 100. chaque fos qu l pleut, la météo l a prévu. Monseur Sûr-de-lu prévot qu l ne pleut

Plus en détail

Utilisation du solveur d Excel

Utilisation du solveur d Excel Cycle ICM : 1A Pôle nformatque Cours applcatons nformatques Auteur : Bertrand Jullen 22/12/04 Utlsaton du solveur d Excel Le but de ce TP est de famlarser les élèves avec la foncton Solveur d Excel, dans

Plus en détail

Texte Urnes et particules

Texte Urnes et particules Unverstés Rennes I Épreuve de modélsaton - Agrégaton Externe de Mathématques 2009. Page n 1. Texte Urnes et partcules À la fn du 19 ème sècle et au début du suvant, la tempête fat rage autour de la théore

Plus en détail

Les nombres complexes

Les nombres complexes A) Forme algébrque des nombres complexes Théorème (adms) Il exste un ensemble appelé ensemble des nombres complexes, noté, vérfant les tros proprétés suvantes :. content ;. Il exste dans un élément tel

Plus en détail

Licence Econométrie Année 2008/2009

Licence Econométrie Année 2008/2009 Unversté de Lyon Florence Goffette-Nagot Lcence Econométre Année 008/009 Cours «Modélsaton et nférence statstque» Exercces A retourner au plus tard le 10 mars 009 sur paper par mal: goffette-nagot@gate.cnrs.fr

Plus en détail

Une introduction à la théorie de la NP-Complétude

Une introduction à la théorie de la NP-Complétude Chaptre 8 Une ntroducton à la théore de la P-Complétude. Introducton: u chaptre, nous avons dscuté l mportance d avor des solutons de complexté polynomale. Dans l étude de la complexté des problèmes, le

Plus en détail

5. Relations d équivalences

5. Relations d équivalences 5. Relatons d équvalences Il est naturel de classfer des choses et on le fat tout le temps. Les nombres naturels sont de deux sortes : ceux qu sont pars et ceux qu sont mpars. On consdère Par et Impar

Plus en détail

Régulation PID par les méthodes empiriques

Régulation PID par les méthodes empiriques Régulaton PID par les méthodes emprques. Introducton à la synthèse des régulateurs PID et objectf du TP Les systèmes asservs peuvent présenter quelques contre performances : une précson permanente nsuffsante,

Plus en détail

ANALYSE DE VARIANCE D'UN DISPOSITIF EN BLOCS NON ORTHOGONAL

ANALYSE DE VARIANCE D'UN DISPOSITIF EN BLOCS NON ORTHOGONAL REVUE FORESTIÈRE FRANÇAISE 687 ANALYSE DE VARIANCE D'UN DISPOSITIF EN BLOCS NON ORTHOGONAL PAR Rchard TOMASSON E Staton de Bométre - C.N.R.F. Pour applquer de façon smple les méthodes statstques aux résultats

Plus en détail

Chapitre 2. Distillation flash Points de bulle et de rosée de systèmes multicomposants

Chapitre 2. Distillation flash Points de bulle et de rosée de systèmes multicomposants haptre 2 Dstllaton flash Ponts de bulle et de rosée de systèmes multcomposants 2. Vaporsaton flash et condensaton partelle La dstllaton flash est l'opératon de dstllaton la plus smple qu consste à amener

Plus en détail

Utilisation de la décomposition LDL T en simulation stochastique

Utilisation de la décomposition LDL T en simulation stochastique Utlsaton de la décomposton LDL en smulaton stochastque A. Notn,, J.L. Dulong, N. Gayton 3, P. Vllon CEIM 5, avenue Félx Louat, B.P.867, 634 SENLIS Cedex, France alban.notn@cetm.fr Laboratore Roberval UC,

Plus en détail

EVALUATION DES STOCKS DE LA DAURADE ROYALE Sparus aurata DES COTES SUD TUNISIENNES

EVALUATION DES STOCKS DE LA DAURADE ROYALE Sparus aurata DES COTES SUD TUNISIENNES EVALUATION DES STOCKS DE LA DAURADE ROYALE Sparus aurata DES COTES SUD TUNISIENNES Aymen HADJ TAIEB*, Mohamed GHORBEL & Othman JARBOUI Insttut Natonal des Scences et Technologes de la Mer (Centre de Sfax)

Plus en détail

Méthodologie de la mesure de la pauvreté en Tunisie

Méthodologie de la mesure de la pauvreté en Tunisie Méthodologe de la mesure de la pauvreté en Tunse 1 L un des objectfs assgnés à l enquête natonale sur le budget, la consommaton et le nveau de ve des ménages demeure l étude de la populaton pauvre et de

Plus en détail

Exercices d arithmétique

Exercices d arithmétique DOMAINE : Arthmétque NIVEAU : Intermédare CONTENU : Exercces AUTEUR : Noé DE RANCOURT STAGE : Cachan 011 (junor) Exercces d arthmétque Exercce 1 - Énoncés - a) Trouver tous les enters n N qu possèdent

Plus en détail

, ainsi l indice i représente la grappe et l indice j l individu dans la grappe.

, ainsi l indice i représente la grappe et l indice j l individu dans la grappe. Chaptre 5 (parte 1) ÉCHATILOAGE PAR GRAPPES ET À DEUX DEGRÉS AVEC DES PROBABILITÉS DE SÉLECTIO ÉGALES Souvent les untés de la populaton se présentent sous en groupes d untés ou «grappes» et ce sont ces

Plus en détail

Introduction à l économétrie II. Modèle de régression linéaire simple

Introduction à l économétrie II. Modèle de régression linéaire simple 4/09/03 Introducton à l économétre II. Modèle de régresson lnéare smple Claudo Araujo CERDI, Unversté d Auvergne Clermont-Ferrand, France www.cerd.org http://www.cerd.org/claudo-araujo/perso/. Défnton

Plus en détail

UE MAT234. Notes de cours sur l algèbre linéaire

UE MAT234. Notes de cours sur l algèbre linéaire UE MAT234 Notes de cours sur l algèbre lnéare Matrces - Systèmes lnéares - Détermnants - Dagonalsaton Dans tout ce document, K désgne ndfféremment le corps des nombres réels IR, ou celu des nombres complexes

Plus en détail

La pression limite et le module pressiométrique sont des paramètres géotechniques déduits d'essais en place (essai pressiométrique Ménard).

La pression limite et le module pressiométrique sont des paramètres géotechniques déduits d'essais en place (essai pressiométrique Ménard). I - Introducton Le dmensonnement par le calcul des fondatons d'ouvrage d'art, par la méthode des Eurocodes, nécesste au préalable la détermnaton de valeurs caractérstques quantfant les proprétés des sols

Plus en détail

BTS INFORMATIQUE DE GESTION SESSION 2002 E2 : MATHÉMATIQUES I. Durée : 3 heures Coefficient : 2 ÉPREUVE OBLIGATOIRE

BTS INFORMATIQUE DE GESTION SESSION 2002 E2 : MATHÉMATIQUES I. Durée : 3 heures Coefficient : 2 ÉPREUVE OBLIGATOIRE BTS INFORMATIQUE DE GESTION SESSION 2002 E2 : MATHÉMATIQUES I Durée : heures Coeffcent : 2 ÉPREUVE OBLIGATOIRE Le (la) canddat (e) dot trater tous les eercces. La qualté de la rédacton, la clarté et la

Plus en détail

T.P. 5 Exercice 1 Distribution normale

T.P. 5 Exercice 1 Distribution normale T.P. 5 Exercce 1 Dstrbuton normale Connassances préalables : Buts spécfques : Outls nécessares : Noton de moyenne, varance et écart type. Acquérr la noton de dstrbuton normale et ses caractérstques. Paper,

Plus en détail

Chap.4 Application du 2 e principe aux réactions chimiques Evolution et équilibre d un système chimique

Chap.4 Application du 2 e principe aux réactions chimiques Evolution et équilibre d un système chimique Chap.4 Applcaton du e prncpe aux réactons chmques Evoluton et équlbre d un système chmque 1. Entrope standard de réacton 1.1. (Rappels) e prncpe de la thermodynamque 1.. Défnton et méthodes de calcul de

Plus en détail

1 Réponse d un circuit RC série à un échelon de tension

1 Réponse d un circuit RC série à un échelon de tension Lycée Naval, Sup. Sgnaux Physques.. Crcut lnéare du premer ordre Crcut lnéare du premer ordre 1 éponse d un crcut C sére à un échelon de tenson On s ntéresse à la réponse d une assocaton sére {conducteur

Plus en détail

UNIVERSITE DE BOURGOGNE MM5: Analyse Numérique Elémentaire FichedeTDno2

UNIVERSITE DE BOURGOGNE MM5: Analyse Numérique Elémentaire FichedeTDno2 1 UNIVERSITE DE BOURGOGNE MM5: Analyse Numérque Elémentare FchedeTDno2 1 Que peut-on dre d une méthode tératve dont la matrce a un rayon spectral nul? 2 Etuder les méthodes de Jacob et Gauss-Sedel pour

Plus en détail

Payer nuit gravement à la santé : une analyse de l impact du renoncement financier aux soins sur l état de santé

Payer nuit gravement à la santé : une analyse de l impact du renoncement financier aux soins sur l état de santé Carolne Berchet (LEDa-LEGOS, Unversté Pars Dauphne ) Payer nut gravement à la santé : une analyse de l mpact du renoncement fnancer aux sons sur l état de santé Paul Dourgnon, Florence Jusot et Roman Fantn

Plus en détail

Attaques algébriques

Attaques algébriques Attaques algébrques Un nouveau genre d attaques, appelé attaques algébrques, a été ntrodute récemment. Les attaques algébrques récupèrent la clef secrète par la résoluton d un système surdétermné d équatons

Plus en détail

PRISME. section principale

PRISME. section principale 1) Défntons. PRISME Un prsme est un mleu transparent, homogène et sotrope, lmté par deux doptres plans non parallèles. base arête secton prncpale La drote d'ntersecton des deux plans (qu n'exste pas toujours

Plus en détail

OUTILS MATHEMATIQUES GLISSEURS & TORSEURS

OUTILS MATHEMATIQUES GLISSEURS & TORSEURS Statque et Cnématque des soldes 0-0 Chaptre Chap: OUTILS THETIQUES GLISSEUS & TOSEUS L'obectf de ce chaptre est de donner brèvement les outls mathématques nécessares à la compréhenson de la sute de ce

Plus en détail

Leçon 3 Les statistiques, révisions

Leçon 3 Les statistiques, révisions Leçon 3 Les statstques, révsons Pour cette parte, je reprends d abord toutes les notons vues en seconde. Il y a un vocabulare de base à connaître. Les statstques sont utlsées dans tous les domanes, scences,

Plus en détail

BREVET DE TECHNICIEN SUPÉRIEUR INFORMATIQUE DE GESTION

BREVET DE TECHNICIEN SUPÉRIEUR INFORMATIQUE DE GESTION BREVET DE TECHNICIEN SUPÉRIEUR INFORMATIQUE DE GESTION Optons : - Développeur d applcatons - Admnstrateur de réseaux locaux d entreprse SESSION 2011 SUJET ÉPREUVE E2 MATHÉMATIQUES I Durée : 3 heures coeffcent

Plus en détail

Chapitre 10 Les systèmes de particules

Chapitre 10 Les systèmes de particules 0.0 Introducton. Chaptre 0 Les systèmes de partcules Dans l expérence sur les collsons vous avez constaté que le centre de masse du système se déplace en lgne drote à vtesse constante. Pourquo? Parce que

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire Corrigé - Statistiques Descriptives

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire Corrigé - Statistiques Descriptives UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année unverstare 2017 2018 L1 Économe Cours de B. Desgraupes Corrgé - Statstques Descrptves Séance 10: Régresson lnéare Corrgé ex. 1: Vtesse et dstance

Plus en détail

Traitement des incertitudes en simulation numérique

Traitement des incertitudes en simulation numérique Tratement des ncerttudes en smulaton numérque Cours : Planfcaton et analyse d expérences numérques Bertrand Iooss Module INSA Toulouse/GMM 5 Planfcaton, rsque et ncerttudes 8 novembre 0 Module Tratement

Plus en détail

Mathématiques B30. Les nombres complexes Module de l élève

Mathématiques B30. Les nombres complexes Module de l élève Mathématques B30 Les nombres complexes Module de l élève 00 Mathématques B30 Les nombres complexes 10 y axe magnare Module de l élève 4+6 x -10 10 axe réel --4 Bureau de la mnorté de langue offcelle 00-10

Plus en détail

Module Mathématiques pour l Informatique_ partie 10

Module Mathématiques pour l Informatique_ partie 10 Module Mathématques pour l Informatque_ parte 0 Zahra Royer-SafouanaTabou Rappel : On appelle ans les ensembles de nombres : (cf. Wpéda), ensemble des enters naturels., ensemble des enters relatfs., ensemble

Plus en détail

IFT1575 Modèles de recherche opérationnelle (RO) 7. Programmation non linéaire

IFT1575 Modèles de recherche opérationnelle (RO) 7. Programmation non linéaire IFT575 Modèles de recherche opératonnelle (RO 7. Programmaton non lnéare Fonctons convees et concaves Sot et deu ponts dans R n Le segment de drote jognant ces deu ponts est l ensemble des ponts + λ( -

Plus en détail

Chapitre 6 Statistiques Classe :4 SC-EXP

Chapitre 6 Statistiques Classe :4 SC-EXP L-P-Bourguba de Tuns Prof :Ben jedda chokr Chaptre 6 Statstques Classe :4 SC-EXP EXERCICES EXERCICE 1 : Le tableau c-dessous ndque le taux de départ en vacances de la populaton d un pays de 1965 à 1993

Plus en détail

Réduire les inégalités de salaires entre femmes et hommes

Réduire les inégalités de salaires entre femmes et hommes Rédure les négaltés de salares entre femmes et hommes Annexe méthodologque 1 Antone Bozo, Brgtte Dormont et Cecla García Peñalosa Conseller scentfque : Manon Domngues Dos Santos Octobre 2014 Décomposton

Plus en détail

Variabilité des pratiques de prescription des médecins généralistes et ajustement au risque

Variabilité des pratiques de prescription des médecins généralistes et ajustement au risque Varablté des pratques de prescrpton des médecns généralstes et ajustement au rsque C. Plorge R. Legal DREES 33 èmes Journées des Economstes de la Santé Franças Clermont-Ferrand 2011 1 Contexte - S nscrt

Plus en détail

A =

A = Exercces avec corrgé succnct du chaptre 2 (Remarque : les références ne sont pas gérées dans ce document, par contre les quelques?? qu apparassent dans ce texte sont ben défns dans la verson écran complète

Plus en détail

T.P. 5 Exercice 1 Distribution normale

T.P. 5 Exercice 1 Distribution normale T.P. 5 Exercce 1 Dstrbuton normale Corrgé Connassances préalables : Buts spécfques : Outls nécessares : Noton de moyenne, varance et écart type. Acquérr la noton de dstrbuton normale et ses caractérstques.

Plus en détail

Refroidissement d un liquide et horloge de température

Refroidissement d un liquide et horloge de température ACTUALITÉS PÉDAGOGIQUES 151 Refrodssement d un lqude et horloge de température LYCÉE Lycée Baudelare - 74960 Cran-Gevrer (Grenoble) PARTICIPANTS Professeurs Glles GALLIN-MARTEL, professeur de physque ;

Plus en détail

Traitement du signal (15 h) Jean-Hugh Thomas

Traitement du signal (15 h) Jean-Hugh Thomas Programme complet : http://www.unv-lemans.fr/~jhthomas/syll_5a_ts.html Tratement du sgnal (5 h) Jean-Hugh Thomas (jean-hugh.thomas@unv-lemans.fr) Sgnaux aléatores Analyse spectrale 3 Systèmes lnéares stochastques

Plus en détail

Application du premier principe à la réaction chimique

Application du premier principe à la réaction chimique Applcaton du premer prncpe à la réacton chmque Le premer prncpe de la thermodynamque étude les transferts d énerge (transfert de chaleur d un corps à un autre), les transformatons d un type d énerge en

Plus en détail

Présentation De L indice De La Production Industrielle BASE 2010

Présentation De L indice De La Production Industrielle BASE 2010 Présentaton De L ndce De La Producton Industrelle BASE 2010 L ndce de la producton ndustrelle / janver 2015 1. Introducton L ndce de la producton ndustrelle se défnt comme un ndcateur qu permet de mesurer

Plus en détail

ANNEXE : Rappels sur les notions de dérivée et différentielle

ANNEXE : Rappels sur les notions de dérivée et différentielle NNEXE : Rappels sur les notons de dérvée et dfférentelle Pente d une drote Eamnons géométrquement les drotes dans le plan cartésen La prncpale caractérstque qu dstngue une drote d une autre est son nclnason,

Plus en détail

0HVXUHGH ODPDWULFHGHGLVWULEXWLRQGHWUDILF. GDQVXQUpVHDXDYHFGpERUGHPHQW. (Exercices inclus) Mr. H. Leijon, ITU

0HVXUHGH ODPDWULFHGHGLVWULEXWLRQGHWUDILF. GDQVXQUpVHDXDYHFGpERUGHPHQW. (Exercices inclus) Mr. H. Leijon, ITU /$,78'RF) 0HVXUHGH ODPDWULFHGHGLVWULEXWLRQGHWUDILF GDQVXQUpVHDXDYHFGpERUGHPHQW (Exercces nclus) Mr. H. Leon, ITU 8,,7($7,$/('(67(/(&008,&$7,6,7($7,$/7(/(&008,&$7,8, 8,,7($&,$/'(7(/(&08,&$&,(6 - - 0(68('(/$0$7,&('(',67,%87,'(7$),&'$68(6($8$9(&'(%'(0(7

Plus en détail

Chapitre I : L eau solvant

Chapitre I : L eau solvant Chme Plan (Clquer sur le ttre pour accéder au paragraphe) ********************** I- L EAU SOLVANT...2 I-1 Pouvor d hydrataton... 2 a- Forces de Van der Walls... 2 b- Forces répulsves... 3 c- Interactons

Plus en détail

Calculer une enveloppe convexe

Calculer une enveloppe convexe Calculer une enveloppe convexe Préparaton à l agrégaton opton Calcul formel Antone Chambert-Lor (verson revue par Mchel Coste) 1. Introducton Sot A une parte du plan ; de nombreux problèmes géométrques

Plus en détail

Terminale S Les ROC : complexe/géométrie à connaître.

Terminale S Les ROC : complexe/géométrie à connaître. Termnale S Les ROC : complexe/géométre à connaître Vous trouvere c les démonstratons que vous ave offcellement dues fare en cours (dans le programme) Il est mportant de précser que cela ne sgnfe en aucun

Plus en détail

est minimale pour 1 a = et b = 0.

est minimale pour 1 a = et b = 0. EXERCICE. On consdère la sére chronologque suvante : x 3 4 5 0 5 33 4 5 0 Pour chacune des deux affrmatons suvantes, dre s elle est vrae ou s elle est fausse en justfant la réponse fourne. a. Le pont moen

Plus en détail

Chapitre 4 : Ecoulement adiabatique avec frottement «Ecoulement de Fanno»

Chapitre 4 : Ecoulement adiabatique avec frottement «Ecoulement de Fanno» Cours : Dynamque des gaz. Unversté de ed Boudaf sla Année Unverstare 06/07 Faculté des echnologes Opton : Energétque Département de Géne écanque aster ère Année Chaptre 4 : Ecoulement adabatque avec frottement

Plus en détail

BTS MAINTENANCE ET APRÈS-VENTE DES ENGINS DE TRAVAUX PUBLICS ET DE MANUTENTION TECHNIQUES QUANTITATIVES DE GESTION

BTS MAINTENANCE ET APRÈS-VENTE DES ENGINS DE TRAVAUX PUBLICS ET DE MANUTENTION TECHNIQUES QUANTITATIVES DE GESTION BTS MAINTENANCE ET APRÈS-VENTE DES ENGINS DE TRAVAUX PUBLICS ET DE MANUTENTION TECHNIQUES QUANTITATIVES DE GESTION SESSION 2016 Durée : 1 heure 30 Coeffcent : 1 Matérel autorsé : Toutes les calculatrces

Plus en détail

La prévision des ventes

La prévision des ventes Logstque La prévson des ventes A partr de «Modélsaton des décsons de geston», Delaloye L, Fragnère E, M. Hoesl, Economca, Pars, 2001. MODULE : MANAGEMENT & RH CH - 03 Source : http://www.elantransport.co.ma/

Plus en détail

1 ère S Exercices sur les fonctions de référence

1 ère S Exercices sur les fonctions de référence ère S Eercces sur les fonctons de référence Détermner par le calcul les nombres qu sont confondus avec leur mage par la foncton «carré» Détermner par le calcul les nombres qu sont confondus avec leur mage

Plus en détail

Les corrigés des examens DPECF - DECF

Les corrigés des examens DPECF - DECF 1 er centre de formaton comptable va Internet. Les corrgés des examens DPECF - DECF 2004 48h après l examen sur www.comptala.com L école en lgne qu en fat + pour votre réusste Préparaton aux DPECF et DECF

Plus en détail

INTRODUCTION A L ETUDE DES SPECTROMETRIES DE L ATOME

INTRODUCTION A L ETUDE DES SPECTROMETRIES DE L ATOME INTRODUCTION A ETUDE DES SPECTROMETRIES DE ATOME Nveaux énergétques de l atome et transtons permses C.J. Ducauze, H. Ths et X.T. Bu INTRODUCTION A ETUDE DES SPECTROMETRIES DE ATOME Nveaux énergétques de

Plus en détail

1 ère S Exercices sur les fonctions polynômes du second degré

1 ère S Exercices sur les fonctions polynômes du second degré ère S Exercces sur les fonctons polynômes du second degré 5 Mêmes questons que dans l exercce avec la foncton f défne sur par f ( x) x x Dans chaque cas, dresser sans rédger le tableau de varaton de la

Plus en détail

Probabilités, Statistique et Calcul Stochastique

Probabilités, Statistique et Calcul Stochastique Ecole Natonale des Scences Applquées de Tétouan (ENSATE) Année Unverstare: 204-205 robabltés, Statstque et Calcul Stochastque e-mal: m_merouan@yahoo.fr Ste Web: elmerouan.jmdo.com rogramme robabltés et

Plus en détail

Fractions rationnelles

Fractions rationnelles Bblothèque d exercces Énoncés L Feulle n 8 Fractons ratonnelles Exercce Décomposer + 4 Décomposer + + + Décomposer + + + 4 Décomposer 4 + + 5 Décomposer 4 6 Décomposer 5 + 4 + 7 Décomposer 5 + 4 + ( )

Plus en détail