2 Variables aléatoires indépendantes
|
|
- Anne-Marie Larivière
- il y a 7 ans
- Total affichages :
Transcription
1 -stat_ii.b 7 Variables aléatoires idépedates. Variables idépedates Exemple de deux variables idépedates O lace quatre fois ue pièce de moaie. O ote X = ombre de piles obteus lors des deux premiers lacers, Y = ombre de piles obteus lors des deux deriers lacers. Ituitivemet, les valeurs de Y e sot pas "ifluecées" par les résultats de X. Les variables X et Y sot idépedates. Nous aimerios caractériser la situatio par ue relatio mathématique. Représetos les différetes issues possibles pedat le déroulemet des quatre lacers de la pièce de moaie. A chaque lacer, il y a deux possibilités qu'o peut représeter par u embrachemet. Chaque évéemet situé à l'extrémité d'ue brache (tout e bas) a ue chace sur 6 de se produire. Doc px, Y 6 px, Y 6 px, Y 0 6 px, Y 6
2 -stat_ii.b px, Y 4 6 px, Y 0 6 px 0, Y 6 px 0, Y 6 px 0, Y 0 6 Avec les résultats précédets, dressos u tableau des probabilités X0 Y0 Y Y 6 X X Y px,y X Nous complétos le tableau précédet par les sommes de chaque lige et de chaque coloe
3 -stat_ii.b 9 X0 Y0 Y Y 6 X X p X 0 4 p X p X 4 p Y 0 4 p Y p Y 4 p X 0 = px = 0, - désige la probabilité que X = 0, la variable Y preat toutes les valeurs possibles. p X 0 = px = 0, - est égale à la somme de la première lige du tableau : p X 0 px 0, px 0, Y 0 px 0, Y px 0, Y p Y = p-, Y = désige la probabilité que Y =, la variable X preat toutes les valeurs possibles. p Y = p-, Y = est égale à la somme de la deuxième coloe du tableau : p Y p, Y px 0, Y px, Y px, Y 4 Les ombres p X i sot les probabilités de la distributio margiale X, c'est-à-dire qui se rapportet à la première composate de la variable aléatoire à deux dimesios Z = X = i, -, la variable Y preat toutes les valeurs possibles. Les ombres p Y j sot les probabilités de la distributio margiale Y, c'est-à-dire qui se rapportet à la deuxième composate de la variable aléatoire à deux dimesios Z = -, Y = j, la variable X preat toutes les valeurs possibles. A quoi correspod le produit des probabilités margiales? p X 0p Y px 0, Y 0 p X 0p Y 4 px 0, Y etc. Das le tableau des probabilités, la propriété s'exprime comme suit: pour des variables idépedates, la probabilité d'u évéemet est égale au produit des probabilités margiales: X0 4 X X 4 Y0 Y Y O a la propriété caractéristique suivate: X, Y idépedates pour tous les couples i, j px i, Y j p X ip Y j
4 -stat_ii.b 0 Exemple de deux variables o idépedates O lace trois fois ue pièce de moaie. O ote X = ombre de piles obteus lors des deux premiers lacers, Y = ombre de piles obteus lors des deux deriers lacers. Ituitivemet, les valeurs de Y sot "ifluecées" par les résultats de X. Par exemple, si X = 0, il est impossible que Y = ; ou ecore, si X =, il est impossible que Y = 0. Les variables X et Y e sot pas idépedates. Nous aimerios caractériser la situatio par ue relatio mathématique. Représetos les différetes issues possibles pedat le déroulemet des trois lacers de la pièce de moaie. A chaque lacer, il y a deux possibilités qu'o peut représeter par u embrachemet. pile face X X X X0 X,Y X,Y X,Y X,Y X,Y X,Y X,Y X,Y,,,,0,, 0, 0,0 Chaque évéemet situé à l'extrémité d'ue brache (tout e bas) a ue chace sur de se produire. Doc
5 -stat_ii.b px, Y px, Y px, Y 0 0 px, Y px, Y px, Y 0 px 0, Y 0 px 0, Y px 0, Y 0 Avec les résultats précédets, dressos u tableau des probabilités Y0 Y Y X0 0 X 4 X 0 Complétos le tableau précédet par les sommes de chaque lige et de chaque coloe Y0 Y Y X0 0 p X 0 4 X 4 p X X 0 p X 4 p Y 0 4 p Y p Y 4 p X 0 = px = 0, - désige la probabilité que X = 0, la variable Y preat toutes les valeurs possibles. p X 0 = px = 0, - est égale à la somme de la première lige du tableau : p X 0 px 0, px 0, Y 0 px 0, Y px 0, Y 0 4 p y = p-, Y = désige la probabilité que Y =, la variable X preat toutes les valeurs possibles. p Y = p-, Y = est égale à la somme de la deuxième coloe du tableau : p Y p, Y px 0, Y px, Y px, Y 4 Les ombres p X i sot les probabilités de la distributio margiale X, c'est-à-dire qui se rapportet à la première composate de la variable aléatoire à deux dimesios Z = X = i, -, la variable Y preat toutes les valeurs possibles.
6 -stat_ii.b Les ombres p Y j sot les probabilités de la distributio margiale Y, c'est-à-dire qui se rapportet à la deuxième composate de la variable aléatoire à deux dimesios Z = -, Y = j, la variable X preat toutes les valeurs possibles. Le tableau des probabilités e possède pas la propriété la probabilité d'u évéemet est égale au produit des probabilités margiales p X 0p Y px 0, Y 0 p X 0p Y px 0, Y 6... Le tableau des produits des probabilités margiales diffère du tableau des probabilités: X0 4 X X 4 Y0 Y Y Le fait que les deux variables e soiet pas idépedates se traduit par la propriété caractéristique suivate: px i, Y j p X ip Y j pour au mois u couple i, j Défiitio de deux variables idépedates Das le cas de deux variables discrètes X, Y, o défiit les probabilités margiales comme suit: p X x i px x i, px x i, Y y k p Y y j p, Y y j px x r, Y y j k r Le fait que les deux variables X et Y soiet idépedates se traduit par la propriété caractéristique suivate: la probabilité d'u évéemet est égale au produit des probabilités margiales E d'autres termes, X, Y idépedates pour tous les couples i, j px x i, Y y j p X x i p Y y j px x i, Y y j px x i, Y y k px x r, Y y j k r. EX Y = EX EY Exemple O lace quatre fois ue pièce de moaie. O ote X = ombre de piles obteus lors des deux premiers lacers, Y = ombre de piles obteus lors des deux deriers lacers. Avec les valeurs calculées das le., o a
7 -stat_ii.b 3 O a EY EX 0 p X 0 p X p X E X Y 0 0 px 0, Y 0 0 px 0, Y 0 px, Y 0 px, Y 0 px 0, Y 0 px, Y 0 px, Y px, Y px, Y EX Y EX EY Cas gééral Propositio X, Y idépedates EX Y EX EY E mots : Pour des variables aléatoires idépedates, l' espérace du produit est égale au produit des espéraces Démostratio pour des variables aléatoires discrètes EX Y x i y j px x i, Y y j x i y j p X x i p Y y j i j i j x i p X x i y j p Y y j x i p X x i y j p Y y j i j i j EX EY La propositio est valide pour des variables aléatoires quelcoques, e particulier cotiues..3 VX + Y = VX + VY s X +Y = s X +s Y Exemple O lace quatre fois ue pièce de moaie. O ote X = ombre de piles obteus lors des deux premiers lacers, Y = ombre de piles obteus lors des deux deriers lacers. Avec les valeurs calculées das les paragraphes. et., o a EY EX E X Y EX EY VY VX 0 4 4
8 -stat_ii.b 4 VX Y 0 0 px 0, Y 0 0 px 0, Y 0 px, Y 0 px, Y 0 px 0, Y 0 px, Y 0 px, Y px, Y px, Y Pour deux variables idépedates, o a VX Y VX VY Cas gééral Démostratio : faisos appel aux règles coues VX Y EX Y EX Y EX XYY EX EY EX EX Y EY E X EX EY E Y EX E X EY E Y EX Y EX EY VX VY 0 VX VY O a démotré la propositio X, Y idépedates VX Y VX VY E mots : E d'autres termes, Pour des variables aléatoires idépedates, la variace de la somme est égale à la somme des variaces XY X Y doc, pour l'écart-type de la somme, X, Y idépedates XY X Y Comparaiso des variaces empirique s x + y et s x + s y Partos de variables aléatoires idépedates. Par exemple, pour les variables aléatoires X =lacer d'ue pièce de moaie (covetio 0 = pile, = face); Y =lacer d'u dé; Z = X, Y = lacer ue pièce de moaie et u dé (variable de dimesio ) ; o a obteu, e répétat 0 épreuves idépedates de la variable Z, les échatillos suivats Needs"Statistique`" piece BeroulliDistributio ; de DiscreteUiformDistributio, 6; 0;
9 -stat_ii.b 5 x RadomItegerpiece,,,, 0, 0,,, 0, 0, y RadomItegerde,, 3, 6, 4,, 6, 5,, 6, 5 NVariaceMLEx y 3.4 NVariaceMLEx VariaceMLEy 3.44 Ce que les variables aléatoires réaliset exactemet das u modèle théorique idéal VX Y VX VY les échatillos empiriques de variables idépedates e le réaliset qu'approximativemet s x y s x s y Les échatillos de grade taille ot u comportemet plus proche du modèle théorique ; x RadomItegerpiece, ; y RadomItegerde, ; NVariaceMLEx y 3.66 NVariaceMLEx VariaceMLEy Exercice.3 - a) Soiet X et Y deux variables aléatoires cotiues uiformémet distribuées sur l'itervalle 0, [. Par simulatio, formez deux échatillos de même taille : x pour X, y pour Y. Calculez et comparez mx y, mx my aisi que vx y, vx vy b) Soit (X, Y) ue paire de variables aléatoires défiie comme suit : X est cotiue uiformémet distribuée sur l'itervalle 0, [ et Y = uif. distr. sur 0; 0.5 si X < uif. distr. sur, si X. Par simulatio, formez u échatillo x, y = x, y, x, y,... de taille. Calculez et comparez aisi que mx y, mx my
10 -stat_ii.b 6 vx y, vx vy c) Expliquez pourquoi o obtiet des quatités approximativemet égales das la situatio a) et des quatités différetes das la situatio b). Exercice.3 - Soiet X et X deux variables aléatoires idépedates. La distributio de X est ormale, d'espérace m = 0, d'écart-type s = 3. La distributio de X est ormale, d'espérace m = 0, d'écart-type s = 4. Au moye d'ue simulatio, estimez la moyee m et l'écart-type s de la somme Y = X + X. Comparez les résultats de la simulatio avec les paramètres théoriques m et s. Exercice.3-3 Soiet X, X,..., X des variables de Beroulli idépedates de même probabilité p et S = X + X X la variable biomiale (, p). Calculez l'écart-type théorique s S..4 Espérace et écart-type de la moyee Exemple itroductif O lace ue pièce de moaie et o compte le ombre de "face". Das le modèle théorique, otos X le ombre de "face" e u lacer, à savoir : X = 0 avec prob., avec prob. M 0 le ombre moye de "face" pour 0 lacers; M 000 le ombre moye de "face" pour 000 lacers. Nous allos comparer les valeurs théoriques à celles obteues par des simulatios. Pour géérer ue moyee de lacers, o divise par la variable biomiale,. Ue expériece cosistat à lacer fois ue pièce, gééros u échatillo de k expérieces: Needs"Statistique`" som : BiomialDistributio, ; echat, k : N RadomItegersom, k; Le ombre moye de "face" e 0 lacers est ue variable aléatoire M 0 dot o peut cosidérer u échatillo de taille 50 e0 echat0, , 0.7, 0.6, 0.7, 0.5, 0.4, 0.4, 0.7, 0.4, 0.3, 0.4, 0.4, 0.7, 0.5, 0.5, 0., 0.6, 0.4, 0.4, 0.6, 0.3, 0.4, 0.6, 0., 0.6, 0.5, 0.4, 0.7, 0.9, 0.4, 0.5, 0.3, 0.6, 0.4, 0.5, 0.6, 0.6, 0.6, 0.6, 0.4, 0.5, 0.6, 0.4, 0.6, 0.7, 0.3, 0.7, 0.7, 0.7, 0.7 m0 Meae0 0.54
11 -stat_ii.b 7 s0 StadardDeviatioMLEe Le ombre moye de "face" e 000 lacers est ue variable aléatoire M 000 dot o peut cosidérer u échatillo de taille 50 e000 echat000, , 0.49, 0.56, 0.45, 0.59, 0.497, 0.475, 0.5, 0.506, 0.56, 0.5, 0.49, 0.57, 0.59, 0.496, 0.496, 0.4, 0.5, 0.5, 0.494, 0.494, 0.50, 0.5, 0.4, 0.47, 0.5, 0.4, 0.49, 0.49, 0.454, 0.496, 0.4, 0.479, 0.505, 0.43, 0.5, 0.503, 0.5, 0.4, 0.49, 0.50, 0.533, 0.49, 0.54, 0.495, 0.55, 0.45, 0.5, 0.47, 0.50 O remarquera que les moyees sot mois fluctuates avec 000 lacers qu'avec 0. E d'autres termes, l'écart-type de la moyee est plus petit pour 000 lacers que pour 0 lacers. m000 Meae s000 StadardDeviatioMLEe O pourra observer que * les valeurs moyees de X, M 0 et M 000 sot comparables (eviro ); * l'écart-type avec 000 lacers vaut eviro de l'écart-type avec 0 lacers. 0 Ce paragraphe se propose d'expliquer pourquoi. Nous motreros que, pour ue moyee comptat 00 fois plus de termes, où 000 VM 000 et 0 VM 0 Espérace et écart-type de la moyee Cosidéros la moyee M de variables aléatoires idépedates X, X,..., X de même espérace m=ex =...= EX et de même écart-type s = VX =...= VX M X X... X M est ue variable aléatoire. L'espérace mathématique de M est calculée avec les propriétés coues EM E X X... X EX EX... EX... La variace de M est calculée avec les propriétés précédemmet établies VM V X X... X VX VX... VX... L'écart-type théorique de M est
12 -stat_ii.b M SM VM Reteos les formules suivates qui sot valables, e particulier, pour des épreuves répétées idépedates (m et s désiget l'espérace et l'écart-type d'ue épreuve, le ombre d'épreuves et M la variable aléatoire "moyee des épreuves"): EM VM E d'autres termes, pour l'écart-type de la moyee s M = VM, o a M Retour à l'exemple itroductif Nous pouvos maiteat expliquer pourquoi l'écart-type avec 000 lacers vaut eviro de l'écart-type avec 0 0 lacers où 000 VM 000 et 0 VM 0 Plus gééralemet, pour gager u chiffre caractéristique sur la précisio de la moyee (c'est-à-dire pour réduire l'écart-type d'u facteur ), il faut predre u échatillo de taille o pas 0 fois plus grade mais 00 fois plus 0 grade! Exemple Laços fois ue pièce de moaie. Le jet uméro j est modélisé par la variable aléatoire X j X j = 0 (pile) avec probabilité X j = (face) avec probabilité dot l'espérace mathématique est m=ex k = 0 μ + μ = et dot l'écart-type théorique est s= Ces variables sot idépedates. = La moyee M des variables représete le ombre moye de "face" obteu avec les jets. M est ue variable aléatoire qui vérifie EM M
13 -stat_ii.b 9.5 Estimateurs o biaisés Exemple itroductif O lace trois fois ue pièce de moaie et o compte le ombre moye de "face". A partir d'expérieces, o veut estimer la moyee et l'écart-type d'u lacer. Needs"Statistique`" piece BeroulliDistributio ; Ue observatio doe, par exemple, obs RadomItegerpiece, 3 0, 0, m3 Meaobs 3 v3 VariaceMLEobs 9 Etat doé que les résultats précédets sot très fluctuats, orgaisos ue série d'observatios et faisos leur moyee: 000; obs TableRadomItegerpiece, 3, ; mobs MapMea, obs; m3m NMeamObs vobs MapVariaceMLE, obs; v3m NMeavObs 0.69 Comparos avec les valeurs théoriques. Nous partos de trois variables aléatoires idépedates : X j = 0 avec prob., j =,, 3, dot ous formos la moyee M avec prob. 3 = X 3 + X + X 3. Nous ous demados si les paramètres empiriques de M 3 costituet ue estimatio raisoable des paramètres théoriques de X j. Plus précisémet, ous allos comparer * la moyee empirique de trois observatios m 3 = mm 3 et l'espérace d'u jet m =EX j ; * l'écart-type empirique de trois observatios v 3 = vm 3 et l'écart-type théorique d'u jet s = VX j. EX j VX j voir Statistique I, Exercice 3.
14 -stat_ii.b 0 La comparaiso de m 3 et m doe bie le résultat attedu : m 3 Par cotre, v 3 et s sot très différets. La raiso est qu'il faudrait calculer o pas v s i x i m où m est la moyee empirique, mais plutôt x i i où m est l'espérace mathématique. Vérifios-le sur l'exemple précédet: vcorx, x, x3 : 3 x x x3 ; vobscor MapvCor, obs; v3cor NMeavObsCor 0.5 Nous avos démotré, das Statistique I, exercice 4. -, que la valeur de t pour laquelle la foctio suivate est miimale t # i x i t est la moyee arithmétique t = m. C'est pourquoi si, das l'expressio i x i, o remplace m par m, o obtiet ue valeur trop petite. O dit que s est u estimateur biaisé de s. Das ce paragraphe, ous motreros qu'ue estimatio sas biais de s est 3 s ; umériquemet, 3 v3m Hypothèses O cosidère maiteat u échatillo doé de taille x, x,..., x auquel correspodet, das le modèle théorique, variables aléatoires idépedates idetiquemet distribuées X, X,..., X de même espérace m et de même écart-type s. Remarquez que, das le cas où l'o extrait d'ue populatio fiie u échatillo o exhaustif par u tirage sas remise, otre hypothèse 'est pas vérifiée. Estimateur de l'espérace mathématique A la moyee empirique m mx x x... x
15 -stat_ii.b correspod, das le modèle théorique, la variable aléatoire M X X... X D'ue part, puisque les variables sot idépedates et idetiquemet distribuées, EM E X X... X EX EX... EX D'autre part, m état ue réalisatio de la variable aléatoire M, o a Em EM ce qui motre que m est u estimateur sas biais de l'espérace mathématique de M. Nous otos EM m Calculos EM. D'après les règles de calcul EM EX k pour k,,..., Fialemet, m est u estimateur o biaisé de l'espérace mathématique de chaque épreuve X k : m Estimateur sas biais de l'écart-type théorique A la variace empirique s s x mx mx correspod la variable aléatoire Z X X... X M s est ue réalisatio de la variable aléatoire Z. Puisque Es = EZ, s est u estimateur sas biais de l'espérace mathématique de Z, ce qui se ote EZ s Calculos EZ. D'après les propriétés de Statistique I, 3.4, o a EZ E X X... X M EX EX... EX EM Das l'expressio précédete, détermios EX i et EM VX i EX i EX i EX i VX i EX i VM EM EM EM VM EM puis effectuos la substitutio
16 -stat_ii.b EZ EX EX... EX EM O dit que s est u estimateur biaisé de s parce que à s correspod la variable aléatoire Z dot l'espérace mathématique diffère de s. Pour obteir u estimateur sas biais, o utilise la relatio EZ Fialemet, s est u estimateur o biaisé de la variace théorique de chaque épreuve X i : s Par suite, s est u estimateur o biaisé de l'écart-type théorique de chaque épreuve X i: s C'est aisi que se justifie la formule de l'écart-type corrigé que l'o utilise pour les échatillos de petite taille s x m x m... x m x m x m... x m La correctio cosiste à remplacer par - : x m x m... x m Avec Mathematica, la foctio à utiliser 'est pas StadardDeviatioMLE mais? StadardDeviatio StadardDeviatiolist gives the stadard deviatio of the elemets i list. StadardDeviatiodist gives the stadard deviatio of the symbolic distributio dist. à O remarquera que, pour des échatillos de grade taille, la correctio est égligeable. Aisi, pour = 00, o a >.005 Repreos l'exemple itroductif: vcorobs MapVariace, obs; vcor3m NMeavCorObs
17 -stat_ii.b 3 Exercice.5 - Pour = 5, par ue simulatio, estimez s = écart-type de la distributio biomiale 5,. Comparez avec l'écart-type théorique s = p- p (selo l'exercice.3-3)..6 Cetral limit theorem Exercice -6- (Exercice de révisio; voir Statistique I, exercice ) a) Cosidéros maiteat le ombre moye de six obteus e laçat 00 fois le dé. Cette variable aléatoire, désigée par M 00, est ue distributio biomiale. [Avec Mathematica] Tracez so diagramme à bâtos. Comparez avec la distributio ormale. Remarque : E gééral, o e peut pas superposer u diagramme de fréqueces et u diagramme de desité sauf das le cas particulier où tous les bâtos peuvet être iterprétés comme des barres de largeur. b) Effectuos maiteat ue simulatio de M 00. [Avec Mathematica] O demade de - costruire u échatillo de taille ; - grouper les doées e les traitat comme ue variable cotiue; - superposer l'histogramme et la distributio ormale. Problématique Nous savos déjà que, si les variables que l'o somme sot de Beroulli, idépedates et idetiquemet distribuées, alors leur somme est ue variable biomiale S, dot la moyee est M = S, qui est doc voisie d'ue distributio ormale. Qu'e est-il si la distributio des variables de départ 'est pas de Beroulli? Cosidéros la moyee M de variables aléatoires idetiquemet distribuées, d'espérace mathématique m et d'écarttype s. Nous supposos que les variables obéisset à ue distributio quelcoque et que est ue costate etière pas trop petite. Nous savos déjà que l'espérace mathématique de M est m et que l'écart-type de M est s M = s. Mais que peut-o dire de la distributio de M? Il pourrait d'abord ous sembler que la distributio de M dépede de la distributio des variables participat à la moyee. Fort étoammet, pour de grades valeurs de, la distributio de M est voisie d'ue distributio ormale quelle que soit la distributio des variables dot o fait la moyee. Comme exemple, cosidéros la moyee de variables cotiues idetiquemet distribuées. Distributio cotiue uiforme distr UiformDistributio0, ; La moyee de la distributio uiforme est la valeur cetrale: Meadistr Comme ous l'avos étudié das Statistique I, 4.,
18 -stat_ii.b 4 StadardDeviatiodistr 3 N Moyee de 7 variables idetiquemet distribuées Statistique` M : MeaRadomRealdistr, 7 TableM, , , , , 0.493, , 0.433, , , , , , , 0.543, , , 0.396, 0.60, , La moyee est ue variable aléatoire dot o peut calculer la moyee et l'écart-type (moyee des moyees, écarttype des moyees): 4000; x TableM, ; mm Meax sm StadardDeviatioMLEx 0.05 Comparaiso avec la valeur théorique m N Pour effectuer ue descriptio statistique, choisissos u itervalle proche de m - 3 s, m + 3 s et partageos-le e 9 classes comme suit u Rage 3 0, 3 0, , 4 5, 3, 5, 7 5, 5, 3 5, 3, 5, 4 5 effectifs BiCoutsx, u 47, 94, 476, 73, 94,, 46, 0, 5 freq effectifs , , 9 000, , , , , , 9 000
19 -stat_ii.b 5 g histogrammeu, freq orm NormalDistributio, m; g PlotPDForm, t, t, 0.`, 0.9`, PlotStyle Black, Thick Showg, g, AxesLabel Noe, "Desité" Coclusio: O peut observer que la moyee arithmétique de 7 variables est approximativemet ormale. Pourtat, la distributio des 7 variables de départ est très loi d'être ormale puisqu'elle est uiformémet distribuée sur 0,.
20 -stat_ii.b 6 Cetral limit theorem Le résultat précédet est gééralisable : la distributio ormale est ue distributio particulière vers laquelle tedet toutes les moyees. Le cetral limit theorem ous l'éoce plus précisémet. Hypothèses: A partir de variables aléatoires idépedates idetiquemet distribuées X, X,..., X, d'espérace m=ex =...= EX et d'écart-type s = VX =...= VX, o forme ue ouvelle variable aléatoire M = X + X X. Coclusio: Pour tedat vers l'ifii, la distributio de M ted, e probabilité, vers la distributio ormale de moyee m et d'écart-type s M = s. La démostratio du cetral limit theorem relève du iveau uiversitaire. Applicatio à la simulatio : estimatio de l'erreur Rappel E accord avec les résultats de Statistique I, 4, la distributio ormale de moyee m et d'écart-type s M possède les propriétés suivates l'itervalle m -s M, m+s M cotiet eviro 6.3 % des observatios; l'itervalle m - s M, m+ s M cotiet eviro 95.5 % des observatios; l'itervalle m -3 s M, m+3 s M cotiet eviro 99.7 % des observatios; Coséquece: Pour de grades valeurs de, la moyee empirique de tirages idépedats a ue distributio approximativemet s ormale. E otat m la moyee empirique, s l'écart-type empirique et s M = l'estimatio de s M, ous auros approximativemet la probabilité que l'itervalle m -s M, m +sm cotiee m est de 6.3 % eviro; la probabilité que l'itervalle m - s M, m + sm cotiee m est de 95.5 % eviro; la probabilité que l'itervalle m - 3 s M, m + 3 sm cotiee m est de 99.7 % eviro. - Justificatio: Das la relatio suivate, o peut échager les rôles de m et m. s M est estimé par m M, M M m M M m M M m M M m M m M m M m M, m M M sm s s Pour des valeurs de pas trop petites, l'approximatio s M > s M est légitime. Par suite m M, M approx m M, m M
21 -stat_ii.b 7 Le cetral limit theorem ous fourit aisi ue estimatio de l'erreur dot ous tireros profit das le chapitre Simulatio.
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 détailII LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009
M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted
Plus en détailSTATISTIQUE : TESTS D HYPOTHESES
STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie
Plus en détailFEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI
FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue
Plus en détail1 Mesure et intégrale
1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios
Plus en détailSÉRIES STATISTIQUES À DEUX VARIABLES
1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1
Plus en détailLimites des Suites numériques
Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet
Plus en détailChapitre 3 : Fonctions d une variable réelle (1)
Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s
Plus en détailExo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X
Exo7 Détermiats Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable T : pour
Plus en détail[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =
[http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.
Plus en détailSéquence 5. La fonction logarithme népérien. Sommaire
Séquece 5 La foctio logarithme épérie Objectifs de la séquece Itroduire ue ouvelle foctio : la foctio logarithme épérie. Coaître les propriétés de cette foctio : sa dérivée, ses variatios, sa courbe, sa
Plus en détailLes Nombres Parfaits.
Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie
Plus en détailProcessus et martingales en temps continu
Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de
Plus en détailCours de Statistiques inférentielles
Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios
Plus en détailCHAPITRE 2 SÉRIES ENTIÈRES
CHAPITRE 2 SÉRIES ENTIÈRES 2. Séries etières Défiitio 2.. O appelle série etière toute série de foctios ( ) f dot le terme gééral est de la forme f ()=a, où (a ) désige ue suite réelle ou complee et R.
Plus en détailDénombrement. 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. (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 détailEXERCICES : DÉNOMBREMENT
Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris
Plus en détailDeuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES
DEUXIEME PARTIE Deuième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES Chapitre. L assurace de capital différé Chapitre 2. Les opératios de retes Chapitre 3. Les assuraces décès Chapitre 4. Les assuraces
Plus en détailStatistique descriptive bidimensionnelle
1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets
Plus en détailSTATISTIQUE AVANCÉE : MÉTHODES
STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN Table des matières 1 Itroductio 5 2 Modèle de desité 7 2.1 Estimatio par istogrammes............................
Plus en détailComportement d'une suite
Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer
Plus en détailEtude de la fonction ζ de Riemann
Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.
Plus en détailUniversité de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent http://www.math.u-bordeaux.fr/ machaven/ 2014-2015
Uiversité de Bordeaux - Master MIMSE - 2ème aée Scorig Marie Chavet http://www.math.u-bordeaux.fr/ machave/ 2014-2015 1 Itroductio L idée géérale est d affecter ue ote (u score) global à u idividu à partir
Plus en détail55 - EXEMPLES D UTILISATION DU TABLEUR.
55 - EXEMPLES D UTILISATION DU TABLEUR. CHANTAL MENINI 1. U pla possible Les exemples qui vot suivre sot des pistes possibles et e aucu cas ue présetatio exhaustive. De même je ai pas fait ue étude systématique
Plus en détailProbabilités et statistique pour le CAPES
Probabilités et statistique pour le CAPES Béatrice de Tilière Frédérique Petit 2 3 jui 205. Uiversité Pierre et Marie Curie 2. Uiversité Pierre et Marie Curie 2 Table des matières Modélisatio de phéomèes
Plus en détailGroupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3
1 Groupe orthogoal d'u espace vectoriel euclidie de dimesio, de dimesio Voir le chapitre 19 pour l'étude des espaces euclidies et des isométries. État doé u espace euclidie E de dimesio 1, o rappelle que
Plus en détail14 Chapitre 14. Théorème du point fixe
Chapitre 14 Chapitre 14. Théorème du poit fixe Si l o examie de plus près les méthodes de Lagrage et de Newto, étudiées au chapitre précédet, elles revieet das leur pricipe à remplacer la résolutio de
Plus en détailSéries réelles ou complexes
6 Séries réelles ou complexes Comme pour le chapitre 3, les suites cosidérées sot a priori complexes et les résultats classiques sur les foctios cotiues ou dérivables d ue variable réelle sot supposés
Plus en détailTRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 )
RAIRO Operatios Research RAIRO Oper. Res. 34 (2000) 99-129 TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) Commuiqué par Berard LEMAIRE Résumé. L étude
Plus en détailx +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.
EXERCICE 3 (6 poits ) (Commu à tous les cadidats) Il est possible de traiter la partie C sas avoir traité la partie B Partie A O désige par f la foctio défiie sur l itervalle [, + [ par Détermier la limite
Plus en détailUniversité Victor Segalen Bordeaux 2 Institut de Santé Publique, d Épidémiologie et de Développement (ISPED) Campus Numérique SEME
Uiversité Victor Segale Bordeaux Istitut de Saté Publique, d Épidémiologie et de Développemet (ISPED) Campus Numérique SEME MODULE Pricipaux outils e statistique Versio du 8 août 008 Écrit par : Relu par
Plus en détailConsolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe
Cosolidatio La société THEOS, qui commercialise des vis, exerce so activité das trois villes : Paris, Nacy et Nice. Le directeur de la société souhaite cosolider les résultats de ses vetes par ville das
Plus en détailCours 5 : ESTIMATION PONCTUELLE
Cours 5 : ESTIMATION PONCTUELLE A- Gééralités B- Précisio d u estimateur C- Exhaustivité D- iformatio E-estimateur sas biais de variace miimale, estimateur efficace F- Quelques méthode s d estimatio A-
Plus en détail20. Algorithmique & Mathématiques
L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus
Plus en détailDénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions
Déombremet ECE3 Lycée Carot 12 ovembre 2010 Itroductio La combiatoire, sciece du déombremet, sert comme so om l'idique à compter. Il e s'agit bie etedu pas de reveir au stade du CP et d'appredre à compter
Plus en détailLES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil.
Qu appelle-t-o éclipse? Éclipser sigifie «cacher». Vus depuis la Terre, deu corps célestes peuvet être éclipsés : la Lue et le Soleil. LES ÉCLIPSES Pour qu il ait éclipse, les cetres de la Terre, de la
Plus en détailStatistique Numérique et Analyse des Données
Statistique Numérique et Aalyse des Doées Arak DALALYAN Septembre 2011 Table des matières 1 Élémets de statistique descriptive 9 1.1 Répartitio d ue série umérique uidimesioelle.............. 9 1.2 Statistiques
Plus en détailExercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1
Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a
Plus en détailPROMENADE ALÉATOIRE : Chaînes de Markov et martingales
PROMENADE ALÉATOIRE : Chaîes de Markov et martigales Thierry Bodieau École Polytechique Paris Départemet de Mathématiques Appliquées thierry.bodieau@polytechique.edu Novembre 2013 2 Table des matières
Plus en détailTerminale S. Terminale S 1 F. Laroche
Termiale S Exercices. Rappels et exercices de base 3.. QCM (P. Egel) 3.. QCM, Atilles 005 4. 3. QCM, Liba 009, 3 poits 4. 4. QCM, C. étragers 007. 5. QCM, Frace 007 5 6. 6. QCM, N. Calédoie 007 7. 7. QCM
Plus en détailc. Calcul pour une évolution d une proportion entre deux années non consécutives
Calcul des itervalles de cofiace our les EPCV 996-004 - Cas d u ourcetage ou d ue évolutio e oit das la oulatio totale des méages - Cas d u ourcetage ou d ue évolutio das ue sous oulatio das les méages
Plus en détail4 Approximation des fonctions
4 Approximatio des foctios Ue foctio f arbitraire défiie sur u itervalle I et à valeur das IR peut être représetée par so graphe, ou de maière équivalete par la doée de l esemble de ses valeurs f(t) pour
Plus en détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
1 / 9 Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Le cycle d exploitatio des etreprises (achats stockage productio stockage vetes) peut etraîer des décalages de trésorerie plus
Plus en détailChapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.
Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES PLAN DU CHAPITRE 2 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.1 Pla de sodage 2.2.2 Probabilités d iclusio 2.3 SONDAGE
Plus en détailUV SQ 20. Automne 2006. Responsable d Rémy Garandel ( m.-el. remy.garandel@utbm.fr ) page 1
UV SQ 0 Probabilités Statistiques UV SQ 0 Autome 006 Resposable d Rémy Garadel ( m.-el. remy.garadel@utbm.fr ) page SQ-0 Probabilités - Statistiques Bibliographie: Titre Auteur(s) Editios Localisatio Niveau
Plus en détailProcessus géométrique généralisé et applications en fiabilité
Processus géométrique gééralisé et applicatios e fiabilité Lauret Bordes 1 & Sophie Mercier 2 1,2 Uiversité de Pau et des Pays de l Adour Laboratoire de Mathématiques et de leurs Applicatios - Pau UMR
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Exo7 Topologie Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Exercice **
Plus en détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Les etreprises ot souvet besoi de moyes de fiacemet à court terme : elles ot alors recours aux crédits bacaires (découverts bacaires
Plus en détailConvergences 2/2 - le théorème du point fixe - Page 1 sur 9
Au sommaire : Suites extraites Le théorème de Bolzao-Weierstrass La preuve du théorème de Bolzao-Weierstrass3 Foctio K-cotractate4 Le théorème du poit fixe5 La preuve du théorème du poit fixe6 Utilisatios
Plus en détailPrincipes et Méthodes Statistiques
Esimag - 2ème aée 0 1 2 3 4 5 6 7 0 5 10 15 x y Pricipes et Méthodes Statistiques Notes de cours Olivier Gaudoi 2 Table des matières 1 Itroductio 7 1.1 Défiitio et domaies d applicatio de la statistique............
Plus en détailSuites et séries de fonctions
[http://mp.cpgedupuydelome.fr] édité le 3 avril 5 Eocés Suites et séries de foctios Propriétés de la limite d ue suite de foctios Eercice [ 868 ] [correctio] Etablir que la limite simple d ue suite de
Plus en détailLa France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe
1/5 Trois objectifs poursuivis par le gouveremet : > améliorer la compétitivité fiscale de la Frace > péreiser les activités de R&D > faire de la Frace u territoire attractif pour l iovatio Les icitatios
Plus en détailBaccalauréat S Asie 19 juin 2014 Corrigé
Bcclurét S Asie 9 jui 24 Corrigé A. P. M. E. P. Exercice Commu à tous les cdidts 4 poits Questio - c. O peut élimier rpidemet les réposes. et d. cr les vecteurs directeurs des droites proposées e sot ps
Plus en détailExercices de mathématiques
MP MP* Thierry DugarDi Marc rezzouk Exercices de mathématiques Cetrale-Supélec, Mies-Pots, École Polytechique et ENS Coceptio et créatio de couverture : Atelier 3+ Duod, 205 5 rue Laromiguière, 75005 Paris
Plus en détailUniversité Pierre et Marie Curie. Biostatistique PACES - UE4 2013-2014
Uiversité Pierre et Marie Curie Biostatistique PACES - UE4 2013-2014 Resposables : F. Carrat et A. Mallet Auteurs : F. Carrat, A. Mallet, V. Morice Mise à jour : 21 octobre 2013 Relecture : V. Morice,
Plus en détailChap. 5 : Les intérêts (Les calculs financiers)
Chap. 5 : Les itérêts (Les calculs fiaciers) Das u cotrat de prêt, le prêteur met à la dispositio de l empruteur, à u taux d itérêt doé, ue somme d arget (le capital) qu il devra rembourser à ue certaie
Plus en détailUNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4
UNVERSTE MONTESQUEU BORDEAUX V Licece 3 ère aée Ecoomie - Gestio Aée uiversitaire 2006-2007 Semestre 2 Prévisios Fiacières Travaux Dirigés - Séaces 4 «Les Critères Complémetaires des Choix d vestissemet»
Plus en détailPolynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.
Polyésie Septembre 2 - Exercice O peut traiter la questio 4 sas avoir traité les questios précédetes Pour u achat immobilier, lorsqu ue persoe emprute ue somme de 50 000 euros, remboursable par mesualités
Plus en détailStatistiques appliquées à la gestion Cours d analyse de donnés Master 1
Aalyse des doées Statistiques appliquées à la gestio Cours d aalyse de doés Master F. SEYTE : Maître de coféreces HDR e scieces écoomiques Uiversité de Motpellier I M. TERRAZA : Professeur de scieces écoomiques
Plus en détailModule 3 : Inversion de matrices
Math Stat Module : Iversio de matrices M Module : Iversio de matrices Uité. Défiitio O e défiira l iverse d ue matrice que si est carrée. O appelle iverse de la matrice carrée toute matrice B telle que
Plus en détail2 ième partie : MATHÉMATIQUES FINANCIÈRES
2 ième partie : MATHÉMATIQUES FINANCIÈRES 1. Défiitios L'itérêt est l'idemité que doe au propriétaire d'ue somme d'arget celui qui e a joui pedat u certai temps. Divers élémets itervieet das le calcul
Plus en détailcapital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3...
Applicatios des maths Algèbre fiacière 1. Itérêts composés O place u capital C 0 à u taux auel T a pedat aées. Quelle est la valeur fiale C de ce capital? aée capital e fi d'aée 1 C 0 + T C 0 = C 0 (1
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Séries etières Eercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Eercice
Plus en détailRenseignements et monitoring. Renseignements commerciaux et de solvabilité sur les entreprises et les particuliers.
Reseigemets et moitorig. Reseigemets commerciaux et de solvabilité sur les etreprises et les particuliers. ENSEMBLE CONTRE LES PERTES. Reseigemets Creditreform. Pour plus de trasparece. Etreteir des rapports
Plus en détailMESURE DE L'INFORMATION
MESURE DE L'INFORMATION Marc URO TABLE DES MATIÈRES INTRODUCTION... 3 INCERTITUDE D'UN ÉVÉNEMENT (OU SELF-INFORMATION)... 7 INFORMATION MUTUELLE DE DEUX ÉVÉNEMENTS... 9 ENTROPIE D'UNE VARIABLE ALÉATOIRE
Plus en détailDes résultats d irrationalité pour deux fonctions particulières
Collect. Math. 5, 00, 0 c 00 Uiversitat de Barceloa Des résultats d irratioalité pour deux foctios particulières Richard Choulet 7, Rue du 4 Août, 40 Aveay, Frace E-mail: richardchoulet@waadoo.fr Received
Plus en détailPOLITIQUE ECONOMIQUE ET DEVELOPPEMENT
POLTQU ONOMQU T DVLOPPMNT TRUTUR DU MAR NATONAL DU AF-AAO T PR AU PRODUTUR MALAN Beïla Beoit osultat PD N 06/008 ellule d Aalyse de Politiques coomiques du R Aée de pulicatio : Avril 009 Résumé e papier
Plus en détailChapitre 3 : Transistor bipolaire à jonction
Chapitre 3 : Trasistor bipolaire à joctio ELEN075 : Electroique Aalogique ELEN075 : Electroique Aalogique / Trasistor bipolaire U aperçu du chapitre 1. Itroductio 2. Trasistor p e mode actif ormal 3. Courats
Plus en détailEtude Spéciale SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT?
Etude Spéciale o. 7 Javier 2003 SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT? MARK SCHNEIDER Le CGAP vous ivite à lui faire part de vos commetaires, de vos rapports et de toute demade d evoid autres
Plus en détailIntroduction : 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 détailTempêtes : 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 détailInitiation à l analyse factorielle des correspondances
Fiche TD avec le logiciel : tdr620b Iitiatio à l aalyse factorielle des correspodaces A.B. Dufour & M. Royer & J.R. Lobry Das cette fiche, o étudie l Aalyse Factorielle des Correspodaces. Cette techique
Plus en détailLes 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 détailChaînes de Markov. Arthur Charpentier
Chaîes de Markov Arthur Charpetier École Natioale de la Statistique et d Aalyse de l Iformatio - otes de cours à usage exclusif des étudiats de l ENSAI - - e pas diffuser, e pas citer - Quelques motivatios.
Plus en détailContribution 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 détailFormation d un ester à partir d un acide et d un alcool
CHAPITRE 10 RÉACTINS D ESTÉRIFICATIN ET D HYDRLYSE 1 Formatio d u ester à partir d u acide et d u alcool 1. Nomeclature Acide : R C H Alcool : R H Groupe caractéristique ester : C Formule géérale d u ester
Plus en détailGérer 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 détailLe marché du café peut être segmenté en fonction de deux modes de production principaux : la torréfaction et la fabrication de café soluble.
II LE MARCHE DU CAFE 1 L attractivité La segmetatio selo le mode de productio Le marché du café peut être segmeté e foctio de deux modes de productio pricipaux : la torréfactio et la fabricatio de café
Plus en détailDETERMINANTS. a b et a'
2003 - Gérard Lavau - http://perso.waadoo.fr/lavau/idex.htm Vous avez toute liberté pour télécharger, imprimer, photocopier ce cours et le diffuser gratuitemet. Toute diffusio à titre oéreux ou utilisatio
Plus en détailRÈGLES ORDINALES : UNE GÉNÉRALISATION DES RÈGLES D'ASSOCIATION
RÈGLES ORDIALES : UE GÉÉRALISATIO DES RÈGLES D'ASSOCIATIO SYLVIE GUILLAUME ALI KHECHAF 2 RÉSUMÉ: La plupart des mesures des règles cocere les variables biaires et écessite pour les autres types de variables
Plus en détailRESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *)
RESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *) *) Uiversité de Blida Faculté des scieces Départemet de Mathématiques. BP 270, Route de Soumaa. Blida, Algérie. Tel &
Plus en détailÉchantillonnage et estimation
Stage «Nouveaux programmes de Termiale S» - Ho Chi Mih-Ville Novembre 202 Échatilloage et estimatio Partie C - Frédéric Barôme page Échatilloage et estimatio Partie C : Capacités et exercices-types. Rappelos
Plus en détailRéseaux 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 détailSTRATÉGIE DE REMPLACEMENT DE LUTTE CONTRE LA PUNAISE TERNE DANS LES FRAISERAIES DE L ONTARIO
Des résultats du Programme de réductio des risques STRATÉGIE DE REMPLACEMENT DE LUTTE CONTRE LA PUNAISE TERNE DANS LES FRAISERAIES DE L ONTARIO 1. Cotexte La puaise tere Lygus lieolaris (figure 1) est
Plus en détailLorsque la sécurisation des paiements par carte bancaire sur Internet conduit à une concurrence entre les banques et les opérateurs de réseau
Lorsque la sécurisatio des paiemets par carte bacaire sur Iteret coduit à ue cocurrece etre les baques et les opérateurs de réseau David Bouie Das cet article, ous ous iterrogeos sur l issue de la cocurrece
Plus en détailTélé OPTIK. Plus spectaculaire que jamais.
Télé OPTIK Plus spectaculaire que jamais. Vivez toute la puissace de la télévisio sur IP grâce au réseau OPTIK 1 de TELUS et découvrez-e l extraordiaire potetiel. Télé OPTIK MC vous doe la parfaite maîtrise
Plus en détailUn nouvel opérateur de fusion adaptatif. A new adaptive operator of fusion. 1. introduction
A ew adaptive operator of fusio par Fraçois DELMOTTE LAMIH, Uiversité de Valeciees et du Haiaut-Cambrésis, Le Mot Houy, BP 3, 5933 Valeciees CEDEX 9 fdelmott@flore.uiv-valeciees.fr résumé et mots clés
Plus en détailPROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS J. L. NICOLAS
PROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS ET APPROXIMATIONS DIOPHANTIENNES J. L. NICOLAS Cet article expose sup 3 e quelques iter'f~reces etre les pr'obl~res dloptimisatio e hombres etiers et la th~or-ie
Plus en détailLa 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 détailNous imprimons ce que vous aimez!
Nous imprimos ce que vous aimez! Persoalisé simple différet Catalogue de produits Tapis stadard tapis logo tapis publicitaire Nous imprimos ce que vous aimez! 2 I JOBET JOBET Vous et vos cliets serez coquis...
Plus en détailINTRODUCTION AUX MATRICES ALÉATOIRES. par. Djalil Chafaï
INTRODUCTION AUX MATRICES ALÉATOIRES par Djalil Chafaï Résumé. E cocevat les mathématiques comme u graphe, où chaque sommet est u domaie, la théorie des probabilités et l algèbre liéaire figuret parmi
Plus en détail2. Commerce international et emploi informel en zone CEMAC
2. Commerce iteratioal et emploi iformel e zoe CEMAC Mathuri Tchakoute Njoda 1 et Alai Remy Zolo Eyea 2 Résumé Cet article eamie durat ue courte période la relatio etre le commerce iteratioal et l emploi
Plus en détail3.1 Différences entre ESX 3.5 et ESXi 3.5 au niveau du réseau. Solution Cette section récapitule les différences entre les deux versions.
3 Réseau Le réseau costitue u aspect essetiel d u eviroemet virtuel ESX. Il est doc importat de compredre la techologie, y compris ses différets composats et leur coopératio. Das ce chapitre, ous étudios
Plus en détailLE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE
LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE. Exemple troductf (Les élèves qu coasset déà be le prcpe peuvet sauter ce paragraphe) Cosdéros la sute (u ), défe pour tout, par : u u u 0 0 Cette sute est défe
Plus en détailExamen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot
Exame fial pour Coseiller fiacier / coseillère fiacière avec brevet fédéral Recueil de formules Auteur: Iwa Brot Ce recueil de formules sera mis à dispositio des cadidats, si écessaire. Etat au 1er mars
Plus en détailRisque de longévité et détermination du besoin en capital : travaux en cours
Risque de logévité et détermiatio du besoi e capital : travaux e cours Frédéric PLANCHET ISFA Laboratoire SAF Versio.6 / Septembre 2008 Sommaire La prise e compte de l expériece propre au groupe das l
Plus en détailLE WMS EXPERT DE LA SUPPLY CHAIN DE DÉTAIL
LE WMS EXET DE LA SULY HAIN DE DÉTAIL QUELS SNT LES ENJEUX DE LA SULY HAIN? garatir la promesse cliet es derières aées, la distributio coaît ue véritable mutatio avec l évolutio des modes de cosommatio.
Plus en détailTableaux Croisés et Diagrammes en Mosaïque : Pour Voir Les Probabilités Marginales et Conditionnelles.
Tableaux Croisés et Diagrammes e Mosaïque : Pour Voir Les Probabilités Margiales et Coditioelles. Moique Le Gue CNRS- MATISSE 1 Résumé Cet article s iscrit das ue démarche de sesibilisatio aux différetes
Plus en détailS-PENSION. Constituez-vous un capital retraite complémentaire pour demain tout en bénéficiant d avantages fiscaux dès aujourd hui.
S-PENSION Costituez-vous u capital retraite complémetaire pour demai tout e bééficiat d avatages fiscaux dès aujourd hui. Sommaire 1. Il est temps de predre l iitiative 4 2. Profitez dès aujourd hui des
Plus en détail