choisir H 1 quand H 0 est vraie - fausse alarme
|
|
- Pascale Lachapelle
- il y a 8 ans
- Total affichages :
Transcription
1 étection et Estimation GEL Hiver 5 Tests Neyman-Pearson Règles de Bayes: coûts connus min π R ( ) + ( π ) R ( ) { } Règles Minimax: coûts connus min max R ( ), R ( ) Règles Neyman Pearson: coûts pas connus On utilise les règles Neyman-Pearson pour les problèmes où les coûts ne sont pas connus. À cause de l'histoire du développement du test Neyman-Pearson, il y a un vocabulaire un peu diffèrent que le vocabulaire qu'on a vu jusqu à maintenant. On voit la différence dans les noms des erreurs. Erreur Type : Erreur Type : choisir H quand H est vraie - fausse alarme P F la probabilité d'une fausse alarme choisir H quand H est vrai un raté P M la probabilité d'un raté onc, H : pas de cible présente H : présence d'une cible La probabilité de détection, P, est la probabilité qu'on décide qu'il y a une cible, quand elle est vraiment présente. P la probabilité de détection - P M La taille d'une règle P F la probabilité d'une fausse alarme. La puissance d'une règle P la probabilité de détection. On peut toujours trouver une règle de décision pour rendre la probabilité d'une des erreurs très petites, en laissant la probabilité de l'autre erreur grandir. Les règles de décision Neyman-Pearson minimisent la probabilité d'une erreur, en garantissant que l'autre ne devient pas trop grande. On a un maximum pour la probabilité de fausse alarme, et on essaie de maximiser la probabilité de détection sujet à cette restriction sur la probabilité de fausse alarme. La règle Neyman-Pearson sujet à NP arg max P ( ) P F ( ) Alpha s'appelle le niveau du test ou le niveau d'importance (significance level). P F s'appelle la puissance, donc NP est la règle la plus puissante au niveau, où >, et fixée. Par exemple, on peut écrire le problème comme le suivant: 9 févr. 5 Règle Neyman-Pearson page
2 étection et Estimation GEL Hiver 5 Je ne peux pas supporter un taux de fausse alarme plus grand que.%. Quelle est la plus grande probabilité de détection possible? Avec quelle règle de décision? règle randomisée Une règle randomisée est une correspondance de à [,] avec l'interprétation que pour chaque y, (y) est la probabilité avec laquelle on accepte l'hypothèse H quand l'observation est y. Exemples: ) règle ordinaire (fonction indicateur) ( y) ( y) I ( y) onc, quand L(y) τ, on accepte l'hypothèse H avec probabilité un, ça veut dire, toujours. Quand L(y)<τ, on l'accepte avec probabilité éro, i.e., jamais. ) règle minimax Ly ( ) > τ π ( y) q L( y) τ L Ly ( ) < τ onc, quand L(y)>τ, on accepte l'hypothèse H avec probabilité un, ça veut dire, toujours. Quand L(y)τ on l'accepte avec probabilité q. Quand L(y)<τ, on l'accepte avec probabilité éro, i.e., jamais. Pour le problème Neyman-Pearson, on fait l'hypothèse que la règle est une règle randomisée pour simplifier la mathématique. P F probabilité que quand H est vrai choisit H P( choisit H ) E Y { ( )} où la notation E lqest l'espérance conditionnée à la vérité d'hypothèse H. onc, la probabilité de fausse alarme est la probabilité qu'il n'y a pas de cible, mais on décide qu'une cible est présente. Pour voir cette relation rappele-vous que P( choisir H H ) P( choisir H Y y, H ) p( y H ) dy P F P( choisir H Y y) p( y) dy { } ( y ) p ( y ) dy E ( y ) indépendant de H e la même manière on arrive à P E Y { ( ) } ( y ) p ( y ) dy 9 févr. 5 Règle Neyman-Pearson page
3 étection et Estimation GEL Hiver 5 Le lemme de Neyman-Pearson a trois parties. On commence avec une hypothèse sur la forme de la solution. Cette forme est une comparaison du rapport de vraisemblance avec un seuil avec une randomisation, et la règle Neyman-Pearson atteint exactement la probabilité de fausse alarme permet (P F ). ) On verra au début que cette forme a une probabilité de détection plus grande que toutes les règles qui sont acceptables, i.e., avec P F. ) On verra qu'une règle de cette forme existe toujours. 3) On verra que c'est la seule forme que la règle Neyman-Pearson peut prendre. Lemme de Neyman-Pearson Pour un système avec H : YP et H : YP, les points suivants sont vrais: ) [optimisation] Suppose que est n'importe quelle règle de décision avec P F ( ) et soit n'importe quelle règle de décision de la forme où, γ y R S T bg sont tels que P F ( ) Ly ( ) > p( y) > p( y) γ( y) L( y) p( y) p( y) Ly ( ) < p( y) < p( y). ans ce cas, P ( ) P ( ). ) [existence] Pour chaque (,), il existe une règle de décision, NP, de la forme * sauf avec γ(y)γ (une constante) pour laquelle P F ( NP ). 3) [unicité] Suppose que est n'importe quelle règle de décision Neyman-Pearson de taille. ans ce cas, il faut que ait la forme * sauf sur un ensemble de y avec probabilité éro sous les deux hypothèses. Preuve de l optimisation Considére les trois possibilités pour la relation entre le rapport de vraisemblance et le seuil eta: le rapport est plus grand, le rapport est égal, le rapport est plus petit. On va examiner les trois possibilités, et voir l effet sur le produit suivant y y p y p y p y > p y pbyg pbyg > bg y y y bg bg e j p p e bg bgjc bg bgh pbyg pbyg pb yg pbyg bg y γ( y) bg y bg y? * p y < p y pbyg pbyg < bg y y y bg e j p p bg e j p p 9 févr. 5 Règle Neyman-Pearson page 3
4 étection et Estimation GEL Hiver 5 onc on peut écrire que pour toutes les valeurs de y e bg bgjc bg bgh y y p y p y Comme c est vrai pour toutes les valeurs de y, je peux prendre l intégral de cette expression sur tout l espace des observations, et cette intégrale sera aussi plus grande ou égale à éro. e byg byg jc p b y g p b y g dy h Je vais séparer les quatre termes dans le produit yp ydy yp ydy+ yp ydy yp ydy ou onc on a la relation bgbg bgbg bg bg bg bg L N M yp ydy yp ydy yp ydy yp ydy P e j P ej P F ej P F ej e j e j e j e j P P P P F F On sait que la taille de la règle proposée est exactement, donc P P P ( ) ( ) [ ( )] La taille de la règle arbitraire n est jamais plus grande que, donc l expression du côté droit est jamais négative, donc Pe j Pej Q.E.. P P ej ej F O Q P Preuve de partie deux, l'existence: Cette partie de la preuve est très importante. C'est une preuve constructive, donc on va trouver les valeurs de γ et qui donnent une probabilité de fausse alarme juste égale à alpha. ) Considére la probabilité sous hypothèse éro que L(y)> comme une fonction du seuil. Appele le numéro, pas négatif, le plus petit tel que P (L(y)>). P (L(y)>) 9 févr. 5 Règle Neyman-Pearson page 4
5 étection et Estimation GEL Hiver 5 Ça veut dire que est le seuil le plus petit qui donne une probabilité de fausse alarme pas plus grande qu'alpha. ans le graphique la probabilité de fausse alarme est continue, mais il peut arriver que la fonction soit discontinue. En tout cas, la fonction est toujours monotone, décroissante, et continue du côté gauche. Qu arrive-t-il aux points de discontinuités? P (L(y)>) ans le deuxième graphique on peut voir une courbe avec deux points de discontinuités. Supposons que la première discontinuité arrive a un point qu on appelle, et la deuxième au point. On appelle P (L(y) ) la probabilité P (L(y)> ), et P (L(y)> ). La hauteur de la discontinuité est juste la probabilité que le rapport de vraisemblance est exactement égale au P (L(y) ) seuil à ce point. onc à un point de continuité on a P (L(y)), mais à un point de discontinuité, P (L(y))>. Si on considère une contrainte arbitraire sur la probabilité de fausse alarme, il est possible que tombe dans un endroit où la courbe est continue, ou dans un endroit où elle est discontinue. On va considérer les deux possibilités séparément. est dans une partie continue P (L(y) ) γ peut être arbitraire est dans une partie discontinue P (L(y) )> il faut choisir γ avec attention La règle de décision aura la forme NP R S T γ Ly ( ) > Ly ( ) Ly ( ) < 9 févr. 5 Règle Neyman-Pearson page 5
6 étection et Estimation GEL Hiver 5 On peut calculer la probabilité de fausse alarme avec cette règle de décision: Fe NPj NP NP { } bg bg P E Y y p y dy p y dy + γ P L y + p y dy Ly bg> Ly bg< P L y > + γ P L y Si tombe dans une région continue, la valeur de γ n est pas importante parce que Fe NPj bg bg P P L y > + γ P L y + γ Si tombe dans une région discontinue, la valeur de γ nous permettra d arriver à la valeur exacte de : onc on définit γ Fe NPj bg bg P P L y > + γ P L y P L y > P L y la partie qui manque la hauteur de discontinuité La hauteur de la discontinuité est la probabilité que le rapport de vraisemblance est juste égal au seuil, donc le dénominateur. La distance entre la probabilité de fausse alarme P (L(y) ) désirée,, et la probabilité actuelle pour le -P seuil est le numérateur. Si on forme le (L(y)> ) rapport entre ces deux hauteurs, on arrivera à la valeur de γ qui donne une probabilité de fausse alarme exactement égale à. Voila la preuve de la partie deux. Q.E.. 3) Supposons que ' est une règle Neyman- Pearson de niveau de la forme désirée, et " est une autre règle Neyman-Pearson avec n'importe quelle forme. Les deux sont règles Neyman-Pearson, donc les deux ont une probabilité de détection maximum, donc les probabilités de détection sont égales. Encore on utilise le résultat que ej ej ej ej P P et P, P F F e bg bgjc bg bgh y y p y p y 9 févr. 5 Règle Neyman-Pearson page 6
7 étection et Estimation GEL Hiver 5 ou Pour les règles de décision ici, ( ) ( ) ( ) ( ) P P PF P F. ( ) ( ) ( ) PF PF PF onc il faut que P F e j. On peut montrer que e bg y bg yjcpbg y pbg yhdy P P P + P e j e j e j e j F F Comme l argument de l intégration n est jamais négatif, il faut que l argument soit éro, sauf peut-être dans les deux ensembles: un ensemble avec probabilité éro sous hypothèse éro et sous hypothèse un l ensemble avec p (y) p (y) ans l ensemble avec p (y) p (y), la règle de décision peut prendre une valeur qui est une fonction de l observation y, mais cette forme sera la forme désirée, la forme dans l équation *. Q.E.. En conclusion, on a vu encore que la règle de décision optimale prend la forme d'un test sur le rapport de vraisemblance, la comparaison du rapport vers un seuil. Le seuil est une fonction du rapport de vraisemblance et. Il faut considérer la probabilité que le rapport est plus grand qu'un seuil, comme fonction du seuil.. On cherche la valeur la plus petite avec P (L(y)>). Si P (L(y)>), on a fini. 3. Sinon, il faut randomiser. Exemple: Test de position avec un bruit Gaussien H : Y N (, ) H : Y N (, ) Le rapport de vraisemblance: p y p y by g by g by g b gf e + e e by g e + y On calcule la probabilité sous hypothèse éro que le rapport de vraisemblance est plus grand qu un seuil. 9 févr. 5 Règle Neyman-Pearson page 7
8 étection et Estimation GEL Hiver 5 ( ) ( ) + y ( ) + P L( y) > P e > P y > ln + + P y > P y> + P y> ln ln ( y ) e dy Φ π onc, il faut trouver ' tel que Φ nécessaire de randomiser. F onc, Φ, ou Φ + Pearson comme NP R S T F ( ). La fonction est continue, donc il n'est pas La fonction Φ(x) est bien connue, comme les fonctions x, cos(x), etc. Elle est une fonction continue, monotone et donc, l'inverse existe toujours et il y a un seul inverse. On cherche le seuil de Neyman-Pearson, donc le ' le plus petit qui a PF P ( L( y) > ) Φ.. On peut écrire la règle Neyman- y + y < Φ Quelle est la probabilité de détection? P PLy ( ) > + γ PLy ( ) PLy ( ) > P y> ** Φ ' ( y ) F I K J e dy Φ π F b g+ I F KJ Φ Φ Φ Φ ΦΦ d d b g ' i où dsnrrapport de signal à bruit. onc on a une expression pour la probabilité de détection pour le niveau d'alarme fausse. Si le niveau est fixé, ** est une expression pour la probabilité de détection comme fonction du rapport de signal à bruit. Cette expression s'appelle fonction de puissance (power function). F 9 févr. 5 Règle Neyman-Pearson page 8
9 étection et Estimation GEL Hiver 5 On peut aussi imaginer le SNR fixé, et P est une fonction du niveau. Cette fonction s'appelle caractéristiques opérateurs du récepteur (ROCs, receiver operating characteristics). d d.5 P P d SNR (d) fonction de puissance P F ROCs Exemple: Le canal binaire -λ -λ λ λ Le rapport de vraisemblance pour le canal binaire était ( ) L y λ λ λ y λ si y λ λ L( y) λ si λ si y si y On va trouver NP pour un canal avec λ et λ tel que λ + λ <. 9 févr. 5 Règle Neyman-Pearson page 9
La problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailCours d introduction à la théorie de la détection
Olivier J.J. MICHEL Département EEA, UNSA v1.mars 06 olivier.michel@unice.fr Laboratoire LUAN UMR6525-CNRS Cours d introduction à la théorie de la détection L ensemble du document s appuie très largement
Plus en détailThéorie de l estimation et de la décision statistique
Théorie de l estimation et de la décision statistique Paul Honeine en collaboration avec Régis Lengellé Université de technologie de Troyes 2013-2014 Quelques références Decision and estimation theory
Plus en détailExercices - Nombres complexes : corrigé. Formes algébriques et trigonométriques, module et argument
Formes algébriques et trigonométriques, module et argument Exercice - - L/Math Sup - On multiplie le dénominateur par sa quantité conjuguée, et on obtient : Z = 4 i 3 + i 3 i 3 = 4 i 3 + 3 = + i 3. Pour
Plus en détailCHAPITRE VIII : Les circuits avec résistances ohmiques
CHAPITRE VIII : Les circuits avec résistances ohmiques VIII. 1 Ce chapitre porte sur les courants et les différences de potentiel dans les circuits. VIII.1 : Les résistances en série et en parallèle On
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailDétection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux
Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailCNAM UE MVA 210 Ph. Durand Algèbre et analyse tensorielle Cours 4: Calcul dierentiel 2
CNAM UE MVA 210 Ph. Duran Algèbre et analyse tensorielle Cours 4: Calcul ierentiel 2 Jeui 26 octobre 2006 1 Formes iérentielles e egrés 1 Dès l'introuction es bases u calcul iérentiel, nous avons mis en
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailavec des nombres entiers
Calculer avec des nombres entiers Effectuez les calculs suivants.. + 9 + 9. Calculez. 9 9 Calculez le quotient et le rest. : : : : 0 :. : : 9 : : 9 0 : 0. 9 9 0 9. Calculez. 9 0 9. : : 0 : 9 : :. : : 0
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailLa demande Du consommateur. Contrainte budgétaire Préférences Choix optimal
La demande Du consommateur Contrainte budgétaire Préférences Choix optimal Plan du cours Préambule : Rationalité du consommateur I II III IV V La contrainte budgétaire Les préférences Le choix optimal
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailChapitre 2/ La fonction de consommation et la fonction d épargne
hapitre 2/ La fonction de consommation et la fonction d épargne I : La fonction de consommation keynésienne II : Validations et limites de la fonction de consommation keynésienne III : Le choix de consommation
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détail2. RAPPEL DES TECHNIQUES DE CALCUL DANS R
2. RAPPEL DES TECHNIQUES DE CALCUL DANS R Dans la mesure où les résultats de ce chapitre devraient normalement être bien connus, il n'est rappelé que les formules les plus intéressantes; les justications
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailUEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.
UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases
Plus en détailD'UN THÉORÈME NOUVEAU
DÉMONSTRATION D'UN THÉORÈME NOUVEAU CONCERNANT LES NOMBRES PREMIERS 1. (Nouveaux Mémoires de l'académie royale des Sciences et Belles-Lettres de Berlin, année 1771.) 1. Je viens de trouver, dans un excellent
Plus en détailExemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions
Exemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions HQ = He 1 He 2 He 3 He 4 HQ e 5 comme anneaux (avec centre Re 1 Re 2 Re 3 Re 4
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailPROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES
Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.
Plus en détailChapitre 1 I:\ Soyez courageux!
Chapitre 1 I:\ Soyez courageux! Pour ne rien vous cacher, le langage d'assembleur (souvent désigné sous le terme "Assembleur", bien que ce soit un abus de langage, puisque "Assembleur" désigne le logiciel
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailFiche PanaMaths Calculs avec les fonctions sous Xcas
Fiche PanaMaths Calculs avec les fonctions sous Xcas Cette fiche destinée aux élèves des classes de Terminale requiert un premier niveau de connaissance du logiciel Xcas. Définition d une fonction Fonctions
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailDOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.
A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailLogique. Plan du chapitre
Logique Ce chapitre est assez abstrait en première lecture, mais est (avec le chapitre suivant «Ensembles») probablement le plus important de l année car il est à la base de tous les raisonnements usuels
Plus en détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailFibonacci et les paquerettes
Fibonacci et les paquerettes JOLY Romain & RIVOAL Tanguy Introduction Quand on entend dire que l on peut trouver le nombre d or et la suite de Fibonacci dans les fleurs et les pommes de pin, on est au
Plus en détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en détailCHAPITRE 3. Application à la Mutualisation des Risques & à la Demande d Assurance
CHAPITRE 3 Application à la Mutualisation des Risques & à la Demande d Assurance Ce chapitre présente une première application des concepts développés dans la première partie de ce cours Il s agit de modéliser
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailCalculs de probabilités
Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailEXERCICES - ANALYSE GÉNÉRALE
EXERCICES - ANALYSE GÉNÉRALE OLIVIER COLLIER Exercice 1 (2012) Une entreprise veut faire un prêt de S euros auprès d une banque au taux annuel composé r. Le remboursement sera effectué en n années par
Plus en détailL Equilibre Macroéconomique en Economie Ouverte
L Equilibre Macroéconomique en Economie Ouverte Partie 3: L Equilibre Macroéconomique en Economie Ouverte On abandonne l hypothèse d économie fermée Les échanges économiques entre pays: importants, en
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailMacroéconomie chapitre IV : L'économie ouverte, le marché des changes Le modèle Mundell-Fleming, Changes Flexibles
Université Paris IX Dauphine UFR Mathématiques de la Décision 2ème année de DEUG MASS Macroéconomie, Cours de C. Hurlin Année 2001/2002 Macroéconomie chapitre IV : L'économie ouverte, le marché des changes
Plus en détailCONSOMMATION INTERTEMPORELLE & MARCHE FINANCIER. Epargne et emprunt Calcul actuariel
CONSOMMATION INTERTEMPORELLE & MARCHE FINANCIER Epargne et emprunt Calcul actuariel Plan du cours Préambule : la contrainte budgétaire intertemporelle et le calcul actuariel I II III Demandes d épargne
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailCalculabilité Cours 3 : Problèmes non-calculables. http://www.irisa.fr/lande/pichardie/l3/log/
Calculabilité Cours 3 : Problèmes non-calculables http://www.irisa.fr/lande/pichardie/l3/log/ Problèmes et classes de décidabilité Problèmes et classes de décidabilité Nous nous intéressons aux problèmes
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailSeconde Généralités sur les fonctions Exercices. Notion de fonction.
Seconde Généralités sur les fonctions Exercices Notion de fonction. Exercice. Une fonction définie par une formule. On considère la fonction f définie sur R par = x + x. a) Calculer les images de, 0 et
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailCalculs de probabilités avec la loi normale
Calculs de probabilités avec la loi normale Olivier Torrès 20 janvier 2012 Rappels pour la licence EMO/IIES Ce document au format PDF est conçu pour être visualisé en mode présentation. Sélectionnez ce
Plus en détailCHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal
III CHOIX OPTIMAL DU CONSOMMATEUR A - Propriétés et détermination du choix optimal La demande du consommateur sur la droite de budget Résolution graphique Règle (d or) pour déterminer la demande quand
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailLouer et utiliser un Hébergement Mutualisé OVH (Version 1.0)
Louer et utiliser un Hébergement Mutualisé OVH (Version 1.0) Page 1/27 Table des matières 1.L'hébergement mutualisé c'est quoi?...3 2.Quel hébergeur choisir?...4 3.Louer un hébergement mutualisé chez OVH...4
Plus en détailLe chiffre est le signe, le nombre est la valeur.
Extrait de cours de maths de 6e Chapitre 1 : Les nombres et les opérations I) Chiffre et nombre 1.1 La numération décimale En mathématique, un chiffre est un signe utilisé pour l'écriture des nombres.
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailFonction inverse Fonctions homographiques
Fonction inverse Fonctions homographiques Année scolaire 203/204 Table des matières Fonction inverse 2. Définition Parité............................................ 2.2 Variations Courbe représentative...................................
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailReprésentation des Nombres
Chapitre 5 Représentation des Nombres 5. Representation des entiers 5.. Principe des représentations en base b Base L entier écrit 344 correspond a 3 mille + 4 cent + dix + 4. Plus généralement a n a n...
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailCorrection du bac blanc CFE Mercatique
Correction du bac blanc CFE Mercatique Exercice 1 (4,5 points) Le tableau suivant donne l évolution du nombre de bénéficiaires de minima sociaux en milliers : Année 2002 2003 2004 2005 2006 2007 2008 2009
Plus en détailExpérience 3 Formats de signalisation binaire
Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailTABLE DES MATIÈRES I. INTRODUCTION... 3 II. PIANO D'ACCOMPAGNEMENT...
TABLE DES MATIÈRES I. INTRODUCTION... 3 II. PIANO D'ACCOMPAGNEMENT... 4 Les tons et demi-tons... 5 Les notes... 6 Différentes figures d'altérations... 7 La gamme majeure... 8 Le chiffrage des notes ou
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailCours 9 : Plans à plusieurs facteurs
Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailPolitiques monétaire et fiscale Cours de M2R Printemps 2006
Politiques monétaire et fiscale Cours de M2R Printemps 2006 Ekkehard Ernst OCDE Ekkehard Ernst 1 Introduction et résumé du cours Objectifs Connaître et apprendre les concepts modernes d analyse monétaire
Plus en détail= 1 si n = m& où n et m sont souvent des indices entiers, par exemple, n, m = 0, 1, 2, 3, 4... En fait,! n m
1 épartement de Physique, Université Laval, Québec Pierre Amiot, 1. La fonction delta et certaines de ses utilisations. Clientèle Ce texte est destiné aux physiciens, ingénieurs et autres scientifiques.
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailTraitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détailDegré de confiance pour les indicateurs de performance : degré de fiabilité du processus de production et écart significatif 1
Degré de confiance pour les indicateurs de performance : degré de fiabilité du processus de production et écart significatif 1 L utilisation des indicateurs de performance ne peut se faire de manière pertinente
Plus en détail1 de 46. Algorithmique. Trouver et Trier. Florent Hivert. Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert
1 de 46 Algorithmique Trouver et Trier Florent Hivert Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert 2 de 46 Algorithmes et structures de données La plupart des bons algorithmes
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailFONCTIONS À CROISSANCE RÉGULIÈRE
P. LEVY (Paris - Francia) FONCTIONS À CROISSANCE RÉGULIÈRE ET ITÉRATION D'ORDRE FRACTIONNAIRE 1. - Une fonction teue que ^c+e~ x sin log x, malgré la lenteur et la petitesse de ses osciuations, nous apparaît
Plus en détail5 ème Chapitre 4 Triangles
5 ème Chapitre 4 Triangles 1) Médiatrices Définition : la médiatrice d'un segment est l'ensemble des points équidistants des extrémités du segment (cours de 6 ème ). Si M appartient à la médiatrice du
Plus en détailMaple: premiers calculs et premières applications
TP Maple: premiers calculs et premières applications Maple: un logiciel de calcul formel Le logiciel Maple est un système de calcul formel. Alors que la plupart des logiciels de mathématiques utilisent
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailUtiliser des fonctions complexes
Chapitre 5 Utiliser des fonctions complexes Construire une formule conditionnelle avec la fonction SI Calculer un remboursement avec la fonction VPN Utiliser des fonctions mathématiques Utiliser la fonction
Plus en détail