Sommaire. Généralités. Profil sensoriel. Estimation par intervalles de confiance 1.0. : 1.1. Profils sensoriels : 1.1. Profils sensoriels :
|
|
- Estelle Bastien
- il y a 6 ans
- Total affichages :
Transcription
1 1.0. : 1.1. Profils sesoriels : Sommaire Gééralités 1. Descriptio des produits 1.1. Profils sesoriels 1.. Aalyse e composate pricipale Itroductio Espaces vectoriels et iertie Iterprétatio des gradeurs factorielles 1.3. Classificatio ascedate hierarchique Gééralité Méthode de Ward Cotexte : u uique produit est oté par juges à l aide de descripteurs quatitatifs (e.g sucré) et/ou qualitatifs (e.g saveur). Outils : Statistique uivariée (descriptio de la distributio). Différetes techiques suivat le type de variables : variables quatitatives : moyee, quatile, variace, boxplot,... variables qualitatives : fréqueces des modalités, diagrammes,... Covergece du jury : Les disparités iter-juges e sot pas itéressates ici. U jury est dit o-coverget si (pour des variables quatitatives) : il y a beaucoup d observatios atypiques, ue distributio des observatios o symétrique, ue variace trop élevée,... 0/8 1/ Profils sesoriels : Estimatio par itervalles de cofiace Variable quatitative : O cosidère le modèle X = µ + ε où ε N (0, σ ). O estime µ à l aide de la moyee empirique X N (µ, σ ) et σ à l aide de la variace empirique S χ ( 1). O a ) ( X µ S [ ] [ ] S S T ( 1) N (0, 1) et IC 1 α = X ± t 1 α X ± u 1 α. Profil sesoriel 1.1. Profils sesoriels : Cotexte : u uique produit est oté par juges sur J descripteurs quatitatifs. Profil sesorielle : c est l esemble des descripteurs et de la mesure associée. Exemple : profils d u ketshup A descripteurs cofit sucré métal astriget acide vert juge juge Représetatio : par exemple e graphique radar : Variable qualitative : (X pred des valeurs discrètes) O veut estimer p = P(X = m) pour chaque modalité m. O cosidère l idicatrice 1 X=m Ber(p). O estime p = E(1 X=m ) par la moyee empirique ˆP = 1 X=m. Si est grad : ] ˆP p ˆP(1 ˆP) N (0, 1) et IC 1 α [ˆP ± u1 α ˆP(1 ˆP) Remarque : o a utilisé l estimateur ˆP(1 ˆP) pour la variace de 1 X=m [. Mais comme ] o a t(1 t) 1 4 pour tout t [0, 1], o peut predre IC 1 1 α ˆP ± u 1 α pour simplifier. Figure : plusieurs juges (itervalles de Figure : u seul juge (itervalle de cofiace) cofiace) Gééralisatio : pour les variables qualitatives o représete l idicatrice. /8 3/8
2 Le problème 1.. Aalyse e composate pricipale : Itroductio Cotexte : O observe u grad ombre de doées que l o stocke das u tableau. Les liges représetet les différetes observatios tadis que les coloes représetet les variables. Exemple : Astrigece Boisé Souplesse Piquat Persistace Vi Vi Juge 1 Vi Vi Vi Juge Vi Objectif : trouver ue représetatio, das u espace de dimesio réduite, permettat de mettre e évidece d évetuelles structures au sei des doées. Illustratio : trouver l agle de vue et faire ue photo (dimesio réduite) fidèle (détails discerables, étalemet maximale) d u objet 3d 1.. Aalyse e composate pricipale : Itroductio Les méthodes liéaires Idée : o cherche u sous-espace vectoriels (sev) de faible dimesio (droite, pla,... ) qui résume au mieux les doées (simplifie mais coserve les structures) Plusieurs choix : le choix de ce sous-espace déped des besois de l étude : Figure : ACP : s.e.v avec la plus grade variabilité 6 Figure : Aalyse discrimiate : s.e.v où les groupes sot bie séparés. 4/8 5/8 Présetatio 1.. Aalyse e composate pricipale : Itroductio Les doées 1.. Aalyse e composate pricipale : Itroductio Aalyse e composates pricipales : Ue méthode de statistique exploratoire permettat de décrire u grad tableau de doées quatitatives de type idividus / variables. Questio : Lorsqu o étudie simultaémet u ombre importat de variables (e serait-ce que 4!), commet e faire ue représetatio globale? O recherche les sous-espaces das lesquels la projectio du uage déforme le mois possible le uage iitial. Idée : L ACP est u simple chagemet de base : passer d ue représetatio das la base caoique des variables iitiales à ue représetatio das la base des facteurs. Les facteurs sot des combiaisos liéaires des variables : ce sot les vecteurs propres de la matrice des corrélatios. O e sélectioe qu ue petite partie des facteurs et cela permet de réaliser des graphiques das cet espace de faible dimesio (dimesio égale au ombre de facteurs reteus). Iterprétatio : les graphiques peuvet évetuellemet permettre de compredre la structure des doées aalysées. Cette iterprétatio est guidée par des idicateurs umériques et graphiques. Les doées : U tableau à liges et p coloes représeté par ue matrice X de taille p : la i-ème lige représete les différetes valeurs des p variables prise par l idividu i. la j-ème coloe représete les valeurs de la variable j pour les idividus. Exemple : Lors d u cocours agricole, u jury a doé des otes à 10 marques de cidres relativemet à 10 critères de dégustatio. Les marques de cidres sot les idividus et les critères gustatifs sot les variables. 6/8 7/8
3 Dualité 1.. Aalyse e composate pricipale : Espaces vectoriels et iertie Espace E des idividus : Ue matrice p code u uage de poits das R p. À chaque idividu i o associe le vecteur coloe x i = (xi 1,, x p i ) t R p ( les valeurs d ue lige mis e coloe ). Ce sot des élémets d u espace vectoriel E de dimesio p. Nous choisissos R p mui de la base caoique E et d ue métrique de matrice M lui coférat ue structure d espace euclidie : E est isomorphe à (R p, E, M). Espace F des variables : de la même maière, cette même matrice p code u uage de p poits das R... À la j-ème variable, o associe le vecteur coloe x j R. C est u élémet d u espace vectoriel oté F de dimesio. Nous choisissos R mui de la base caoique F et d ue métrique de matrice D diagoale des poids lui coférat ue structure d espace euclidie : F est isomorphe à (R, F, D) avec D = diag(w 1,, w ). E pratique : le plus souvet o a M = Id p et D = Id... mais cette formulatio plus géérale permet d iclure ombre de cas particuliers das le formalisme de l ACP. 1.. Aalyse e composate pricipale : Espaces vectoriels et iertie ACP ormée Le plus souvet (par défaut das de ombreuses implémetatios de l ACP), le uage de poits des idividus est cetré et réduit (i.e o cetre et o réduit coloe par coloe ) Cetrage : O ote x = ( x j = 1 ) i=1 x j p i j=1 Rp le vecteur lige des moyees pour les p variables. La matrice des doées cetrées est Y = X 1 x. où 1 = (1,, 1) t R Réductio : pour éviter les problèmes d échelles, o réduit chaque coloe de X à variace 1 (cela e détruit pas la structure de corrélatio du uage de poit). O ote sj = 1 i=1 (x j x j ) la variace de la coloe j et o pose ( 1 D 1/s = Diag,, 1 ) R p p. s 1 s p Travailler avec la métrique M = D 1/s sur le tableau cetré Y reviet doc à travailler avec la métrique idetité M = Id p sur le tableau cetré réduit Z = YD 1/s. 8/8 L ACP usuelle reviet doc à cetrer et réduire les observatios puis à utiliser la métrique idetité : c est l ACP ormée. 9/8 1.. Aalyse e composate pricipale : Espaces vectoriels et iertie Les variables Les valeurs relevées pour chaque variable peuvet être vues comme réalisatios idépedates d ue v.a. : Lie statistique et géométrie : Pour des variables cetrées et D = Id, o a y j, y j F = i=1 y j i y j i. Aisi : y j F écart type et y j, y j F covariace Matrice de variace : c est la matrice p p otée V dot l etrée j, j cotiet cov(x j, x j ). O a V = 1 Y t DY 1.. Aalyse e composate pricipale : Espaces vectoriels et iertie Iertie L iertie gééralise la otio de variace : Iertie totale : du uage de poits décrit par X est I(X) = 1 x i x M = 1 (x i x) t M(x i x) i=1 i=1 O a I(X) = I(Y ) où Y est le uage cetrée. Iertie das u sous espace E q : iertie du uage projeté orthogoalemet sur E q : x 1 Exemple : Matrice de corrélatio (matrice de variace des doées cetrée réduites Z et pour D = Id ) pour l exemple des cidres : E q x 4 R p x x 3 x 10/8 11/8
4 1.. Aalyse e composate pricipale : Espaces vectoriels et iertie Espaces d iertie maximale Les sev d iertie maximale sot les sous espaces propres de la matrice VM = Y t DYM. Iertie des axes propre : O calcule les valeurs/vecteurs propres de la matrice VM R p p et o ordoe les vecteurs propres par ordre décroissat de valeur propre : λ 1 λ λ p v 1 v v p L iertie de l axe egedré par v k R p est λ k 0 la part d iertie expliqué par cet axe est λ k λ 1 + +λ p. Sous espaces d iertie maximale : O ote E q le sev d iertie maximum et de dimesio q = 1,, p. Les sev E q sot emboîtées : E 1 = Vect {v 1 } E = Vect {v 1, v } E p = E Qualité de la représetatio : La part de dispersio expliquée par le sous-espace E q est λ λ q λ λ p. Exemple des cidres : 1.. Aalyse e composate pricipale : Espaces vectoriels et iertie Vocabulaire Espaces factoriels directs : ce sot les sev Vect{v k } egedrés par les v k R p (directios de plus grade iertie). Espaces factoriels duals : ce sot les sev egedrés par les composates pricipales. La k-ème composate pricipale est le vecteur c k R des coordoées des idividus sur l axe factoriel Vect{v k }. E ACP ormé o a : E 1 c k = Zv k La composate pricipale c k est doc ue combiaiso liéaire des variables x j et peut être vue comme ue ouvelle variable das le sous-espace factoriel dual. c 1 1 c 1 3 x 1 x 3 v 1 x c 1 c 1 4 x x 4 E c 1 1 c 1 3 x 1 x 3 c 4 v 1 v c 1 x c c 3 c 1 c 1 4 x x 4 1/8 Figure : Droite factorielle et première composate pricipale ( = 4 et p = 3) Figure : Pla factoriel et deux composates pricipales ( = 4 et p = 3) 13/8 1.. Aalyse e composate pricipale : Iterprétatio des gradeurs factorielles Qualité de la représetatio Idividus : La qualité de représetatio d u idividu i sur u axe factoriel direct est mesuré par le cosius carré de l agle etre l axe factoriel et le vecteur z i. Plus le cosius est grad, plus z i sera proche de l axe factoriel et doc sera bie représeté sur cet axe. Pour coaître la qualité de la représetatio sur u espace E q o ajoute simplemet les q cosius carré. Exemple : tableau des cos des agles etre les cidres x i et les trois premiers axes factoriels egedrés par v 1, v, v 3 : Dim.1 Dim. Dim Tous les idividus sot correctemet représetés das le premier pla facoriel sauf peut être le 10 (il est représeté à QLT 1,(x 10) = = % ) 14/8 1.. Aalyse e composate pricipale : Iterprétatio des gradeurs factorielles Qualité de la représetatio Variable : La qualité de représetatio d ue variable j sur le k-ème axe factoriel dual est exprimée par le coefficiet de corrélatio liéaire r(c k, z j ) etre la variable iitiale z j et la ouvelle variable c k. La valeur de cette corrélatio sera égalemet très importate pour iterpréter ces ouveaux axes factoriels e foctio des variables iitiales. Exemple : tableau des corrélatios etre les variables x j et les composates pricipales c 1, c, c 3 : Dim.1 Dim. Dim.3 odeur sucre acide amer astrigece suffocate piquate alcool parfum fruitée Toutes les variables (sauf acidité) sot bie représetées das le premier pla factoriel Remarque : bie qu ayat reteu u sous-espace factoriel expliquat ue part importate de l iertie totale, il est possible que certaies variables ou idividus d itérêt soiet mal représetés das ce sous-espace. Il sera alors itéressat de compléter le sous-espace factoriel e ajoutat des axes factoriels supplémetaires de sorte que ces variables ou idividus d itérêt soiet bie représetés 15/8
5 1.. Aalyse e composate pricipale : Iterprétatio des gradeurs factorielles Choisir le ombre de dimesio : Exemple des cidres : éboulis des valeurs propres. 1.. Aalyse e composate pricipale : Iterprétatio des gradeurs factorielles Iterprétatio des composates pricipales Méthodes empiriques : le choix du ombre de dimesio se fait sur des critères empiriques. Cela déped aussi de la fialité de l ACP : pour de la descriptio de doées o a souvet q 4 (au delà difficultés d iterprétatio), pour de la compressio q peut être beaucoup plus grad. Exemple de méthodes : pour l aalyse descriptive : Méthode de Kaiser : Ne reteir que les directios pricipales qui expliquet ue proportio de l iertie supérieure à 1. Das l exemple : cela correspod à p q = 3. Mais mieux vaut couper avat/apres u décrochemet... Méthode du coude : sur l éboulis des valeurs propres, o observe u décrochemet (coude) suivi d ue décroissace régulière : sélectioer les axes avat le décrochemet. Méthode pratique : e reteir que les dimesios que l o peut iterpréter... 16/8 Iterprétatio des composates pricipales : O mesure la relatio etre c k et la variable z j l aide de la corrélatio r(c k, z j ). État doés c 1 et c, o trace le cercle de corrélatios : chaque variable z j est représetée par u poit de coordoées (r(c 1, z j ), r(c, z j )) das le pla. Les variables les mieux expliquées correspodet aux poits les plus proches du cercle uité. Toutes les variables (sauf acidité) sot bie représetées das ce pla factoriel puisque leurs corrélatios avec les axes sot relativemet importates (les projectios sot proches du cercle de corrélatio). Iterprétatio possible des deux premiers axes factoriels : le premier axe factoriel semble opposer le cidre doux (fruité, sucré, parfumé) au cidre brut (plus alcoolisé et astriget). le secod axe factoriel semble opposer les cidres ayat ue particularité olfactive (forte odeur) aux cidres ayat ue certaie particularité gustative (piquate). 17/8 1.. Aalyse e composate pricipale : Iterprétatio des gradeurs factorielles Exemple : représetatio des doées 1.. Aalyse e composate pricipale : Iterprétatio des gradeurs factorielles Biplot Les coordoées des idividus das le premier pla factoriel (composates pricipales) : Objectif : O superpose les deux représetatios duales (les variables et les idividus) sur u même graphique pour aider à l iterprétatio. Les valeurs : i c 1 i c i Attetio : est pertiet que pour les variables et les idividus bie représetés! 18/8 19/8
6 1.. Aalyse e composate pricipale : Iterprétatio des gradeurs factorielles 1.3. Classificatio ascedate hierarchique : Gééralité Exemple : biplot Pricipe Cotexte : O dispose de produits M 1,, M décrits par p gradeurs. Comme précédemmet, o représete les doées sous la forme d u uage Γ de poits das R p. Exemple : retour sur les cidres. O a le uage de poits suivat sur le premier pla factoriel : Après avoir vérifié que les idividus étaiet bie représetés sur le pla factoriel e examiat les valeurs des cosius carrés des agles etre les idividus et les axes factoriels, il semble se dégager 4 groupes de cidres : groupe 1 : les cidres 3, 8, 4 et 10 qui sot des cidres doux, groupe : les cidres, 5, 6 et 7 qui sot des cidres bruts, groupe 3 : le cidre 9 qui est u cidre particulièremet odorat et suffocat, groupe 4 : le cidre 1 qui est particulièremet piquat. Classificatio : O souhaite partitioer le uage. E gééral, o cherche à créer des classes les plus homogèes possibles. 0/8 1/ Classificatio ascedate hierarchique : Gééralité 1.3. Classificatio ascedate hierarchique : Gééralité Dedogramme Distaces Dedrogramme : C est ue représetatio e arbre. O créer facilemet des sousgroupes e coupat le dedrogramme à u iveau doé : tous les idividus solidaires d ue même brache costituet u groupe. Exemple : le dedrogramme associé au uage de poits précédet Distace etre produits : O la ote d et o défiie la matrice de distace D = [D ij ] i,j=1 qui satisfait D ij = d(m i, M j ), où i, j = 1,,. C est ue matrice, symétrique, de diagoale ulle : o a doc seulemet ( 1) etrées à calculer. Exemple : distace euclidiee. Distace l 1... Écart etre les classes : À l aide de la distace d o défiit ue distace dist etre deux sous-groupes Γ 1 et Γ de Γ. ; CAH : C est ue méthode de classemet automatique. O crée tout d abord u dedrogramme puis o fixe le ombre de groupe a posteriori uiquemet. Exemple : La distace moyee. Distace du saut miimum (i.e distace des poits les plus proches). Distace du diamètre (i.e distace etre les poits les plus éloigés). Distace de Ward... /8 3/8
7 1.3. Classificatio ascedate hierarchique : Méthode de Ward Espace Euclidie 1.3. Classificatio ascedate hierarchique : Méthode de Ward Décompositio de l iertie Distace Euclidiee : C est la distace habituelle. Soit M 1 et M deux produits o a d (M 1, M ) = (M1 1 M1 ) + + (M p 1 Mp ). Distace de Ward : Soit Γ 1 et Γ deux sous groupes de poits de Γ. L effectif de Γ k est oté Γ k et so cetre de gravité est G k = 1 M Γ k M i Γ i. O défiit la distace k de Ward par p dist (Γ 1, Γ ) = 1 p d p 1 +p (G 1, G ) où p k = Γ k, k = 1,. Iertie : O appelle iertie d u sous-uage Γ 0 = {M 1,, M 0 } de Γ la somme podérée des carrés des distaces de ses poits au cetre de gravité du uage. Si G 0 désige le cetre de gravité de Γ 0 o a I(Γ 0 ) = 1 (d(m i, G 0 )) M i Γ 0 Attetio les poids 1 sot fixés : o a I(Γ 0) = 0 Var(Γ 0 )... Theorem de Huyges : Soit Γ u uage de poits partitioé e classes Γ 1,, Γ k (i.e disjoites deux à deux et recouvrat tout Γ). O a I(Γ) = I itra + I iter où l iertie itra est la somme des ierties : I itra = I(Γ 1 ) + + I(Γ k ) et l iertie iter mesure la dispersio des classes autour du cetre de gravité G de Γ : I iter = p 1 (d(g 1, G)) + + p k (d(g k, G)) G G 3 G G 1 G 4/8 5/ Classificatio ascedate hierarchique : Méthode de Ward Pricipe de la méthode Partitio : La qualité globale d ue partitio est liée à l homogééité itere des sous-uages et doc égalemet à l éloigemet des sous-uages. Algorithme 1.3. Classificatio ascedate hierarchique : Méthode de Ward Dedrogramme : o costruit itérativemet : Iitialisatio : chaque idividu est seul das ue classe (i.e I = I iter ). Règle de progressio : o rassemble les deux classes les plus proches au ses de la distace de Ward. Règle d arrêt : quad tous les idividus sot das la même classe (i.e I = I itra ). I Pricipe : A chaque étape de l algorithme o regroupe les deux classes dot l agrégatio miimise le gai d iertie itraclasse (i.e miimise la perte d iertie iterclasse). État doées deux sous uages Γ 1 et Γ d u uage Γ, la perte d iertie iter est d après le théorème de Huyges, p 1 d (G 1, G) + p d (G, G) = p 1p p 1 + p d (G 1, G ) Autremet dit, c est la distace de Ward (au carré) etre les deux classes Γ 1 et Γ La hauteur des œuds du dedogramme proportioel à l iertie itra. 6/8 7/8
8 1.3. Classificatio ascedate hierarchique : Méthode de Ward Classes I Classes : Le choix du ombre de classe est détermié a posteriori e coupat le dedrogramme iveau doé et tous les idividus solidaires d ue même brache costituet u groupe. 8/8
Statistique descriptive bidimensionnelle
1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets
Plus en 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailESIEA PARIS 2010-2011
ESIEA PARIS 00-0 Exame MAT 50 DATA MINING Vedredi 6 Novembre 00 Première Partie : 5 miutes Eseigat resposable : Frédéric Bertrad Remarque importat : les questios de ce questioaire sot posées das le cotexte
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 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 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 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 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 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 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 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 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 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 détailIntégration 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 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 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 détailRECHERCHE DE CLIENTS simplifiée
RECHERCHE DE CLIENTS simplifiée Nous ous occupos d accroître votre clietèle avec le compte Avatage d etreprise Pour trouver des cliets potetiels grâce à u simple compte bacaire Vous cherchez des idées
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 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 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 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 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 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 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 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 détailDonnez de la liberté à vos données. BiBOARD. www.biboard.fr
Doez de la liberté à vos doées BiBOARD www.biboard.fr Le décisioel pour tous Le décisioel évolue. L etreprise quelle que soit sa taille, a besoi de piloter so activité à l aide d outils simples, fiables,
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 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 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 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 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 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 détailNeolane Message Center. Neolane v6.0
Neolae Message Ceter Neolae v6.0 Ce documet, aisi que le logiciel qu'il décrit, est fouri das le cadre d'u accord de licece et e peut être utilisé ou copié que das les coditios prévues par cet accord.
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 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 détailUNIVERSITÉ DE SFAX École Supérieure de Commerce
UNIVERSITÉ DE SFAX École Supérieure de Commerce Aée Uiversitaire 2003 / 2004 Auditoire : Troisième Aée Études Supérieures Commerciales & Scieces Comptables DÉCISIONS FINANCIÈRES Note de cours N 3 Première
Plus en 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 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 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 détailDares Analyses. Plus d un tiers des CDI sont rompus avant un an
Dares Aalyses javier 2015 N 005 publicatio de la directio de l'aimatio de la recherche, des études et des statistiques Plus d u tiers des CDI sot rompus avat u a Le cotrat de travail à durée idétermiée
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 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 détailSimulations interactives de convertisseurs en électronique de puissance
Simulatios iteractives de covertisseurs e électroique de puissace Jea-Jacques HUSELSTEIN, Philippe ENII Laboratoire d'électrotechique de Motpellier (LEM) - Uiversité Motpellier II, 079, Place Eugèe Bataillo,
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 détailRésolution numérique des équations aux dérivées partielles (PDE)
Résolutio umérique des équatios au dérivées partielles (PDE Sébastie Charoz & Adria Daerr iversité Paris 7 Deis Diderot CEA Saclay Référeces : Numerical Recipes i Fortra, Press. Et al. Cambridge iversity
Plus en détailCompte Sélect Banque Manuvie Guide du débutant
GUIDE DU DÉBUTANT Compte Sélect Baque Mauvie Guide du débutat Besoi d aide? Preez quelques miutes pour lire attetivemet votre Guide du cliet. Le préset Guide du débutat vous facilitera l utilisatio de
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 détailSommaire Chapitre 1 - L interface de Windows 7 9
Sommaire Chapitre 1 - L iterface de Widows 7 9 1.1. Utiliser le meu Démarrer et la barre des tâches de Widows 7...11 Démarrer et arrêter des programmes...15 Épigler u programme das la barre des tâches...18
Plus en détailFaites prospérer vos affaires grâce aux solutions d épargne et de gestion des dettes
Faites prospérer vos affaires grâce aux solutios d éparge et de gestio des dettes Quelques excelletes raisos d offrir des produits bacaires et de fiducie à vos cliets Vous avez la compétece écessaire pour
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 détailSommes de signaux : Décomposition de Fourier Spectre ondes stationnaires et résonance
Sommes de sigaux : Décompositio de Fourier Spectre odes statioaires et résoace Das le cours précédet, o a étudié la propagatio des odes moochromatiques mais celles-ci e peuvet pas porter d iformatio ;
Plus en 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 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 détailNeolane Leads. Neolane v6.0
Neolae Leads Neolae v6.0 Ce documet, aisi que le logiciel qu'il décrit, est fouri das le cadre d'u accord de licece et e peut être utilisé ou copié que das les coditios prévues par cet accord. Cette publicatio
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 détailManuel d initiation à l ordinateur HP Media Center
Mauel d iitiatio à l ordiateur HP Media Ceter Les garaties des produits et services HP sot exclusivemet présetées das les déclaratios expresses accompagat ces produits et services. Aucu élémet de ce documet
Plus en détailn tr tr tr tr tr tr tr tr tr tr n tr tr tr Nom:... Prénom :...
Nom:... Préom :... Chaque répose peut valoir : c) 2 poits si le choix est totalemet exact + poit si le choix est partiellemet exact + 0 poit si le choix est erroé + -i poit si le choix est u coeses Ue
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 détailGuide des logiciels de l ordinateur HP Media Center
Guide des logiciels de l ordiateur HP Media Ceter Les garaties des produits et services HP sot exclusivemet présetées das les déclaratios expresses de garatie accompagat ces produits et services. Aucu
Plus en détailLa maladie rénale chronique
La maladie réale chroique Qu est-ce que cela veut dire pour moi? Natioal Kidey Disease Educatio Program La maladie réale chroique: l essetiel Vous avez été iformé(e) que vous êtes atteit(e) de la maladie
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 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 détailII - Notions de probabilité. 19/10/2007 PHYS-F-301 G. Wilquet 1
II - Notos de probablté 9/0/007 PHYS-F-30 G. Wlquet Ue varable aléatore est ue varable dot la valeur e peut être prédte avec certtude mas dot la probablté d occurrece d ue valeur (varable dscrète) ou d
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 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 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 détailRégulation analogique industrielle ESTF- G.Thermique
Chapitre 5 Stabilité, Rapidité, Précisio et Réglage Stabilité. Défiitio Coditio de stabilité. Critères de stabilité.. Critères algébriques.. Critère graphique ou de revers das le pla de Nyquist Rapidité
Plus en 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 détailCréation et développement d une fonction audit interne*
Créatio et développemet d ue foctio audit itere* Ue démarche e 10 étapes [ Sommaire] Dix étapes pour réussir... 7 Étapes 1 à 4 Défiitio du cadre d itervetio... 9 1 Idetifier les attetes des parties preates...
Plus en détailSolutions particulières d une équation différentielle...
Solutios particulières d ue équatio différetielle......du premier ordre à coefficiets costats O cherche ue solutio particulière de y + ay = f, où a est ue costate réelle et f ue foctio, appelée le secod
Plus en détailUn accès direct à vos comptes 24h/24 VOTRE NUMÉRO CLIENT. www.bnpparibas.net. Centre de Relations Clients 0 820 820 001 (0,12 /min)
* selo coditios cotractuelles e vigueur. U accès direct à vos comptes 24h/24 VOTRE NUMÉRO CLIENT + VOTRE CODE SECRET * : www.bpparibas.et Cetre de Relatios Cliets 0 820 820 001 (0,12 /mi) Appli Mes Comptes
Plus en détailLes études. Recommandations applicables aux appareils de levage "anciens" dans les ports. Guide Technique
es Cetre d Etudes Techiques Maritimes et Fluviales Les études Recommadatios applicables aux appareils de levage "acies" das les ports Guide Techique PM 03.01 Cetre d Etudes Techiques Maritimes et Fluviales
Plus en détail