Notes de cours Analyse Discriminante Linéaire Analyse Discriminante Quadratique
|
|
- Adèle Desjardins
- il y a 6 ans
- Total affichages :
Transcription
1 M de Statistique, Uiversité Pierre et Marie Curie Bertrad MICHEL Notes de cours Aalyse Discrimiate Liéaire Aalyse Discrimiate Quadratique O dispose d ue populatio composée de k sous-populatios défiies par ue variable catégorielle à k modalités que l o ote y. Quitte à reommer les classes, o suppose que l esemble des modalités est {,..., k}. Chaque idividu de la populatio est aussi décrit par des variables explicatives x,..., x j,..., x p. Nuages et décompositio de la variace Das cette sectio, o suppose que les variables explicatives x,..., x j,..., x p sot toutes de type cotiu. Soit M la matrice associée au uage des idividus mesurés sur chacue des p variables explicatives : x... x p M =.... x... x p O appelle uage de R p le -uplet des observatios (x,..., x ), où chacu des vecteurs x i de R p est u poit du uage. Par abus o otera aussi M le uage. Das la suite o supposera toujours que le uage est cetré : ( ) x j i = 0. i=... j=...p La matrice de variace-covariace des variables du uage M est défiie par : S :=. Géométrie d u seul uage [ ] cov(x j, x j ) = j,j p M M = x i x i Avat de décrire la géométrie des k uages, cosidéros le cas d u seul uage e laissat de côté pour le momet le problème de la classificatio supervisée. L aalyse e composates pricipales (voir le cours dédié) ous dit que l orietatio du uage M peut être décrite à partir de la décompositio e valeurs propres de la matrice S. Plus précisémet, la première directio propre (pour la plus grade valeur propre) correspod à la directio de R p pour laquelle les doées du uage M sot le plus dispersée. La secode directio propre doe la directio orthogoale à la première pour laquelle les doées sot le plus dispersée, etc.... Géométrie des k uages Nous supposos désormais que k uages sot observés : la variable y présete k modalités distictes. Pour simplifier les otatios, les idividus sot umérotés de telle sorte que les premiers idividus sot ceux du groupe, puis ceux du groupe : M = x... x p... x... x p = M(). M(k) i=
2 où M(l) est la matrice des doées du groupe l. Les k groupes iduits par la variable catégorielle y défiisset k uages das l espace R p des variables explicatives. O supposera de plus que k p <. O ote : I l la liste des idividus du groupe l, l l effectif de la sous-populatio l, g l le cetre de gravité du groupe l : g l = (g l,..., gp l ) avec g j l = l i I l x j i. g Chacu des k uages M(l) a ue orietatio R p qui peut être décrite par sa matrice de variacecovariace S l (c.f. paragraphe précédet) où S l := l (M(l) e l g l ) (M(l) e l g l ) = l i I l (x i g l )(x i g l ). où e k desige le vecteur (,..., ) de R k. O défiit alors la matrice de variace itra-classe par W := l=...k l S l p p Cette matrice est la moyee podérée des matrices de variace-covariace des k uages. Elle correspod doc à l orietatio moyee des k uages. La première directio pricipale de W correspod à la directio selo laquelle les uages sot le plus étalés, etc... E gééral, la matrice W est iversible, ce que l o supposera das la suite. g ḡ g g g Premiere directio pricipale de W g Secode directio pricipale de W Figure Trois uages avec des orietatios comparables. Soit G la matrice k p du uage des cetres des k uages. Le cetre de gravité ḡ de G podéré des l vérifie ḡ := l g l = x = 0. l=...k La matrice de variace-covariace B des k cetres de gravité podérés par les l est appelée matrice
3 de variace iter-classes : B := ( l=...k l (g j l ḡj )(g u l ḡu ) ) j,u k = G Diag(,..., k )G car ḡj = ḡ u = 0 = l g l g l p p l=...k Puisque l=...k lg l = 0, le uage des g l est coteu das u sous-espace vectoriel de R p de dimesio k et la matrice B est pas iversible. La matrice B décrit la géométrie du uage des k cetres de gravité. Les variaces itra et iter classes permettet de décomposer la variace totale du uage : Propositio. La variace du uage M se décompose e variace itra-classe et variace iterclasses : S = W + B. Aalyses discrimiates liéaire et quadratique O suppose das cette sectio que les variables aléatoires X j sot toutes de type cotiu.. Modélisatio O suppose que les variables e jeu sot des variables aléatoires otées Y et X j, dot o observe des réalisatios x j,... xj et y,..., y. Supposos de plus que la distributio de Y admet k modalités. Pour chacue de ces modalités o cosidère la loi coditioelle de X = (X,..., X p ) sachat Y = l et o suppose que cette loi coditioelle admet ue desité f l pour la mesure de Lebesgue sur R p (que l o ote ici λ p ). O cosidère π l = P (Y = l) : la probabilité a priori d apparteace au groupe l. P (Y = l X = x) : la probabilité a posteriori d apparteace au groupe l. Propositio. Sous les hypothèses précédetes :. La distributio du vecteur aléatoire (X, Y ) admet la desité f : R p {,... k} R + (x, y) k l= f l(x)π l y=l par rapport à la mesure λ p δ k, où δ k désige la mesure poctuelle d atomes {,..., k}.. La distributio du vecteur X admet la desité suivate par rapport à λ p : k f X = π l f l.. Pour tout l {..., k}, la probabilité a posteriori d apparteace au groupe l vérifie : l= P (Y = l X = x) = π l f l (x) k s= π sf s (x) Les méthodes d aalyse discrimiate liéaire et quadratique sot des méthodes d aalyse discrimiates de type décisioel. Pour prédire la variable Y à partir des variables X,..., X p, il est aturel de s appuyer sur les probabilités a posteriori. Plus précisémet, la règle bayésiee d attributio cosiste à attribuer ue observatio au groupe le plus probable pour celle-ci, c est-à-dire celui pour lequel la probabilité a posteriori est maximale, ce qui équivaut d après la relatio () à choisir Ŷ (x) = Argmax f l (x)π l. l=...k Cepedat, e pratique ces quatités sot icoues et il faut les estimer à partir des observatios dispoibles. Pour cela o proposera différetes hypothèses de modélisatio sur la loi de X sachat Y. ()
4 Hypothèse gaussiee. Pour modéliser le fait que les observatios de chaque groupe l sot orgaisés e clusters, ous allos supposer que la loi du vecteur X = (X,..., X p ) peut être modélisée par ue loi ormale multivariée de desité sur R p : [ x R p, f l (x) = (π) p/ exp ] det Σ l (x µ l) Σ l (x µ l ). Comme das le cas de la régressio liéaire, cette hypothèse est jamais rigoureusemet vérifiée pour des doées réelles. Cepedat, cette modélisatio est souvet suffisammet souple pour approcher efficacemet la véritable loi des doées (que l o e coaît évidemmet pas e pratique). ADL et ADQ. Si toutes les matrices de variace-covariace sot égales : Σ = = Σ k = Σ, il s agit de l aalyse discrimiate liéaire (ADL) : Au cotraire, si les matrices de variace-covariace e sot pas supposées égales, il s agit de l aalyse discrimiate quadratique (ADQ) :. Aalyse Discrimiate Liéaire (ADL) Das le but de détermier les frotières etre les zoes d attributio, o cosidère le logarithme des rapports etre probabilités a posteriori : x R p log P (Y = l X = x) P (Y = h X = x) = log π l π h + log f l(x) f h (x) = log π l π h (x µ l) Σ (x µ l ) + (x µ h) Σ (x µ h ) () = log π l π h µ l Σ µ l + µ h Σ µ h + x Σ (µ l µ h ) O défiit ue foctio discrimiate s l pour chaque groupe l par : x R p, s l (x) := x Σ µ l + log π l µ l Σ µ l. La règle de Bayes cosiste ici à affecter ue observatio x au groupe y(x) de score maximum : y(x) = argmax s l (x). l=...k Ces foctios discrimiates (ou scores) sot liéaires e x, d où l appellatio d aalyse discrimiate liéaire. 4
5 Iférece. E pratique, les quatités Σ, µ,..., µ k et π,..., π k sot icoues. O peut cepedat les estimer par la méthode du maximum de vraisemblace : Propositio. E supposat que la loi coditioelle de (X Y = l) est celle d ue loi ormale multivariée p-dimesioel dot la matrice de variace-covariace est iversible et e déped pas de l (hypothèse ADL), les estimateurs du maximum de vraisemblace de Σ, µ l et π l vérifiet : Σ = W = l=...k l S l, ˆµ l = g l = l i y i =l x i et ˆπ l = l. Remarque. O utilise aussi parfois l estimateur sas biais de la matrice de variace-covariace k W. Attributio. où La règle d affectio effective pour ue observatio x est fialemet doée par ŷ(x) = argmax ŝ l (x) l=...k ŝ l (x) := x W g l + log l g l W g l. Cas de deux groupes. affie d équatio Si k =, l espace R est séparé e deux zoes dot la frotière est l hyperpla log (g + g ) W (g g ) + x W (g g ) = 0 Zoes de séparatio. De faço plus géérale, la zoe de séparatio etre les régios d attributio des classes l et h est la régio B l,h R p défiie par l équatio ŝ l (x) = ŝ h (x). Cette régio B l,h est u hyperpla affie car les foctios discrimiates ŝ l sot liéaires :. Métrique de Mahalaobis et ADL Si les probabilités a priori sot égales, l égalité () motre que la règle d attributio reviet à affecter ue observatio x i au groupe pour lequel la quatité (x g l ) Σ (x g l ) est miimale. Cette quatité peut être iterprétée comme ue distace pour ue métrique particulière : la métrique de Mahalaobis. Celle-ci est défiie das R p par le produit scalaire < u, v > W := u W v. Pour cette métrique, les poits situés sur u ellipsoïde d équatio (x g l ) W (x g l ) = c sot tous équidistats du poit g l. Cette ormalisatio par W permet d éviter que les directios relatives aux 5
6 grades valeurs propres de W soiet trop prépodérates das le calcul des distaces. Par exemple, das l exemple ci-dessous, les deux uages ot des orietatios comparables et u étalemet importat selo la première directio de W. g x i Premiere directio pricipale de W Secode directio pricipale de W g Le poit x i est plus proche de g que de g pour la métrique euclidiee mais e réalité il est plus aturel d affecter ce poit au groupe. E effet l étalemet das la première directio de W est tel que certais poits du groupe sot à proximité de x i, alors que ce est pas le cas pour les poits du groupe. Pour la métrique de Mahalaobis x i est plus proche de g que de g. Pour mieux compredre l effet de cette métrique, cosidéros le cas où il y a qu ue seule classe, o a alors W = S. Soit Z = MW / le uage reormalisé : la matrice de variace-covariace vaut l idetité et le uage a ue forme sphérique. O peut vérifier que d W (x i ; x s ) = d (z i ; z s ) où d désige la distace euclidiee. La métrique de Mahalaobis reviet à cosidérer la distace euclidiee pour u uage associé pour lequel les variables sot o corrélées et de même variace. Das le cas de k classes, W est la matrice de variace-covariace moyee des k uages. La correspodace précédete etre d W et d est plus rigoureusemet exacte car e gééral les matrices S l e coïcidet pas exactemet. Cepedat si ces derières e diffèret pas trop, à l itérieur d ue même uage la métrique de Mahalaobis reviet e première approximatio à cosidérer la distace euclidiee pour u uage reormalisé (dot les matrices de variace-covariace sot des matrices idetités)..4 Aalyse discrimiate quadratique (ADQ) Cotrairemet à l ADL, l aalyse discrimiate quadratique autorise les matrices de variacecovariace des uages à être différetes. Le logarithme des rapports etre probabilités a posteriori de deux classes l et h vérifie x R p, log P (Y = l X = x) P (Y = h X = x) = log π l + log f l(x) π h f h (x) = s l (x) s h (x) où s l est la foctio discrimiate du groupe l défiie par s l = log π l log det Σ l (x µ l) Σ l (x µ l ). Iférece. Comme das le cas de l ADL, les quatités Σ, µ,..., µ k et π,..., π k peuvet être estimées par la méthode du maximum de vraisemblace : 6
7 Propositio 4. E supposat que la loi coditioelle de (X Y = l) est celle d ue loi ormale multivariée p-dimesioel (sas supposer ici que les k matrices de variaces-covariaces sot égales : hypothèse ADQ), les estimateurs du maximum de vraisemblace de µ l, Σ l et π l vérifiet : ˆπ l = l, ˆµ l = g l et Σl = S l. Remarque. O utilise aussi parfois les estimateurs sas biais des matrices de variace-covariace l l S l). Attributio. par où La règle d affectio effective pour ue observatio x est comme précédemmet doée ŷ(x) = argmax ŝ l (x) l=...k ŝ l = log l log det S l (x g l) S l (x g l ). Zoes de séparatio. La zoe de séparatio etre les régios d attributio des classes l et h est l hypersurface de R p défiie par l équatio ŝ l (x) = ŝ h (x)..5 Choisir etre ADL et ADQ Il est possible de costruire u test sur l égalité des matrices de variace-covariace à l aide de la statistique : ( ) [( ) Z := p + p 6(p + )(k ) l ( k) log k k W ] ( l ) log l l S l. l=...k l=...k O peut e effet motrer (admis) que sous l hypothèse H 0 : S =... S k et sous de boes coditios, la statistique Z coverge vers ue loi du χ à p(p+)(k ) degrés de liberté. Cette propriété permet aisi de costruire le test de Box (voir par exemple [Aderso, 00], chap 0). Attetio cepedat : même si le test rejette H 0, l ADQ e doe pas écessairemet ue meilleure classificatio que l ADL car l ADQ écessite d estimer beaucoup plus de coefficiets que l ADL. Ue stratégie parfois itéressate cosiste à utiliser l ADL e erichissat la famille des variables explicatives de variables quadratiques (x j ) et de variables d iteractio x j x j. Cette méthode est e effet mois «cosommatrice» e paramètres. Das tous les cas, o évaluera les erreurs de classemet pour comparer les méthodes (voir plus loi). 7
8 .6 Ue versio o paramétrique Les estimateurs à oyau sot des estimateurs o paramétriques courammet utilisés e statistique. Ils permettet otammet d estimer ue desité sas hypothèse d apparteace à ue famille paramétrique de loi. O les défiit par : x R p, ˆf(u) = h i=... ( ) x xi K h où h > 0 est la feêtre d estimatio et K : R p R + est u oyau i.e. ue foctio symétrique, à valeurs positives ou ulles et d itégrale (ex : oyau gaussie, K = [,] ). O parle alors d estimatio o paramétrique. Das le cotexte de l aalyse discrimiate, o estime doc pour chaque groupe l la desité joite des variables explicatives par x R p, ˆfl (x) = ( ) x xi K. l h h i I l Comme pour les modèles gaussies précédets, o utilise esuite la formule de Bayes pour estimer P (Y = l X = x) = et ue observatio est attribuée au groupe le plus probable selo la règle de Bayes. Référeces ˆf l (x)ˆπ l k j= ˆπ j ˆf j (x) [Aderso, 00] Aderso, T. W. (00). A itroductio to multivariate statistical aalysis,third editio. Wiley, New Jersey. 8
STATISTIQUE 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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. 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailTests non paramétriques de spécification pour densité conditionnelle : application à des modèles de choix discret
Tests o paramétriques de spécificatio pour desité coditioelle : applicatio à des modèles de choix discret Mémoire Koami Dzigbodi AMEGBLE Maîtrise e écoomique Maître ès arts (M.A.) Québec, Caada Koami Dzigbodi
Plus en 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailLa fibre optique arrive chez vous Devenez acteur de la révolution numérique
2 e éditio Edité par l Autorité de régulatio des commuicatios électroiques et des postes RÉPUBLIQUE FRANÇAISE DÉCEMBRE 2010 La fibre optique arrive chez vous Deveez acteur de la révolutio umérique Petit
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 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 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 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 détailDominique Tapsoba, Vincent Fortin, François Anctil et Mario Haché
289 NOTE / NOTE Apport de la techique du krigeage avec dérive extere pour ue cartographie raisoée de l équivalet e eau de la eige : Applicatio aux bassis de la rivière Gatieau Domiique Tapsoba, Vicet Forti,
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 détailLe Sphinx. Enquêtes, Sondages. Analyse de données. Internet : http://www.lesphinxdeveloppement.fr/club/index.html
Equêtes, Sodages Aalyse de doées Le Sphix! Iteret : http://www.lesphixdeveloppemet.fr/club/idex.html Lagarde J. Aalyse statistique de doées, Duod. Réaliser vos equêtes Questioaire Traitemets et aalyses
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 détailCAMERA HYPERFREQUENCE POUR LA MESURE ET L ANALYSE DE LA SER DES CIBLES SCINTILLANTES
N D ORDRE 8688 UNIVERSITE PARIS-SUD XI Faculté des Scieces d Orsay THÈSE DE DOCTORAT SPECIALITE : PHYSIQUE Ecole Doctorale «Scieces et Techologies de l Iformatio des Télécommuicatios et des Systèmes» Yoa
Plus en détailOuverture à la concurrence du transport ferroviaire de voyageurs
Ouverture à la cocurrece du trasport ferroviaire de voyageurs COMPLÉMENTS Claude Abraham Présidet Thomas Revial Fraçois Vielliard Rapporteurs Domiique Auverlot Christie Rayard Coordiateurs Octobre 2011
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 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 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 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 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 détail