Application de la théorie des valeurs extrêmes en assurance automobile

Dimension: px
Commencer à balayer dès la page:

Download "Application de la théorie des valeurs extrêmes en assurance automobile"

Transcription

1 Applcato de la théore des valeurs extrêmes e assurace automoble Nouredde Belagha & Mchel Gru-Réhomme Uversté Pars 2, ERMES-UMR78-CNRS, 92 rue d Assas, Pars, Frace E-Mal: E-Mal: Résumé La costructo des classes de rsque e assurace automoble est stratégque pour que le prcpe de mutualsato sot foctoel das cet evroemet cocurretel. Ces classes, costtuées à partr de caractérstques de l assuré et du véhcule, sot supposées homogèes e terme de sstralté. La présece de sstres graves (rares) das ue classe vet perturber cette hypothèse d homogéété des classes et de stablté des dcateurs de rsque comme la prme pure. E gééral, face à de tels évèemets, les assureurs répartsset la charge sur l esemble du portefeulle, mas la questo se pose de détermer ce qu est u sstre grave pour ue classe de rsque doée af d assurer ue certae stablté des dcateurs de sstralté et doc ue adéquato etre la prme de référece e la sstralté. La théore des valeurs extrêmes a été applquée e face pour le calcul de mesures de rsque comme la Value at Rsk, e hydrologe ou das le cadre de sstres de type catastrophe aturelle. A pror, cette démarche a pas été utlsée e assurace automoble. Après avor rappelé les fodemets de la théore des valeurs extrêmes et e partculer la méthode basée sur la dstrbuto de Pareto gééralsée, tros méthodes (valeurs record, moyee des excès, approxmato GPD) sot proposées pour la détermato d u seul à partr duquel u évéemet est cosdéré comme atypque. Elles permettet de prévor des sstres graves pour ue probablté d occurrece doée (très fable) et u tervalle de coface fxé. Ces méthodes sot comparées sur des doées du portefeulle d ue mutuelle d assurace fraçase, pus ue combaso covexe de ces méthodes, qu mmse la varace, est proposée, permettat de décder etre ces dfféretes stratéges. Mots clés : Gesto des rsques, valeurs extrêmes, dstrbuto de Pareto gééralsée, assurace automoble. JEL : C, C6, G22

2 . Itroducto Les Assuraces dovet fare face à des flux facers ter temporels et dvdualsés, et de ce fat très ombreux. Face à cet evroemet certa, lé à la sstralté, dfférets mécasmes de gesto des rsques peuvet être proposés. Le prcpe de mutualsato des rsques e assurace automoble est e gééral reteu, l permet de dmuer les cotrates dvduelles sur les assurés, mas peut provoquer u phéomèe d aléa moral. Cette mutualsato s avère opératoelle pusque les rsques sot dspersés et dépedats. La costructo des classes de rsque est stratégque pour que le prcpe de mutualsato sot foctoel das u evroemet cocurretel. Ces classes, costtuées à partr de caractérstques de l assuré et du véhcule, sot supposées homogèes e terme de sstralté. Cette homogéété peut se mesurer par des dcateurs de rsque, à savor la fréquece et le coût moye des sstres qu permettet de détermer la prme pure (produt de ces deux dcateurs). D ue maère géérale, les rsques des dvdus d ue classe homogèe de rsque dépedet de deux varables aléatores dépedates et équdstrbuées: ue varable structurelle qu caractérse l hétérogéété terdvduelle acceptée au se de la classe et ue varable edogèe qu correspod au rsque collectf de la classe. C est cette derère que l assureur cherche à prévor. Ue certae stablté temporelle de ces dcateurs est doc écessare pour avor ue boe adéquato etre la sstralté et la tarfcato. La présece de sstres graves das ue classe vet perturber cette hypothèse d homogéété des classes et de stablté des dcateurs. E gééral, face à de tels évèemets, les assureurs répartsset la charge sur l esemble du portefeulle. Toutefos la questo se pose de détermer ce qu est u sstre grave das ue classe de rsque pour assurer la stablté des dcateurs et doc la hérarche de ces classes. Des approches par la théore des valeurs extrêmes ot été applquées e face pour le calcul de mesures de rsque comme la Value at Rsk, e hydrologe ou das le cadre de sstres de type catastrophe aturelle (McNel,996, Berardara, Schertzer, Lag, 2005, Feradez, 2003). A pror, cette démarche a pas été utlsée e assurace automoble. Après avor rappelé les fodemets de la théore de valeurs extrêmes et e partculer la méthode basée sur la dstrbuto de Pareto gééralsée, tros méthodes (valeurs record, moyee des excès, approxmato GPD) sot proposées pour la détermato d u seul à partr duquel u évéemet est cosdéré comme atypque. Ces méthodes sot comparées sur des doées du portefeulle d ue mutuelle d assurace fraçase. Elles permettet de prévor des sstres graves pour ue probablté d occurrece doée (très fable) et u tervalle de coface fxé. Ue aalyse comparatve est effectuée etre ces méthodes et ue combaso covexe de ces méthodes qu mmse la varace af de décder etre ces dfféretes stratéges. 2

3 2. De la théore classque des valeurs extrêmes (GEV) à la méthode de dépassemet de seul L utlsato des los des valeurs extrêmes repose sur des proprétés des statstques d ordre et sur des méthodes d extrapolato. Plus précsémet, elle repose sur les covergeces e lo des maxma de varables aléatores coveablemet reormalsées. Les los lmtes sot coues. Elles sot appelées les los des valeurs extrêmes. 2. Dstrbuto des extrema das le cas f O déft les varables aléatores M et m, qu traduset respectvemet le maxmum et le mmum d ue réalsato d ue varable aléatore X, par : M = max( X ) et m = m( X ) E théore des valeurs extrêmes, le but vsé est de détermer la lo que sut le maxmum ou le mmum e focto de celle de la varable aléatore X. Pour ce fare, o calcule la focto de répartto : ( x) = P( M x) = P( X x, L, X x) Pus FM Fm ( x) = P( m = P( X = [ F ( x) ] X x) = P( X = P( X = x) LP( X x, L, X [ - F ( x) ] X x) LP( X D où o dédut : [ ] F ( x) = F ( x) m X x) x) x) De ces résultats, ous e tros la cocluso que le maxmum dot la focto de répartto correspod à F. M est ue varable aléatore La focto de répartto de X état pas souvet coue, l est gééralemet pas possble de détermer la dstrbuto du maxmum à partr de ce résultat. O s téresse alors à la dstrbuto asymptotque du maxmum e fasat tedre vers l f. O a : 0 s F( x) < lm F = [ ] = M ( x) lm FX ( x) s F( x) = O costate que la dstrbuto asymptotque du maxmum, détermée e fasat tedre vers l f, doe ue lo dégéérée. 2.2 Dstrbutos asymptotques du maxmum Comme la focto de répartto obteue précédemmet codut à ue lo dégéérée lorsque ted vers l f, o recherche ue lo o dégéérée pour le maxmum de X. Cette lo lmte o dégéérée est foure par le «théorème des types de dstrbutos extrêmes» qu doe ue codto écessare et suffsate pour l exstece d ue lo lmte o dégéérée pour le maxmum. Ce théorème est proposé par Gedeko (943) qu doe la forme des los lmtes et Jekso (955) qu e doe l expresso géérale. 3

4 Théorème S l exste deux sutes réelles ( a ) et ( b ) avec a > 0,, telle que, pour, P ( M b ) a x G( x [ ] ) où G est ue focto o dégéérée, alors G est du même type que l ue des foctos suvates : G ( x) = exp( e x ) < x < + G G 0, α 2, α O appelle G 0 lo de Gumbel, 0 ( x) = α exp( x ) exp( ( x) ( x) =, α α ) x < 0 x 0, α > 0 x < 0, α < 0 x 0 G lo de Fréchet et G α lo de Webull. E trodusat les paramètres de localsato µ et de dsperso σ das la paramétrsato des dstrbutos extrêmes, o obtet la forme la plus géérale de la dstrbuto des valeurs extrêmes, otée GEV (Geeralzed Extreme Value Dstrbuto). 2, Elle correspod à : G ( x) = exp µ, σ, ξ x µ + ξ σ où ξ est u paramètre de forme (shape parameter) ecore appelé dce des valeurs extrêmes ou dce de queue. Plus cet dce est élevé e valeur absolue, plus le pods des extrêmes das la dstrbuto tale est mportat. O parle alors de dstrbutos à «queues épasses». Tros cas sot possbles : ξ > 0, Gµ, σ, ξ sut la lo de Fréchet ξ < 0, Gµ, σ, ξ sut la lo de Webull ξ 0, Gµ, σ, ξ sut la lo de Gumbel 2.3 Dstrbuto codtoelle des excès / ξ Ce secod volet de la TVE appelé méthode POT (Peaks Over Threshold) cosste à utlser les observatos qu dépasset u certa seul détermste et plus partculèremet les dfféreces etre ces observatos et le seul, appelées excès. Défto Sot X ue varable aléatore de focto de répartto F et u u réel suffsammet grad appelé seul. 4

5 O déft les excès au-delà du seul u comme l esemble des varables aléatores Y tel que : y = x u, x u. j j j > O appelle rght-ed pot ou pot termal de la focto de répartto F, le pot x F = sup x : F( x) <. que : { } x F tel O cherche à partr de la dstrbuto F de X à défr ue dstrbuto codtoelle F u par rapport au seul u pour les varables aléatores dépassat ce seul. O déft alors la dstrbuto codtoelle des excès F u par : F( y + u) F( u) Fu ( y) = P( X u < y X > u) = pour 0 y x F( u) Ce qu équvaut à : F( x) F( u) F u ( x) = P( X < x X > u) = pour x u F( u) L objectf de la méthode POT est de détermer par quelle lo de probablté o peut approcher cette dstrbuto codtoelle. Balkema & de Haa (974), Pckads (975), ot proposé le théorème c-après qu précse la dstrbuto codtoelle des excès lorsque le seul détermste ted vers le pot termal. Théorème 2 Sot F u la desté codtoelle de la focto de répartto coue F par rapport au seul u. D après Pckads, Balkema & de Haa, lorsque le seul u ted vers le pot termal x F, o a : ( y) H ( y) 0 F u La dstrbuto codtoelle coverge doc vers la focto H (y) qu correspod à la focto de répartto de la lo Pareto gééralsée, otée GPD (Geeralzed Pareto Dstrbuto). La lo de Pareto gééralsée s écrt sous la forme : H ( y) = + log G( y) avec G (y) correspodat à la lo GEV (Geeralzed Extreme Value) E cosdérat le modèle GEV avec le paramètre de localsato µ = 0 car pour les excès, l effet du paramètre de localsato est prs e compte das la sute ( a ), o motre que la lo GPD correspod à : / ξ [ + ξ ( y σ )] s ξ 0 H σ, ξ ( y) = exp(- y σ ) s ξ = 0 où y [ 0, ( xf u) ] s ξ 0 y 0, σ ξ s ξ < 3. Les méthodes d estmato du seul [ ] 0 La théore des valeurs extrêmes, selo l approche reteue, propose dfféretes méthodes pour estmer u seul à partr duquel ue observato sera cosdérée comme valeur extrême. O peut dstguer, les valeurs record, la focto moyee des excès et l approxmato GPD F u 5

6 (par la Dstrbuto de Pareto Gééralsée). Présetos rapdemet ces dfféretes méthodes qu serot utlsées das les classes de rsque. 3. Les valeurs record La méthode cosste e ue comparaso etre les valeurs record as que les valeurs atcpées de ces records ssues d ue varable aléatore d. Sot X ue varable aléatore d, u record X (comme das les compéttos sportves, Emahl, Magus, 2006 ) est attet s X > M avec M = max( X, X 2,..., X ) Le processus de quatfcato est déft comme sut ; N =, N = + I{ X > M }, 2 avec I = s X > k k k M k et 0 so. k = 2 Avec la méthode des valeurs record, le seul correspod à ue valeur de la dstrbuto. S X est ue varable aléatore d, Embrechts et al (997) motret qu l est possble de calculer la moyee et la varace du processus de quatfcato des records N ; E ( N ) =, k = k Par exemple, Var( N ) = k =. 2 k k Pour varat etre 2000 et 6000 (cas de l applcato umérque présetée par la sute), E N ) vare etre 8 et 9. ( Pour 60, Var( N ) 4, pour 23500, Var( N ) 9, et pour = = , Var( N ) La focto moyee des excès = La focto moyee des excès est par défto la somme des excès dépassat u certa seul élevé, oté u, dvsé par le ombre de pots des doées qu dépasset ce seul. e ( u) = = ( X u) I { X u} = > s X > u Avec I { X > 0 } = 0 s o Autremet dt, l s agt d ue estmato de la focto moyee des excès (otée FME) qu permet de décrre la prédcto du dépassemet du seul lorsqu u excès se produt. Tros cas peuvet se préseter : S à u certa seul, la FME emprque est marquée par ue pete postve, les doées suvet la dstrbuto GPD avec u paramètre ξ postf. S la focto moyee des excès est horzotale ; les doées suvet ue dstrbuto expoetelle. S la FME emprque est marquée par ue pete égatve, les doées suvet ue dstrbuto à queue légère. 6

7 La fgue suvate présete la FME d ue dstrbuto GPD avec u paramètre ξ postf. O costate que la FME devet stable pour u seul de l ordre de Fgure : La focto moyee des excès 3.3 La focto GPD et l estmato de la queue de dstrbuto La dstrbuto GPD utlsée das cette parte se présete sous la forme suvate x + ξ G ( x) = β x - β - e ξ s ξ 0 s ξ = 0 L estmato du seul par la méthode GPD m Il s agt d ue méthode qu cosste à chosr le seul comme état le quatle d ordre de la lo des doées, avec m le ombre des excès fxé tel que < m <, tedat vers l f avec la talle de l échatllo, mas restat pett devat. Plus précsémet, u = F ( m ) où lm m = + et lm = 0 F est la focto verse de F et m est tel que : m 7

8 ème E pratque, o estme le seul par le ( m ) observato ordoée ; c'est-à-dre uˆ = x pus o retet celu pour lequel les estmatos apparasset stables pour u ( m ) modèle be ajusté aux doées. L adéquato des excès au-delà du seul par la focto GPD Ress et Thomas (996) suggèret que ; s o arrve à trouver ue adéquato de la dstrbuto codtoelle des excès au delà d u seul à la dstrbuto GPD, alors o peut fare ue adéquato à la queue de la dstrbuto orgale. Pour x u (des pots apparteat à la queue de la dstrbuto), F( x) = P X x = P X u Fu x u + P X u { } ( { }) ( ) { } Cette relato motre qu o peut estmer F u ( x u) par G β ( x u) Nous pouvos auss estmer { X u} ξ, pour u élevé. P à partr des doées par la focto de dstrbuto emprque F (u) évaluée au pot u. Cela veut dre que pour x u ous pouvos utlser l estmato de la queue, Fˆ ( x) = ( F ( u) ) Gξ, β, u ( x) + F ( u), pour approxmer la focto de répartto F (x). Il est facle de motrer que F ˆ ( x ) est auss ue dstrbuto GPD, avec le même paramètre de ~ forme ξ, mas avec u paramètre d échelle β = β ( F ( u) ) ξ et u paramètre de ~ ~ ξ µ = u β ( F ( ) u ) ξ. leu ( ) 3.4 L estmateur de Hll Hll (975) a proposé l estmateur suvat de la dstrbuto GPD k ˆ = ξ ( l X, l X k, ) pour k 2 k = Avec k, l ordre statstque le plus élevé (le ombre des excès), est la talle de l échatllo et α = est l dce de la queue de dstrbuto. ξ 8

9 Fgure 2 : Le Hll-plot Ce graphque Hll-plot, ous permet d avor des estmatos du paramètre α e focto de l ordre statstque le plus élevé (ombre des excès), ous chosssos as l dce le plus stable. La stablté est attete pour α = 0.5 das ce graphque. O peut auss représeter, le Hll plot e utlsat les seuls (e valeur) au leu du ombre de valeurs extrêmes. La représetato c-dessus ous permet d estmer le quatle extrême (seul) e se servat de l dce de queue de la dstrbuto retrouvé par la même méthode. Le Hll-plot est doc u outl à double utlté ; - L estmato de l dce de la queue de la dstrbuto, - L estmato du seul. De Haa (994) a motré que l estmateur de Hll de l dce de queue coverge e probablté vers sa vrae valeur et cela pour toutα réel. L estmateur de Hll est plus fable das le domae d attracto de Fréchet pour lequel l fourt u estmateur de l dce de queue plus effcace que d autres méthodes. Avat de passer à l applcato de cette théore des valeurs extrêmes à la détecto des sstres graves par classe de rsque, l est écessare de préseter les dcateurs de rsque utlsés pour cette étude. 4. Les outls de mesure de la sstralté Souvet o cosdère que le rsque est mesurable das la mesure où l est possble de calculer u rsque moye qu caractérse la tedace de sstralté du phéomèe étudé. Das chaque classe, le rsque est mesuré e terme de fréquece et de coût moye, pus la prme pure est détermée comme produt de ces deux dcateurs. La prme pure correspod au coût du 9

10 sstre moye auquel devra fare face l assureur. Mathématquemet, elle est égale à l espérace des pertes. Le calcul de la prme pure a pour objectf d évaluer pour chaque assuré (selo ses caractérstques) le motat attedu des sstres pour ue pérode d assurace doée. Plus précsémet, otos k ue classe de rsque (k=,...k) et aées das la classe k. La prme pure das la classe k est alors défe par : où k P k = k = k k = c w k, k, k le ombre de véhcules c, correspod au coût du sstre du véhcule assuré de la classe k. De ombreux coûts sot uls. w, correspod au pods du véhcule assuré de la classe k. E effet, au cours k d ue aée, le ombre d assurés das ue classe vare, certas arrvet, d autres réslet leur cotrat ou chaget de véhcule. Chaque observato est doc podérée par wk, = ( ombre de mos où l assuré est préset das la classe k). U chagemet de 2 véhcule peut mplquer u chagemet de classe. U assuré préset 3 mos das l aée, aura doc u pods égal à 0.25 (sa cotsato e correspod qu à tros mos d assurace). Par coséquet, k = w k, k Ces dcateurs sot e gééral ormés (e dvsat chaque dcateur par la prme pure de l esemble du portefeulle) et multplés par 00. As la prme pure du portefeulle est égale à 00 et les prmes pures des classes sot as faclemet terprétables par rapport à la moyee du portefeulle. A travers ces dcateurs o recherche ue tedace qu déped de la ature du produt assuré, de la régularté de l evroemet et du portefeulle, de la structure de l etreprse, as que de sa gesto et de sa stratége commercale. Cet dcateur de prme pure permet d ue part de hérarchser les classes et d autre part, l sert de base au calcul de la prme de référece. La prme payée par l assuré est égale à la prme de référece multplée par le coeffcet réducto majorato (bous-malus) de l assuré (cf. Gru-Réhomme, 2000). Le système bous-malus permet de garatr ue soldarté mmale et suffsate etre assurés de classes de rsque dfféretes. Par défto, le motat d u sstre clut l demsato drecte des vctmes, les fras de gesto teres à la mutuelle ou la compage d assurace as que les fras exteres (expertse, fras judcares) afférets à ce sstre. Les fras d acqusto du cotrat e sot pas clus das ce motat. Le motat de sstre est autre qu ue varable aléatore postve ou ulle. Il est à oter que le motat du sstre utlsé das cet artcle est dfféret de la charge de sstre qu est auss ue varable aléatore du motat de sstre mas dmuée de la frachse. Ue remarque à propos des coûts des sstres : tous les sstres e sot pas réglés facèremet l aée où ls surveet. O peut estmer qu evro u ters d etre eux 0

11 sot clos la même aée, u pett ters l aée suvate et de 0 à 5% la trosème aée. Les règlemets sot e gééral plus logs pour les accdets corporels. Pour la gesto facère de la compage d assurace, l est doc écessare d effectuer des estmatos des coûts des sstres o réglés l aée e cours. L assureur, e s appuyat sur so expérece passée, établt des provsos pour fras au cas par cas. Das le calcul de la prme pure de l applcato umérque proposée par la sute, l s agt doc des coûts réels ou de coûts estmés. Pour les accdets corporels, l assureur peut coaître le motat total de ses dépeses seulemet après pluseurs mos, vore pluseurs aées, d où cette écessté de fare ue prévso de ses dépeses. Le coût des sstres corporels compred pluseurs composates : demtés pour les persoes physques, sos, terce persoe, préjudces persoels et écoomques. 5. Applcato umérque La base de doées cocere u échatllo de observatos pour des véhcules 4 roues de toursme durat l'aée 2004, ssu du portefeulle d ue mutuelle d assurace fraçase. Das cet échatllo, tous les assurés sot présets l aée etère. U eregstremet correspod au rato : rsque / sstre garat (s u assuré a deux véhcules, o aura deux eregstremets). Ce fcher cotet des varables caractérstques des assurés (sexe, âge, aceeté de perms, zoe d habtato, ) et des véhcules (pussace, aceeté, ), as que les facteurs relatfs à la sstralté (fréquece, coût, coût estmé, date de surveace du sstre). 5. Aalyse exploratore des doées Le fcher cotet evro autat d hommes que de femmes. Das 30% des cas, l assuré est pas le coducteur prcpal. Quelques statstques sur les varables umérques : M Q Médae Moyee Q 3 Max (25%) (75%) Coût des sstres o uls Age du coducteur Aceeté du véhcule Pussace du véhcule* * La pussace (réelle) du véhcule exprme la pussace du moteur e chevaux D (Deutsch Idustre Norme). Cette mesure doe ue vso plus réalste de la pussace effectve au veau des roues ( ch. D = 0,735 Watt). Par exemple, la Fat Uo, la Reault Clo et la Peugeot 205 ot 60 ch. D, et les Peugeot 206, Reault Lagua et Ctroe Pcasso, 0 ch. D. Les coûts augmetet e moyee de faço logarthmque avec la pussace du véhcule et ls dmuet de faço parabolque (cocave) avec l aceeté du véhcule. La dsperso de ces

12 coûts sut les mêmes mootoes. Les véhcules pussats et les véhcules de marque étragère sot plus fréquets chez les hommes que chez les femmes. L étude de la sstralté e focto des caractérstques du couple (coducteur, véhcule) a fat l objet de ombreux travaux (cf. Mart J.L., Derre Y., Laumo B., 2003). U graphque QQ-plot permet d étuder la forme asymétrque de la dstrbuto des coûts des sstres. QQ-plot des doées U graphque QQ-plot est u outl coveable pour vor s la dstrbuto d ue varable das u échatllo provet d ue dstrbuto théorque spécfque. Le QQ-plot est u graphque qu oppose les quatles de la dstrbuto emprque aux quatles de la dstrbuto théorque evsagée. S l échatllo provet be de cette dstrbuto théorque, alors le QQ-plot sera léare. Das la théore des valeurs extrêmes, le QQ-plot se base sur la dstrbuto expoetelle. Le QQ-plot sous l hypothèse d ue dstrbuto expoetelle est la représetato des quatles de la dstrbuto emprque sur l axe des X cotre les quatles de la focto de dstrbuto expoetelle sur l axe des Y. Le graphque est l esemble des pots tel que : k + X k :, G0,, k =,..., + X : : Représete le k éme ordre statstque et k expoetelle. G 0, est la focto verse de la dstrbuto L térêt de ce graphque est de ous permettre d obter la forme de la queue de la dstrbuto. Tros cas de fgure sot possbles : - Les doées suvet la lo expoetelle : la dstrbuto présete ue queue très légère, les pots du graphque présetet ue forme léare. - Les doées suvet ue dstrbuto à queue épasse «fat-taled dstrbuto»: le graphque QQ-plot est cocave. - Les doées suvet ue dstrbuto à queue légère «short-taled dstrbuto» : le graphque QQ-plot a ue forme covexe. Les deux graphques suvats représetet le QQ-plot du motat des sstres pour l esemble des observatos. 2

13 QQ-plot du coût des sstres ( ξ = 0, 5) QQ-plot du coût des sstres ( ξ = 0 ) Fgure 3 : QQ-plot du motat des sstres La comparaso des deux graphques QQ-plot pour des dfférets valeurs de l dce de queue, ous permet de coclure que l adéquato à la lo GPD avec u dce égal à 0.5 semble plus coveable. Les classes de rsque Das otre applcato, les classes de rsque sot costrutes à partr de caractérstques du coducteur (aceeté de perms, type de coducteur), de caractérstques du véhcule (aceeté et pussace) et du leu d habtato. Le type de coducteur correspod au fat que l assuré est, ou est pas, le coducteur prcpal du véhcule assuré; cette dstcto est pertete pour les jeues coducteurs (mas cette dmeso est déjà prse e compte par l aceeté de perms et le bous-malus) et das ue modre mesure pour les cojots. Nous dsposos auss de la Pérode de couverture : pérode, exprmée e mos, au cours de laquelle l assuré est couvert par la polce qu l a souscrt, le plus souvet cette pérode est d ue aée. Pour des rasos de cofdetalté, toutes les varables de costructo des classes e sot pas utlsées et la descrpto précse des classes est pas doée. La coassace des classes et des prmes pures assocées permettrat à u cocurret de coaître les ratos sstres/cotsatos de cet assureur, pusqu l est toujours possble de se reseger sur le motat de la cotsato. Cette applcato umérque a valeur que d exemple pusque l o travalle sur u échatllo et o sur l esemble du portefeulle, mas la démarche méthodologque et formatve reste la même. Il est be sûr mpossble de «sortr» les doées dvduelles, qu sot écessares pour ce type d étude, de l esemble du portefeulle. Le tableau suvat présete la hérarche des classes de rsque basée sur la prme pure, as que quelques caractérstques statstques de ces prmes. O costate que globalemet le euvème décle et l écart type augmetet avec la prme. 3

14 Classe Nombre d'observatos Prme pure Prme pure ormée Quatle 90% Ecart type ,04 26, ,4 42, ,82 59, ,59 67, ,0 78, ,02 89, ,36 05, ,30 07, ,97 36, ,47 42, ,39 55, ,99 95, Détecto des valeurs extrêmes das les classes de rsque selo les méthodes reteues Ue forte varablté des coûts das ue classe de rsque peut prover d ue mauvase costructo de la classe (maque structurel d homogéété), d ue pette sous populato dfférete ou de la présece de valeurs extrêmes (sstres graves pour la classe). Parm ces coûts très élevés quelles sot les valeurs que ous pouvos qualfer d extrêmes? Pour répodre à cette problématque ous avos recours à tros méthodes pour détermer das chaque classe le seul au-delà duquel ue valeur sera cosdérée comme extrême. Le chox du seul Das le chox du seul o se trouve face à l u des deux problèmes ; la présece d u bas ou d ue varace élevée. E preat u seul fable, le ombre des observatos (excès) augmete et l estmato devet plus précse. Mas le chox d u tel seul fable rsque de déclarer abusvemet des observatos comme extrêmes et trodure u bas das l estmato de la prme pure e la sous-évaluat. Le chox du seul par la méthode d approxmato GPD présete l avatage de fourr ue prévso d u sstre extrême pour ue probablté d occurrece doée (très fable). Cette estmato peut être poctuelle ou par tervalles. Das cette étude ous essayos d estmer u quatle extrême avec ue probablté de d apparter à la queue de la dstrbuto avec u tervalle de coface de 95%. Pour l esemble des doées, o obtet comme seul prévsoel : Lmte féreure 42 Quatle extrême estmé 7785 Lmte supéreure

15 Fgure 4 : La prévso d'u coût extrême Ce graphque représete la focto de la queue de dstrbuto, o peut vor sur ce graphque le quatle extrême estmé as que les lmtes féreure et supéreure de l tervalle de coface. Pour chacue des classes, o calcule le seul et le ombre de valeurs extrêmes correspodates avec les tros méthodes. Le tableau c dessous présete ces résultats, où N correspod au ombre de valeurs extrêmes reteu. Méthode Record Moyee des excès GPD Classe Seul N Seul N Seul N Comme le motre le graphque suvat, la méthode GPD détecte toujours mos de valeurs extrêmes que la FME et les valeurs record, le seul estmé par la méthode GPD est toujours plus élevé. 5

16 Nombre de valeurs extrêmes par classe Classes Record FME GPD Fgure 5 : Nombre de valeurs extrêmes selo les classes et les méthodes E comparat le ombre de valeurs extrêmes estmé par chacue des tros méthodes précédetes avec le graphque boxplot c dessous, o costate les fats suvats : - La méthode record propose ue stratége maxmale (ombre élevé de valeurs extrêmes) das les classes de rsque où la sstralté est fable ou moyee par rapport à l esemble du portefeulle, c est à dre das les classes où le seul est relatvemet bas pour l esemble du portefeulle (classes de à 7). - La méthode FME preds mos e compte les ruptures das la queue de la dstrbuto. - La méthode GPD offre ue stratége mmale. - Les tros méthodes doet des résultats proches sauf das les cas où la queue de la dstrbuto est costtuée de petts groupes de pots solés. - Pas de corrélato sgfcatve etre les tros méthodes (o ote smplemet u coeffcet de corrélato léare r = 0,44 etre les méthodes FME et GPD). La méthode des valeurs record présete deux covéets pour otre problématque : - Le seul correspod à ue valeur de la dstrbuto (et o à ue valeur estmée comme das les deux autres méthodes), valeur trop lée à l échatllo (les valeurs serot dfféretes au cours d u autre exercce). - Le seul reteu e pred pas e compte la forme géométrque de la queue de la dstrbuto. Il est trop lé à la talle de la classe. Le graphque boxplot suvat permet de vsualser la queue de la dstrbuto des coûts selo les classes. 6

17 c o u 0000 t 5000 c c2 c3 c4 c5 c6 c7 c8 c9 d d2 d3 y Fgure 6 : Graphque boxplot de la dstrbuto du coût des sstres selo les classes Rappelos que das le graphque boxplot, les moustaches sot gééralemet basées sur,5 fos l tervalle terquartle. Ce chox du coeffcet,5 doerat 99,3% des observatos à l téreur de la boîte et des moustaches s la dstrbuto état ormale. Hors la dstrbuto des coûts, comme d alleurs de ombreuses dstrbutos écoomques (salares, chffre d affares des etreprses, ), est fortemet asymétrque et doc cosdérer comme extrêmes toutes valeurs à l extéreur des moustaches est vramet pas rasoable. La probablté serat de 0,999 pour u coeffcet de 2 (pour ue lo ormale!). La courbe représetatve de la dstrbuto des coûts état asymétrque avec ue queue plus étalée à drote, o a regardé s so logarthme sut ue lo ormale. L exame de l adéquato du logarthme des coûts à ue lo ormale das les classes de rsque s est avéré égatf (tests de ormalté rejetés ; doées tratées avec la procédure capablty de SAS). Les dfféretes méthodes probablstes (ou autres) proposet u seul, souvet dfféret d ue méthode à l autre, mas la dffculté du gestoare est de chosr le «bo» seul adéquat à la réalté des doées. Be sûr, l est possble de cosulter des experts ou d utlser de l formato auxlare (s dspoble), mas comme das la réalté le ombre de classes est de l ordre de pluseurs cetaes, cette démarche pred beaucoup de temps. Le traval pratque du statstce, comme du gestoare, est de trouver u comproms etre la qualté (précso des estmatos) et le coût pour y parver. Ue démarche de type aalyse factorelle (e facteur commu), pour reter ue seule valeur de seul, e covet pas pusque les varables e sot pas fortemet corrélées. Das certaes classes, o obtedrat u seul féreur à la plus pette valeur trouvée ou supéreur à la plus grade valeur. Das cette voe, ous proposos de détermer u seul mmsat la varace (crtère de qualté) d ue combaso covexe des seuls obteus par ces deux méthodes ssues de la théore des valeurs extrêmes. 7

18 5.3 Nouvelle méthode de chox d u seul O peut toujours cosdérer que les assurés d ue même classe de rsque costtuet u échatllo aléatore de l esemble des assurables ayat les mêmes caractérstques. D alleurs d ue aée à l autre, ue parte des assurés chage das ue même classe de rsque, du fat de ouveaux assurés, des départs, des chagemets de véhcule, Théorème 3 Soet U des varables aléatores ( =,..., p ). O ote V la varace de covarace des varables U et covexe des U, à savor : U et U j. Sot X la varable aléatore défe comme combaso p X = α U, où α > 0 et α =. = La varace de X est mmale pour α = V p = V p = A, où Vj V est l verse de la matrce de varace-covarace de V, V est la ème lge de V et A la matrce u-coloe d ordre p dot tous les coeffcets sot égaux à. La preuve se trouve das l aexe. Das cette démarche, qu permet d obter u seul de référece, les varables aléatores U correspodet aux seuls. Mas das cette approche, les varaces e sot pas coues explctemet, l est doc écessare de les estmer. Les méthodes d estmato de la précso d u paramètre par rééchatlloage que ce sot le bootstrap ou le Jackkfe, ot des buts smlares et utlset des stratéges semblables (Efro, 979, Efro et Tbshra, 993, Shao et Tu, 996, Dagele, 998). Le Jackkfe peut être cosdéré comme ue approxmato du bootstrap, mas l doe souvet de mos bos résultats, même s la méthode est plus rapde pour u effectf fable. E partculer, le Jackkfe est pas appropré pour l estmato de la précso d u quatle. Pusque les seuls correspodat à des quatles, la varace a doc été estmée par la méthode du bootstrap qu cosste à trer, avec remse, K échatllos de même talle que l échatllo cosdéré (classe de rsque). O a chost K=00. Les temps de mse e œuvre et de calcul sot assez logs. Plus précsémet s ûk désge l estmato de k o a : et la varace de û est estmée par : uˆ = K u (seul) das le rééchatllo k ( k =,..., K ), K uˆ k k = la 8

19 Vˆ ( uˆ) = K K k = ( uˆ k uˆ) 2 Das cette applcato umérque, o cosdère ue combaso covexe des deux varables de seul ( u : FME et u 2 : GPD) qu mmse la varace de cette combaso. Cette démarche est melleure que de predre ue smple moyee arthmétque des seuls. Classe α Seul Covexe (N) 0, , , , , , , , , , , , Das ce tableau 0 < α < et X = α U + ( α) U 2 et α mmse la varace de X. O V2 cov( V, V2 ) obtet α =, où V correspod à la varace de U. N désge toujours V + V2 2cov( V, V2 ) le ombre de valeurs extrêmes reteu selo le seul correspodat à cette combaso covexe des deux seuls. Das chaque classe de rsque, la varace estmée du seul par la méthode FME est toujours plus grade que celle de la méthode GPD et doc la combaso covexe des seuls est plus proche des seuls reteus par la méthode GPD que ceux détermés par la FME, comme le motre le graphque suvat. 9

20 Nombre de valeurs extrêmes Classes FME GPD Covexe Fgure 7 : Postoemet de la méthode covexe par rapport aux méthodes FME et GPD Cette techque permet d avor u comproms etre les deux méthodes, etre ue stratége mmale (GPD) et ue stratége maxmale (FME). Elle est davatage corrélée avec la méthode GPD et relatvemet plus lsse. 6. Cocluso Le quotde du pratce de la statstque ou de l écoomètre e etreprse est de travaller sur des doées qu sot souvet rebelles à l aalyse. Des doées sot maquates, atypques ; des erreurs de sase, de codage, de mauvases déclaratos volotares ou volotares. Le repérage de toutes ces mperfectos est sas doute pas l aspect le plus gratfat du traval, ecore que les aspects méthodologques pusset être tout à fat téressats. De toute faço, l est dspesable à la producto d dcateurs fables et robustes. Ue dstrbuto dot être étudée sur toute sa logueur. O se préoccupera be sûr de la forme plus ou mos aplate du mleu de la courbe, mas o accordera ue atteto prortare aux aspects de symétre et aux queues de dstrbuto. Les coûts extrêmes e assurace automoble e se prêtet pas à la modélsato ; par défto ce type de coûts est rare et les prévsos ou estmatos dovet souvet être étables avec ue grade méface et e marge des doées dspobles. Les modèles dovet être utlsés de faço souple, sas y crore complètemet à la lmte. L approche dot être ouverte et multforme, et e ce ses, l y a pas ue méthode pour u problème. La théore des valeurs extrêmes classque ou basée sur la lo de Pareto gééralsée e résout pas ces dffcultés d u coup, mas elle fourt des jumelles à travers lesquelles les assureurs peuvet observer les évéemets extrêmes avec ue certae objectvté af d ue part de 20

Annexe 1. Estimation d un quantile non-paramétrique par la méthode de Hazen

Annexe 1. Estimation d un quantile non-paramétrique par la méthode de Hazen Aexe. Estmato d u quatle o-paramétrque par la méthode de Haze La probablté cumulée emprque d ue doée au se d u échatllo est pas u cocept parfatemet déf : pluseurs estmatos sot possbles ; l e est de même

Plus en détail

Les sinistres graves en assurance automobile : Une nouvelle approche par la théorie des valeurs extrêmes

Les sinistres graves en assurance automobile : Une nouvelle approche par la théorie des valeurs extrêmes Les sstres graves e assurace automoble : Ue ouvelle approche par la théore des valeurs extrêmes Nouredde Belagha (*, Mchel Gru-Réhomme (*, Olga Vasecho (** (* Uversté Pars 2, ERMES-UMR78-CNRS, 2 place

Plus en détail

Module 4 - Leçon 01 - Budget des ventes 1. Introduction - Recherche de la tendance générale

Module 4 - Leçon 01 - Budget des ventes 1. Introduction - Recherche de la tendance générale Cotrôle de gesto Budget des vetes Module 4 - Leço - Budget des vetes Itroducto - Recherche de la tedace géérale - Itroducto Le budget des vetes est le premer budget opératoel à établr. Il est cosdéré comme

Plus en détail

BTS C.G. 1996. B) Retour au problème concret: Le nombre d'appartements commercialisé est nécessairement un entier entre 2 et 20.

BTS C.G. 1996. B) Retour au problème concret: Le nombre d'appartements commercialisé est nécessairement un entier entre 2 et 20. BTS CG 996 Eercce : (0 pots) Ue agece mmoblère evsage de commercalser u programme de costructo d'appartemets Deu projets lu sot soums: Projet P : Le coût de producto de appartemets ( eter et 0 )est doé

Plus en détail

TD Techniques de prévision pour la Gestion de production

TD Techniques de prévision pour la Gestion de production Orgasato et gesto dustrelle Page / 6 TD Techques de prévso pour la Gesto de producto er Exercce Vetes d u rayo de jouraux das u supermarché Javer Févrer Mars Avrl Ma Ju Jullet Août Septembre Octobre Novembre

Plus en détail

Analyse de régression

Analyse de régression Itroducto à la régresso Aalyse de régresso La régresso est utlsée pour estmer ue focto f( ) décrvat ue relato etre ue varable explquée cotue,, et ue ou pluseurs varables explcatves,. = f(,, 3,, )+ε Remarque

Plus en détail

STATISTIQUES. La taille moyenne d un jeune enfant est donnée, en fonction de son âge (en mois), dans le tableau suivant :

STATISTIQUES. La taille moyenne d un jeune enfant est donnée, en fonction de son âge (en mois), dans le tableau suivant : STATISTIQUES Cours Termale ES O observe que, das certas cas, l semble ester u le etre deu caractères statstques quattatfs (deu varables) sur ue populato ; par eemple, etre le pods et la talle d u ouveau-é,

Plus en détail

Chapitre 4 : RÉGRESSION

Chapitre 4 : RÉGRESSION Chaptre 4 : RÉGRESSION 4. Régresso léare smple 4.. Équato de la régresso 4.. Estmato par les modres carrés 4..3 Coeffcet de détermato 4..4 Iférece sur les coeffcets 4..5 Prévso et aalyse des résdus Régresso

Plus en détail

2013 LES DÉLAIS DE PAIEMENT. STATISTIQUES DE 2000 À 2012 EN NOMENCLATURE NAF rev. 2

2013 LES DÉLAIS DE PAIEMENT. STATISTIQUES DE 2000 À 2012 EN NOMENCLATURE NAF rev. 2 203 LES DÉLAIS DE PAIEMENT STATISTIQUES DE 2000 À 202 EN NOMENCLATURE NAF rev. 2 Javer 204 Itroducto Des séres statstques chroologques des délas de paemet et du solde du crédt teretreprses sot dspobles

Plus en détail

Chapitre 8 Corrélation et régression linéaire simple. José LABARERE

Chapitre 8 Corrélation et régression linéaire simple. José LABARERE UE4 : Bostatstques Chaptre 8 Corrélato et régresso léare smple José LABARERE Aée uverstare 20/202 Uversté Joseph Fourer de Greoble - Tous drots réservés. Pla I. Corrélato et régresso léare II. Coeffcet

Plus en détail

Semestre : 4 Module : Méthodes Quantitatives III Elément : Mathématiques Financières Enseignant : Mme BENOMAR

Semestre : 4 Module : Méthodes Quantitatives III Elément : Mathématiques Financières Enseignant : Mme BENOMAR Semestre : 4 Module : Méthodes Quattatves III Elémet : Mathématques Facères Esegat : Mme BENOMAR Elémets du cours Itérêts smples, précompte, escompte et compte courat Itérêts composés Autés Amortssemets

Plus en détail

II - Notions de probabilité. 19/10/2007 PHYS-F-301 G. Wilquet 1

II - 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 détail

IFT3913 Qualité du logiciel et métriques. Chapitre 7 Collecte et analyse des métriques

IFT3913 Qualité du logiciel et métriques. Chapitre 7 Collecte et analyse des métriques IFT393 Qualté du logcel et métrques Chaptre 7 Collecte et aalyse des métrques Pla du cours Itroducto Qualté du logcel Théore de la mesure Mesure du produt logcel Mesure de la qualté du logcel Études emprques

Plus en détail

ANALYSE DES ENQUETES CAS-TEMOINS. AVEC PRISE EN COMPTE DE FACTEURS DE CONFUSION (Séries non appariées) ad bc. , bc. 762, nmnm

ANALYSE DES ENQUETES CAS-TEMOINS. AVEC PRISE EN COMPTE DE FACTEURS DE CONFUSION (Séries non appariées) ad bc. , bc. 762, nmnm I. DEFINITION ANALYSE DES ENQUETES CAS-TEMOINS AVEC PRISE EN COMPTE DE FACTEURS DE CONFUSION (Séres o apparées) Dr F. Séguret Départemet d Iformato Médale, Épdémologe et Bostatstques U facteur F est ue

Plus en détail

1 ère partie : STATISTIQUE DESCRIPTIVE

1 ère partie : STATISTIQUE DESCRIPTIVE ère parte : STATISTIQUE DESCRIPTIVE CHAPITRE : COLLECTE DE L INFORMATION, TABLEAUX ET GRAPHIQUES. I. Défto et vocabulare Défto : la statstque est ue méthode scetfque qu cosste à réur des doées chffrées

Plus en détail

Evaluation des méthodes d analyse appliquées aux sciences de la vie et de la santé. Statistique. Variables aléatoires

Evaluation des méthodes d analyse appliquées aux sciences de la vie et de la santé. Statistique. Variables aléatoires UE 4 Evaluato des méthodes d aalyse applquées au sceces de la ve et de la saté Statstque Varables aléatores Frédérc Mauy - 27 septembre et 3 octobre 2013 1 Pla du cours 1. Varable aléatore 1. Défto 2.

Plus en détail

Calculs en chromatographie

Calculs en chromatographie Calculs e chroatographe éthode de la oralsato tere... 1 Coeffcet de répose assque relatf... 1 Calcul des pourcetages assques... 2 Calcul des pourcetages olares... 3 xeple d aalyse CG d ue substtuto copéttve

Plus en détail

SYSTEME FERME EN REACTION CHIMIQUE

SYSTEME FERME EN REACTION CHIMIQUE SYSTEME FERME EN REACTION CHIMIQUE I. DESCRIPTION D UN SYSTEME. Les dfférets types de système (ouvert, fermé, solé U système S est formé d u esemble de corps séparés du reste de l uvers (appelé mleu extéreur

Plus en détail

AJUSTEMENT ANALYTIQUE RÉGRESSION - CORRÉLATION

AJUSTEMENT ANALYTIQUE RÉGRESSION - CORRÉLATION AJUSTEMENT ANALYTIQUE RÉGRESSION - CORRÉLATION. INTRODUCTION Il est fréquet de s'terroger sur la relato qu peut exster etre deux gradeurs e partculer das les problèmes de prévso et d estmato. Tros types

Plus en détail

Contrôle du mardi 27 janvier 2015 (3 heures) 1 ère S1 D P C. Le barème est donné sur 40. On répondra directement sur la copie fournie avec le sujet.

Contrôle du mardi 27 janvier 2015 (3 heures) 1 ère S1 D P C. Le barème est donné sur 40. On répondra directement sur la copie fournie avec le sujet. ère S Cotrôle du mard 7 javer 05 ( heures) D C N Le barème est doé sur 0 O répodra drectemet sur la cope foure avec le sujet U certa ombre de questos écesste ue recherche préalable au broullo O e rédgera

Plus en détail

III ESPERANCE MATHEMATIQUE

III ESPERANCE MATHEMATIQUE /9 ésumé de ours e alul des probabltés (JJ bellager III ESPEAE MATHEMATIQUE I.Défto et alul de l espérae mathématque d ue VA La défto la plus géérale de l espérae d u VA : (do à valeurs postves ou ulles

Plus en détail

CHAPITRE 6 : LE BIEN-ETRE. Durée : Objectif spécifique : Résumé : I. L agrégation des préférences. Cerner la notion de bien-être et sa mesure.

CHAPITRE 6 : LE BIEN-ETRE. Durée : Objectif spécifique : Résumé : I. L agrégation des préférences. Cerner la notion de bien-être et sa mesure. TABLE DES MATIERES Durée...2 Objectf spécfque...2 Résumé...2 I. L agrégato des préféreces...2 I. Le système de vote à la majorté...2 I.2 Vote par classemet...3 I.3 Codtos de décso socale et théorème d

Plus en détail

ANALYSE FACTORIELLE DES CORRESPONDANCES SIMPLES

ANALYSE FACTORIELLE DES CORRESPONDANCES SIMPLES ANALYSE DES DONNÉES TEST DU KHI-DEUX ANALYSE FACTORIELLE DES CORRESPONDANCES SIMPLES Perre-Lous Gozalez Mesure de la laso etre deux varables qualtatves Kh deux Equête : Êtes-vous «pas du tout d accord»

Plus en détail

[ ] IV.- Espérance mathématique de l estimateur  : Nous avons ( ) ε. alors l espérance mathématique sera : soit

[ ] IV.- Espérance mathématique de l estimateur  : Nous avons ( ) ε. alors l espérance mathématique sera : soit Itroducto à l écoométre S6-EF sc. éco. & gesto Prof. Mohamed El Meroua IV.- Espérace mathématque de l estmateur  : A ˆ A + X X X Nous avos ( ε alors l espérace mathématque sera : E ( E( A + E[ ( X X X

Plus en détail

La statistique et les statistiques

La statistique et les statistiques Psy004 Secto : La statstque et les statstques Pla du cours: 0.0: Beveue 0.: Les catégores du savor 0.: Survol de la psychologe 0.3: Le pla de cours 0.4: Les assstats.0: La physque: scece exacte?.: Scece

Plus en détail

Analyse de survie. Michel Fioc. (Michel.Fioc@iap.fr, www2.iap.fr/users/fioc/enseignement/analyse_de_survie/)

Analyse de survie. Michel Fioc. (Michel.Fioc@iap.fr, www2.iap.fr/users/fioc/enseignement/analyse_de_survie/) École doctorale d astroome et d astrophysque d Île de Frace. I.A.P., févrer 2013 Post-master. Approche statstque bayésee par l exemple Aalyse de surve Mchel Foc (Mchel.Foc@ap.fr, www2.ap.fr/users/foc/esegemet/aalyse_de_surve/)

Plus en détail

Analyse Statistique des Données de Lifetest

Analyse Statistique des Données de Lifetest Aalyse Statstque des Doées de Lfetest Evas Gouo Laboratore de Statstque Applquée de l Uversté de Bretage-Sud Pla Gééraltés Les modèles paramétrques Essas accélérés : modèle d accélérato Exemple Step-Stress

Plus en détail

Comment représenter les variables aléatoires (données)? Paramètres descriptifs. Quels sont les paramètres descriptifs de la position?

Comment représenter les variables aléatoires (données)? Paramètres descriptifs. Quels sont les paramètres descriptifs de la position? Paramètres descrptfs Cours VETE043- Aée académque 06-07 Commet représeter les varables aléatores (doées)? Représetato sythétque Tables de fréqueces Représetato graphque Dagrammes de fréqueces Paramètres

Plus en détail

LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE

LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE. Exemple troductf (Les élèves qu coasset déà be le prcpe peuvet sauter ce paragraphe) Cosdéros la sute (u ), défe pour tout, par : u u u 0 0 Cette sute est défe

Plus en détail

Coefficient de partage

Coefficient de partage Coeffcet de partage E chme aque, la sythèse d'u composé se fat e pluseurs étapes : la réacto propremet dte (utlsat par exemple u motage à reflux quad la réacto dot être actvée thermquemet), les extractos

Plus en détail

sont distincts 2 à 2.

sont distincts 2 à 2. Lycée Thers CORRIGÉ TP PYTHON - 09 L algorthme des k-meas pour partager u uage de pots e u ombre doé de classes peu dspersées 1 - La méthode de Forgy [Qu. 1] 1) Cette double somme comporte termes pusque

Plus en détail

Améliorer la productivité

Améliorer la productivité Maurce Pllet Amélorer la productvté Déploemet dustrel du toléracemet ertel, 010 SBN : 978--1-54754- Sommare Remercemets... troducto De l terchageablté à Sx Sgma... 1 V CHAPTRE 1 Du toléracemet tradtoel

Plus en détail

6GEI300 - Électronique I. Examen Partiel #1

6GEI300 - Électronique I. Examen Partiel #1 6GEI3 Électroque I Autome 27 Modalté: Aucue documetato est permse. Vous avez drot à ue calculatrce o programmable. La durée de l exame est de 3h Cet exame compte pour 2% de la ote fale. Questo 1. Questos

Plus en détail

Apport de la technique de décomposition de domaine en réduction modale de branche

Apport de la technique de décomposition de domaine en réduction modale de branche Apport de la techque de décomposto de domae e réducto modale de brache Perre-Olver LAFFAY, Olver QUEMENER *, Etee VIDECOQ, Ala NEVEU Laboratore de Mécaque et d Eergétque d Evry (LMEE) 40, Rue du Pelvoux

Plus en détail

Value at Risk en assurance : recherche d une méthodologie à long terme

Value at Risk en assurance : recherche d une méthodologie à long terme Value at Rsk e assurace : recerce d ue métodologe à log terme Marc FEDOR Uversté Pars Daupe Jule MOREL ISFA Uversté Lyo I RESUME La Value at Rsk est deveue u stadard de la gesto de rsque das le mode facer.

Plus en détail

PHYSIQUE DES SEMICONDUCTEURS

PHYSIQUE DES SEMICONDUCTEURS MIISTERE DE L'ESEIGEMET SUPERIEURE ET DE LA REHERHE SIETIFIQUE UIERSITE DE BEHAR Départemet es Sceces Laboratore e Pysque es spostfs à semcoucteurs (L.P.D.S ttp://www.uv-becar.z/lps/ PHYSIQUE DES SEMIODUTEURS

Plus en détail

RECUEIL DES METHODES INTERNATIONALES D'ANALYSES OIV Guide de validation Contrôle qualité

RECUEIL DES METHODES INTERNATIONALES D'ANALYSES OIV Guide de validation Contrôle qualité Gude de valdato Cotrôle qualté Gude pratque pour la valdato, le cotrôle qualté, et l estmato de l certtude d ue méthode d aalyse œologque alteratve (Résoluto Oeo 10/005) Sommare 1. OBJET... 5. PREAMBULE

Plus en détail

Améliorer la productivité

Améliorer la productivité Maurce Pllet Amélorer la productvté Déploemet dustrel du toléracemet ertel, 00 SBN : 978---54754- Commet calculer ue tolérace ertelle 75 Nous avos doc u toléracemet par tervalle sur les exgeces foctoelles

Plus en détail

EVALUATION SPATIO-TEMPORELLE DES ENJEUX HUMAINS DANS LE CADRE D UNE ANALYSE DE VULNERABILITE AUX RISQUES TECHNOLOGIQUES

EVALUATION SPATIO-TEMPORELLE DES ENJEUX HUMAINS DANS LE CADRE D UNE ANALYSE DE VULNERABILITE AUX RISQUES TECHNOLOGIQUES Evaluato spato-temporelle des ejeux humas das le cadre d ue aalyse de vulérablté aux rsques techologques EVALUATION SPATIO-TEMPORELLE DES ENJEUX HUMAINS DANS LE CADRE D UNE ANALYSE DE VULNERABILITE AUX

Plus en détail

a. Le symbole se lit «sigma» ; l écriture Ex : 2 Fréquences en % ( f i x 100) 11,1 % 29,6 % 59,3 % 100 %!!!!

a. Le symbole se lit «sigma» ; l écriture Ex : 2 Fréquences en % ( f i x 100) 11,1 % 29,6 % 59,3 % 100 %!!!! Cours : Statstques I. Itroducto Classe de ère S O a vu que our caractérser ue sére statstque, o utlse des : - aramètres de tedace cetrale : - la moyee ; - la médae. Ils ermettet d dquer la «osto» de la

Plus en détail

Méthodologie statistique

Méthodologie statistique Méthodologe statstque 000 L'ECONOMETIE ET l'etude DES COMPOTEMENTS Présetato et mse e oeuvre de modèles de régresso qualtatfs Les modèles uvarés à résdus logstques ou ormaux LOGIT, POBIT Documet de traval

Plus en détail

" BIOSTATISTIQUE - 1 "

 BIOSTATISTIQUE - 1 ISTITUT SUPERIEUR DE L EDUCATIO ET DE LA FORMATIO COTIUE Départemet Bologe Géologe S0/ " BIOSTATISTIQUE - " Cours & Actvtés : Modher Abrougu Aée Uverstare - 008 Modher Abrougu Bostatstque «I» ISEFC - 008

Plus en détail

Une méthode alternative de provisionnement stochastique en Assurance Non Vie : Les Modèles Additifs Généralisés

Une méthode alternative de provisionnement stochastique en Assurance Non Vie : Les Modèles Additifs Généralisés Ue méthode alteratve de provsoemet stochastque e Assurace No Ve : Les Modèles Addtfs Gééralsés Lheureux Else B&W Delotte 85, av. Charles de Gaulle 954 Neully-sur-See cedex Frace Drect: 33(0).55.6.65.3

Plus en détail

6. RADIERS 6.1. GÉNÉRALITÉS

6. RADIERS 6.1. GÉNÉRALITÉS 6. RADIERS 6.. GÉNÉRALITÉS U raer est ue alle plae, évetuellemet ervurée, costtuat l'esemble es foatos 'u bâtmet. Il s'éte sur toute la surface e l'ouvrage. Ce moe e foato est utlsé as eux cas : lorsque

Plus en détail

BTS BLANC Mai ; on pose A. en fonction de an. puis écrire an

BTS BLANC Mai ; on pose A. en fonction de an. puis écrire an BTS BLANC Ma 0 Epreuve : Mathématques Géérales et Applquées Flère : DA / ARLE Durée: heures NB : Chaque parte dot être tratée sur des copes dfféretes I- MATHEMATIQUES GENERALES Exercce a b Sot le Sot la

Plus en détail

I. Qu est-ce qu une variable aléatoire?

I. Qu est-ce qu une variable aléatoire? I. Qu est-ce qu ue varable aléatore?. Défto : Sot ue expérece aléatore dot l esemble des résultats possbles (l uvers est oté Ω. Ue varable aléatore est ue focto X allat de Ω sur R, c est-à-dre que c est

Plus en détail

Incertitudes expérimentales

Incertitudes expérimentales U N I O N D E S P R O F E S S E U R S D E P H Y S I Q U E E T D E C H I M I E 995 Icerttudes érmetales par Fraços-Xaver BALLY Lcée Le Corbuser - 93300 Aubervllers et Jea-Marc BERROIR École ormale supéreure

Plus en détail

LE PARAMETRAGE DU MRP SOUS INCERTITUDES DE DELAIS D APPROVISIONNEMENTS ET DEMANDE : LE CAS DE SYSTEME D ASSEMBLAGE A UN NIVEAU

LE PARAMETRAGE DU MRP SOUS INCERTITUDES DE DELAIS D APPROVISIONNEMENTS ET DEMANDE : LE CAS DE SYSTEME D ASSEMBLAGE A UN NIVEAU 8 e Coférece Iteratoale de MOdélsato et SIMulato - MOSIM 0-0 au 2 ma 200 - Hammamet - Tuse «Evaluato et optmsato des systèmes ovats de producto de bes et de servces» LE PARAMETRAE U MRP SOUS INCERTITUES

Plus en détail

Calculs financiers. Auteur : Philippe GILLET

Calculs financiers. Auteur : Philippe GILLET Clculs fcers Auteur : Phlppe GILLET Le tux d térêt Pour l empruteur qu e dspose ps des fods écessres, l représete le prx à pyer pour ue cosommto mmédte. Pour le prêteur, l représete le prx ecssé pour l

Plus en détail

Cours 8 : Analyse de variance à un facteur

Cours 8 : Analyse de variance à un facteur PSY 004 Techques d aalyses e sychologe Cours 8 : alyse de varace à u facteur Table des matères Secto. "U cou de dé jamas 'abolra le hasard"... Secto. Itroducto à l aalyse de varace NOV... Secto 3. Réartto

Plus en détail

Rappel (voir cours 1). On obtient l ampleur de chacune de ces dispersions par les sommes suivantes :

Rappel (voir cours 1). On obtient l ampleur de chacune de ces dispersions par les sommes suivantes : Master SV U7 COURS III - - Aalyse de varace (ANOVA I Patrc Coqullard I. ANOVA T RGRSSION MULTIPL I.. Rappels Ue régresso multple s accompage toujours d ue aalyse de varace ( ANalyse Of VArace = ANOVA.

Plus en détail

L2 Mention Informatique. UE Probabilités. Chapitre 4 : Simulation - Régression

L2 Mention Informatique. UE Probabilités. Chapitre 4 : Simulation - Régression L Meto Iformatque UE Probabltés Chaptre 4 : Smulato - Régresso Notes de cours rédgées par Rége Adré-Obrecht, Jule Pquer I- Smulato de varables aléatores. Itroducto Das certaes expéreces «réelles», où le

Plus en détail

CORRIGE EXERCICES FACULTATIFS TD ADP1 SEANCE 4

CORRIGE EXERCICES FACULTATIFS TD ADP1 SEANCE 4 page1/6 CORRIGE EXERCICES FACULTATIFS TD ADP1 SEANCE 4 Dosser "Défcece" 1) = 30 pour les groupes. Les classes sot d'ampltudes dfféretes doc...utlser la desté (rappel : desté = effectf/ampltude). Durée

Plus en détail

NOTATIONS ET FORMULAIRE

NOTATIONS ET FORMULAIRE Uversté PARIS DESCARTES Lcece de Psychologe L1 ADP1- Resp : Mrelle LAGARRIGUE page 1/5 PROTOCOLE SUR U ECHA TILLO NOTATIONS ET FORMULAIRE Esemble des sujets de l échatllo S { s 1 ; s ;.; s } (1) Varable

Plus en détail

ESPACES VECTORIELS NORMÉS DE DIMENSION FINIE NORMES USUELLES, ÉQUIVALENCE DES NORMES

ESPACES VECTORIELS NORMÉS DE DIMENSION FINIE NORMES USUELLES, ÉQUIVALENCE DES NORMES ESPACES VECTORIELS NORMÉS DE DIMENSION FINIE NORMES USUELLES, ÉQUIVALENCE DES NORMES SOMMAIRE. Normes sur u espace vectorel E 2.. Défto d'ue orme. Cter l'égalté tragulare reversée. 2.2. Normes usuelles

Plus en détail

OBLIGATION DU SECTEUR PRIVE : EVALUATION ET OUTIL DE GESTION DU RISQUE DE TAUX D INTERET

OBLIGATION DU SECTEUR PRIVE : EVALUATION ET OUTIL DE GESTION DU RISQUE DE TAUX D INTERET Jea-Claude AUGROS Professeur à l Uversté Claude Berard LYON I et à l Isttut de Scece Facère et d Assuraces ISFA Mchel QUERUEL Docteur e Gesto Igéeur de Marché Socété de Bourse AUREL Résumé : Cet artcle

Plus en détail

I. Moyenne, variance et écart-type d une série statistique

I. Moyenne, variance et écart-type d une série statistique I Moyee, varace et écart-type d ue sére statstque Sére statstque dscrète : Eemple d ue sére statstque dscrète : Preos le cas d ue classe de élèves qu réalset u devor oté sur 5 La sére statstque dscrète

Plus en détail

THESE. présentée devant. l UNIVERSITE D EVRY VAL D ESSONNE. en vue de l obtention du DOCTORAT DE L UNIVERSITE D EVRY. Spécialité : Robotique.

THESE. présentée devant. l UNIVERSITE D EVRY VAL D ESSONNE. en vue de l obtention du DOCTORAT DE L UNIVERSITE D EVRY. Spécialité : Robotique. THESE présetée devat l UNIVERSITE D EVRY VAL D ESSONNE e vue de l obteto du DOCTORAT DE L UNIVERSITE D EVRY Spécalté : Robotque Par Omar AÏT-AIDER Localsato référecée modèle d'u robot moble d'téreur Le

Plus en détail

APPRENTISSAGE ARTIFICIEL («Machine-Learning»)

APPRENTISSAGE ARTIFICIEL («Machine-Learning») APPRENTISSAGE ARTIFICIEL («Mache-Learg») Fabe Moutarde Cetre de Robotque (CAOR) MINES ParsTech (Ecole des Mes de Pars) Fabe.Moutarde@mes-parstech.fr http://perso.mes-parstech.fr/fabe.moutarde Appretssage

Plus en détail

L2 Mention Informatique. UE Probabilités. Chapitre 3 : Variables aléatoires réelles

L2 Mention Informatique. UE Probabilités. Chapitre 3 : Variables aléatoires réelles L Meto Iformatque UE Probabltés Chaptre 3 : Varables aléatores réelles Notes de cours rédgées par Rége Adré-Obrecht, Jule Pquer, Serge Solovev Sot (, A, P) Ω et X : Ω R ue varable aléatore. I. Varable

Plus en détail

Variables j.. p. Xij

Variables j.. p. Xij L alyse e Composates Prcpales (CP) O possède u tableau rectaulare de mesure dot les coloes sot des varables quattatves (mesuratos, taux, statos clmatques) et dot les les représetet des dvdus statstques

Plus en détail

GESTION COOPÉRATIVE DE STOCKS DE PRODUITS FINIS DANS UN RESEAU DE DISTRIBUTION

GESTION COOPÉRATIVE DE STOCKS DE PRODUITS FINIS DANS UN RESEAU DE DISTRIBUTION GESTION COOPÉRATIVE DE STOCKS DE PRODUITS FINIS DANS UN RESEAU DE DISTRIBUTION Lama Trqu, Jea-Claude Heet To cte ths verso: Lama Trqu, Jea-Claude Heet. GESTION COOPÉRATIVE DE STOCKS DE PRO- DUITS FINIS

Plus en détail

COURS DE MATHEMATIQUE FINANCIERE A COURT ET LONG TERME Promotion : Première année de graduat

COURS DE MATHEMATIQUE FINANCIERE A COURT ET LONG TERME Promotion : Première année de graduat P R O F E S REPUBLIQUE DEMOCRATIQUE DU CONGO ENSEIGNEMENT SUPEREIEUR ET UNIVERSITAIRE INSTITUT SUPERIEUR DE GESTION INFORMATIQUE DE GOMA /I.S.I.G-GOMA DEVELOPPEMENT ISIG M A T I O N COURS DE MATHEMATIQUE

Plus en détail

Mathématiques Financières : l essentiel Les 10 formules incontournables (Fin de période)

Mathématiques Financières : l essentiel Les 10 formules incontournables (Fin de période) A-PDF OFFICE TO PDF DEMO: Purchase from www.a-pdf.com to remove the watermark Mathématques Facères : l essetel Les formules cotourables (F de érode) htt://www.ecogesam.ac-a-marselle.fr/esed/gesto/mathf/mathf.html#e5aels

Plus en détail

Nombre de Clients [0 ; 50[ 72. x i. n i [ 50 ; 100 [ 90 [100 ; 150 [ 126 [150 ; 200 [ 54 [200 ; 250 [ 18

Nombre de Clients [0 ; 50[ 72. x i. n i [ 50 ; 100 [ 90 [100 ; 150 [ 126 [150 ; 200 [ 54 [200 ; 250 [ 18 1 U commerçat a relevé le motat des dépeses e euros de chaque clet au cours d ue semae. Motat des dépeses Clets [0 ; 50[ 72 x x - x ) - x )² -x ) ² [ 50 ; 100 [ 90 [100 ; 150 [ 126 [150 ; 200 [ 54 [200

Plus en détail

CHAPITRE I : LES SERIES STATISTIQUES A DEUX DIMENSIONS : DISTRIBUTIONS MARGINALES ET CONDITIONNELLES

CHAPITRE I : LES SERIES STATISTIQUES A DEUX DIMENSIONS : DISTRIBUTIONS MARGINALES ET CONDITIONNELLES CHAPITRE I : LES SERIES STATISTIQUES A DEU DIMESIOS : DISTRIBUTIOS MARGIALES ET CODITIOELLES CHAPITRE I : LES SERIES STATISTIQUES A DEU DIMESIOS : DISTRIBUTIOS MARGIALES ET CODITIOELLES Il est très courat

Plus en détail

ÉTUDE DE MÉTHODES D ANALYSE SPATIALE ET ILLUSTRATION À L AIDE DE MICRODONNÉES URBAINES DE LA GRANDE RÉGION DE MONTRÉAL

ÉTUDE DE MÉTHODES D ANALYSE SPATIALE ET ILLUSTRATION À L AIDE DE MICRODONNÉES URBAINES DE LA GRANDE RÉGION DE MONTRÉAL les Cahers Scetfques du Trasport N 49/006 - Pages 77-0 Cathere Morecy Étude de méthodes d aalyse spatale et llustrato à l ade de mcrodoées urbaes de la Grade Régo de Motréal JEL : C8 ÉTUDE DE MÉTHODES

Plus en détail

NOMBRES COMPLEXES EXERCICES CORRIGES

NOMBRES COMPLEXES EXERCICES CORRIGES Cours et exercces de mathématques NOMRES COMPLEXES EXERCICES CORRIGES Exercce. O doe = + et = + Ecrre sous forme algébrque les complexes suvats : = ; Exercce. Calculer, et = ; = ; = ; 5 006 009 E dédure

Plus en détail

Performances d une méthode de localisation dans les réseaux sans fil mobiles

Performances d une méthode de localisation dans les réseaux sans fil mobiles Performaces d ue méthode de localsato das les réseaux sas fl mobles Matheu Bouet, Erwa Ermel, Guy Pujolle Résumé Avec la multplcato des objets commucats, la localsato est ue composate majeure des futurs

Plus en détail

Divisibilité et congruences. Corrigés d exercices

Divisibilité et congruences. Corrigés d exercices Dvsblté et cogrueces Corrgés d exercces Les exercces du lvre corrgés das ce docuet sot les suvats : Page 445 : N 1, 5 Page 459 : N 45 Page 449 : N 10 Page 460 : N 51, 5, 55, 57 Page 451 : N 16 Page 461

Plus en détail

Universe Ratio Jean-François BOULIER Romain VERDIER Abstract

Universe Ratio Jean-François BOULIER Romain VERDIER Abstract Uverse Rato B Jea-Fraços BOULIER Head of Euro Fxed Icome ad Credts Crédt Agrcole Asset Maagemet 90 boulevard asteur 75730 ars cedex 5 Jea-fracos.bouler@ca-assetmaagemet.fr Roma VERDIER Egeer - EDF, place

Plus en détail

Pondichéry Avril 2014 Série S Exercice.

Pondichéry Avril 2014 Série S Exercice. Podchéry Avrl 04 Sére S Exercce Le pla complexe est mu d u repère orthoormé ( O; uv, ) Pour tout eter aturel, o ote A le pot d affxe z déf par : O déft la sute ( ) z z 0 = et + = + z 4 4 r par r = z pour

Plus en détail

Bac blanc de mathématiques

Bac blanc de mathématiques Termale st2s le mercred 09/03/2016 Durée : 2 heures Bac blac de mathématques Exercce 1 : 6 pots Le tableau c-dessous doe le ombre d aboemets au servce de téléphoe moble e Frace etre f 2001 et f 2009, exprmé

Plus en détail

Méthodologie statistique

Méthodologie statistique Métodologe statstque M050 LA CORRECTIO DE LA O-REPOSE PAR REPODERATIO ET PAR IMPUTATIO atale Cao Documet de taval Isttut atoal de la Statstque et des Etudes Ecoomques ISTITUT ATIOAL DE LA STATISTIQUE ET

Plus en détail

Pauvreté multidimensionnelle des enfants et des ménages Analyse appliquée à la République Centrafricaine

Pauvreté multidimensionnelle des enfants et des ménages Analyse appliquée à la République Centrafricaine PMMA Network Sesso Paper Pauvreté multdmesoelle des efats et des méages Aalyse applquée à la Républque Cetrafrcae Serge Matchdé Naretoudjou Tt Vaha Steve Apété-Matogo Eugèe Zabolo A paper preseted durg

Plus en détail

Ressources pour le lycée général et technologique

Ressources pour le lycée général et technologique éduscol Ressources pour le lycée gééral et techologque Ressources pour le cycle termal gééral et techologque Mesure et certtudes Ces documets peuvet être utlsés et modés lbremet das le cadre des actvtés

Plus en détail

RADIOPROTECTION CIRKUS. Sommaire

RADIOPROTECTION CIRKUS. Sommaire RADIOPROTECTION CIRKUS Documet techque Radoprotecto Crkus 89 D boulevard du Fer 74000 Aecy www.rpcrkus.org - cotact@rpcrkus.org Assocato lo 1901 créée le 9 mars 010 W91300355 - Eregstrée à la préfecture

Plus en détail

REPUBLIUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE MINISTAIRE DES ETUDES SUPERIEURS ET DES RECHERCHES SCIENTIFIQUES

REPUBLIUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE MINISTAIRE DES ETUDES SUPERIEURS ET DES RECHERCHES SCIENTIFIQUES REPUBLIUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE MINISTAIRE DES ETUDES SUPERIEURS ET DES RECHERCHES SCIENTIFIQUES UNIVERSITE ABOU BAKR BELKAID TLEMCEN FACULTE DE TECHNOLOGIE DEPARTEMENT DE GENIE ELECTRIQUE

Plus en détail

Serie statistique double

Serie statistique double Sere statstque double Dstrbutos margales Actvté U relevé statstque des talles (e cm) et des pods Y (e kg) d u échatllo de 00 élèves a perms de costrure le tableau suvat : Y [0, 5[ [5, 50[ [50, 55[ [55,

Plus en détail

LOI NORMALE ET LOIS DERIVEES

LOI NORMALE ET LOIS DERIVEES Prcpes et Méthodes de la Bostatstque Chaptre 5 LOI NORMALE ET LOIS DERIVEES A-LA LOI NORMALE Présetato La dstrbuto ormale, dte ecore de Laplace-Gauss, est pour des rasos qu apparaîtrot plus lo, la plus

Plus en détail

Programmation. linéaire avecexcel. Christian Prins - Marc Sevaux. Groupe Eyrolles, 2011, ISBN : 978-2-212-12659-4

Programmation. linéaire avecexcel. Christian Prins - Marc Sevaux. Groupe Eyrolles, 2011, ISBN : 978-2-212-12659-4 Programmato léare avecexcel Chrsta Prs - Marc Sevaux Groupe Eyrolles, 20, ISBN : 978-2-22-2659-4 CHAPITRE 3 Emplos du temps et gesto de persoel 3. Itroducto La gesto du persoel est u élémet sesble de la

Plus en détail

Conception d un outil décisionnel pour la gestion de la relation client dans un site de e-commerce

Conception d un outil décisionnel pour la gestion de la relation client dans un site de e-commerce Cocepto d u outl décsoel pour la gesto de la relato clet das u ste de e-commerce Nazh SELMOUNE *, Sada BOUKHEDOUMA * ad Zaa ALIMAZIGHI * * Laboratore des Systèmes Iformatques(LSI )- USTHB - ALGER selmoue@wssal.dz

Plus en détail

DETERMINATION D UNE METHODE DE

DETERMINATION D UNE METHODE DE UNIVERITÉ PARI DAUPHINE Place du Maréchal de Lattre de Tassgy 75775 Pars CEDEX 6 MEMOIRE D ACTUARIAT - Promoto 8 - DETERMINATION D UNE METHODE DE PROVIIONNEMENT POUR LE CREANCE DOUTEUE Mots clés : Provso

Plus en détail

Méthode du simplexe: préliminaires. 2. Programmation linéaire. Solution de base. Méthode du simplexe: préliminaires. b. Méthode du simplexe

Méthode du simplexe: préliminaires. 2. Programmation linéaire. Solution de base. Méthode du simplexe: préliminaires. b. Méthode du simplexe Méthode du smplee: prélmares Modèles de recherche opératoelle (RO). Programmato léare b. Méthode du smplee Das le cas où l y a ue fté de solutos, la méthode d élmato de Gauss-Jorda permet d detfer tros

Plus en détail

Terminales S Exercices sur les nombres complexes Page 1 sur 6

Terminales S Exercices sur les nombres complexes Page 1 sur 6 Termales S Exercces sur les ombres complexes Page sur 6 Exercce : ) Calculer, et 5 6 7 ) E dédure, et ) Détermer les eters pour lesquels est a) u réel, b) est u magare pur, c) égal à Exercce : Ecrre sous

Plus en détail

Mémoire présenté devant l Institut de Science Financière et d Assurances le 16 mai 2001 pour l obtention du diplôme d Actuaire de Lyon

Mémoire présenté devant l Institut de Science Financière et d Assurances le 16 mai 2001 pour l obtention du diplôme d Actuaire de Lyon Uversté Claude Berard Lyo INSTITUT DE SCIENCE FINANCIERE ET D'ASSURANCES Mémore préseté devat l Isttut de Scece Facère et d Assuraces le 6 ma 200 pour l obteto du dplôme d Actuare de Lyo Par : Mlle Auréle

Plus en détail

EPREUVE SPECIFIQUE FILIERE MP MATHEMATIQUES 1. Durée : 4 heures. Les calculatrices sont interdites. * * *

EPREUVE SPECIFIQUE FILIERE MP MATHEMATIQUES 1. Durée : 4 heures. Les calculatrices sont interdites. * * * SESSION 003 EPREUVE SPECIFIQUE FILIERE MP MAHEMAIQUES 1 Durée : 4 heures Les calculatrces sot terdtes * * * NB : Le caddat attachera la plus grade mportace à la clarté, à la précso et à la cocso de la

Plus en détail

Conception d un outil décisionnel pour la gestion de la relation client dans un site de e-commerce

Conception d un outil décisionnel pour la gestion de la relation client dans un site de e-commerce SETIT 2005 3 RD INTERNATIONAL CONFERENCE: SCIENCES OF ELECTRONIC, TECHNOLOGIES OF INFORMATION AND TELECOMMUNICATIONS MARCH 27-3, 2005 TUNISIA Cocepto d u outl décsoel pour la gesto de la relato clet das

Plus en détail

UNE METHODE DE DIMENSIONNEMENT DE LIGNES DE TRANSFERT VIA L ANALYSE DE PERTURBATION FINIE

UNE METHODE DE DIMENSIONNEMENT DE LIGNES DE TRANSFERT VIA L ANALYSE DE PERTURBATION FINIE 3 e Coférece Fracophoe de MOdélsato et SIMulato «Cocepto, Aalyse et Gesto des Systèmes Idustrels» MOSIM 0 du 25 au 27 avrl 200 - Troyes (Frace) UNE METHODE DE DIMENSIONNEMENT DE LIGNES DE TRANSFERT VIA

Plus en détail

Algorithmique pour la conversion par approximation de courbes de Bézier degré élevé : Le modèle de rationnelle

Algorithmique pour la conversion par approximation de courbes de Bézier degré élevé : Le modèle de rationnelle CIMA4 UM 3 Nov Dec 4 Algortmque pour la coverso par approxmato de courbes de ézer degré élevé : Le modèle de ratoelle Fard ASMA*, Idr ELAIDI*, Kamal MOHAMMEDI*, Guy ISCHIOMIN**, Moad Oulad CHALLALI *Laboratore

Plus en détail

Exercice 1 : Analogie entre équilibres acido-basiques et équilibres de complexation (Application du Principe de Le Châtelier).

Exercice 1 : Analogie entre équilibres acido-basiques et équilibres de complexation (Application du Principe de Le Châtelier). Bla UE 1C G. EXERCICES BILAN Exercce 1 : Aaloge etre équlbres acdo-basques et équlbres de complexato (Applcato du Prcpe de Le Châteler). Objectfs de l'exercce - Coassaces/Compéteces testées das cet exercce

Plus en détail

Chapitre 5 : Modèles probabilistes pour la recherche d information. - Modèle tri probabiliste (BIR et BM25) - Modèle de Langue

Chapitre 5 : Modèles probabilistes pour la recherche d information. - Modèle tri probabiliste (BIR et BM25) - Modèle de Langue Chaptre 5 : Modèles probablstes pour la recherche d formato - Modèle tr probablste BI et BM25 - Modèle de Lague Itroducto ourquo les probabltés? La I est u processus certa et mprécs Imprécso das l expresso

Plus en détail

La valeur acquise par un capital au bout d'une année est donc obtenue en multipliant ce capital par (1 + i). Par suite, le capital C1

La valeur acquise par un capital au bout d'une année est donc obtenue en multipliant ce capital par (1 + i). Par suite, le capital C1 LGL Cours de Mathématques 26 Exemples de sutes das le domae des faces 1) Itérêts composés O place 1. à térêts composés au taux de 4,5 % par a. Détermer le captal dspoble à la f de chaque aée et ce pedat

Plus en détail

Du traitement de l information visuelle à la planification de trajectoires : Application à la robotique mobile d assistance.

Du traitement de l information visuelle à la planification de trajectoires : Application à la robotique mobile d assistance. Du tratemet de l formato vsuelle à la plafcato de trajectores : Applcato à la robotque moble d assstace. Mohamed Mocef Be Khelfa, Moez Bouchoucha Docteurs e Sceces et echologe Idustrelles, Postdocs au

Plus en détail

Espaces vectoriels normés

Espaces vectoriels normés Espaces vectorels ormés Marc SAGE 13 avrl 006 Table des matères 1 Sommes de fermés et d ouverts U sev strct est d téreur vde 3 U crtère de cotuté pour les formes léares 3 4 Dstace à u fermé 3 5 Covergece

Plus en détail

GIN FA 4 02 01 INSTRUMENTATION P Breuil

GIN FA 4 02 01 INSTRUMENTATION P Breuil GIN FA 4 0 0 INSTRUMENTATION P Breul OBJECTIFS : coatre les bases des statstques de la mesure af de pouvor d ue part compredre les spécfcatos d u composat et d autre part évaluer avec rgueur les performaces

Plus en détail

Au sommaire : Des généralités. Polynôme d'endomorphisme. Polynômes minimal d'un endomorphisme. Valeur et vecteur propres. Sous-espace propre.

Au sommaire : Des généralités. Polynôme d'endomorphisme. Polynômes minimal d'un endomorphisme. Valeur et vecteur propres. Sous-espace propre. - De la réducto des edomorphsmes - Ce cours a été rédgé e ovembre 994 alors que e préparas l'agrégato de mathématques et ms à our e u et ullet 2. Das le cas où l comporterat des erreurs, merc de me les

Plus en détail

Modélisations du risque en assurance automobile. Michel Grun-Rehomme Université Paris 2 et Ensae Email: grun@ensae.fr

Modélisations du risque en assurance automobile. Michel Grun-Rehomme Université Paris 2 et Ensae Email: grun@ensae.fr Modélsatons du rsque en assurance automoble Mchel Grun-Rehomme Unversté Pars 2 et Ensae Emal: grun@ensae.fr 1 Modélsatons du rsque en assurance automoble La snstralté est mesurée en terme de fréquence

Plus en détail

Limites de fonctions (1) Approche intuitive ; limites des fonctions de référence. 1 ère S. II. La fonction carrée. 1 ) Tableau de variation

Limites de fonctions (1) Approche intuitive ; limites des fonctions de référence. 1 ère S. II. La fonction carrée. 1 ) Tableau de variation ère S Lmtes de foctos () Approche tutve ; tes des foctos de référece II. La focto carrée ) Tableau de varato Das ce chaptre, o lasse provsoremet de côté les dérvées. I. Itroducto ) Rappel Déà vu : oto

Plus en détail

On applique le théorème de Pythagore au triangle AIE est rectangle en I AI 2 IE 2 AE 2 IE IE 1 2

On applique le théorème de Pythagore au triangle AIE est rectangle en I AI 2 IE 2 AE 2 IE IE 1 2 Exercce Lba 6 4 pots O cosdère u solde ADECBF costtué de deux pyramdes detques ayat pour base commue le carré ABCD de cetre I. Ue représetato e perspectve de ce solde est doée e aexe (à redre avec la cope).

Plus en détail