Marianne Tenand. Microéconomie 1 - Département d économie ENS Optimisation statique : ce qu il faut retenir.
|
|
- Marie-Anne Clément
- il y a 6 ans
- Total affichages :
Transcription
1 1/20 Microéconomie 1 - Département d économie ENS
2 2/20 Pourquoi les programmes d otpimisation statique (1)? Une des hypothèses fondamentales de la théorie microéconomique est que les individus sont optimisateurs Leurs décisions peuvent être prédites (avec une marge d erreur plus ou moins importante) si on connait leur fonction-objectif et les contraintes auxquelles ils font face Ce cadre peut servir à modéliser un grand nombre de situations Il s agit d une hypothèse de travail Elle est simplificatrice, volontairement réductrice On peut en tester la validité empirique dans un contexte précis NB : la non-conformité des prédictions peut découler d un manque de réalisme de l hypothèse de comportement, mais aussi d une mauvaise évaluation des contraintes ou de la fonction objectif
3 3/20 Pourquoi les programmes d otpimisation statitque (2)? Les problèmes étudiés en consistent donc généralement à résoudre une optimisation sous contraintes Objectif : trouver les valeurs des variables de décision qui maximisent la fonction-objectif de l agent Outil principal en : une fonction appelée Lagrangien et les multiplicateurs de Lagrange associés (autant que de contraintes) Son grand frère en optimisation dynamique : le Hamiltonien, lorsque le temps est modélisé de façon continue (et non discrète)
4 4/20 On considère le programme de maximisation P suivant, avec m contraintes : { max f (x) P x s.c. g i (x) c i i = 1,...,m On appelle Lagrangien L la fonction : m ( ) L(x,λ) = f (x) λ i gi (x) c i i=1 On appelle multiplicateur de Lagrange les scalaires λ i Il y en a autant que de contraintes ( λ est un vecteur) peut être pensé comme un outil qui va permettre la résolution de problèmes d
5 5/20 Pour pouvoir utiliser le Lagrangien en, il faut que certaines conditions soit vérifiées dépendent du type de contraintes posées dans le programme P Fait intervenir la notion de matrice jacobienne : lorsque les fonctions contraintes g i sont toutes linéaires, alors la condition de de la contrainte est vérifiée Condition suffisante mais pas nécessaire
6 6/20 premier ordre (CPO) A partir du Lagrangien, on peut poser les conditions de Kuhn et Tucker Ces conditions permettent de résoudre un problème d dans le cas le plus général, avec m contraintes d inégalité Ces conditions sont (une manière de poser) les conditions de premier ordre Les CPO permettent de caractériser les potentielles solutions au problème d optimisation On parle de premier ordre car elles font intervenir les dérivées premières du Lagrangien (et donc de la fonction objectif) Les conditions K-T Mais une fois qu on a déterminé les candidats... Comment déterminer quelles sont les solutions effectives?
7 7/20 Au-delà du premier ordre Pour qu un vecteur identifié comme solution potentielle par les CPO soit effectivement solution du problème d optimisation, il faut qu il vérifie les conditions de (CSO) Il peut y avoir plusieurs maxima locaux et un seul maximum global Il peut y avoir aussi plusieurs maxima globaux Ex : Si vous n êtes pas capable de vous décider entre n avoir que la moitié de votre sandwich et 2 desserts ou avoir tout votre sandwich et 1 seul dessert lors d une séance d Economie pratique, ces deux paniers peuvent être tous les deux des maximas globaux Second ordre il faut regarder les dérivées secondes du Lagrangien ou de la fonction objectif Beaucoup moins simples que les CPO... Et de ce fait, souvent laissées de côté!
8 8/20 Soit f une fonction objectif à k variables, et g i un ensemble de fonctions définissant m contraintes. Soit P le programme de maximisation suivant : Soit x une solution aux CPO max x1,...,x n f (x 1,...,x k ) s.c. g i (x 1,...,x k ) c j i = 1,...,m Conditions de suffisantes pour que x soit un : Si f est concave et les g i i = 1,...,m sont convexes x est un Si f est quasi-concave et les g i quasi-convexes x est un i = 1,...,m sont
9 9/20 Exemple d application : choix du consommateur Soit une fonction d utilité U(x) représentant des préférences individuelles, avec x un panier de consommation, p le vecteur des prix de marché et R le revenu de l individu : Une contrainte budgétaire : px R k contraintes de non-négativité : x 0 Soit x une solution aux CPO On définit, pour les k +1 contraintes : g 0 (x) = px g j (x) = x j j = 1,...,k Hypothèses sur les préférences : Préférences rationnelles et continues existence d une solution Préférences convexes CSO suffisantes : Préférences convexes U(.) est quasi-concave i = 0,...,k, g i (.) est linéaire, donc quasi-convexe x est un ( pas nécessairement unique)
10 10/20 Soit f une fonction objectif à k variables, et g j un ensemble de fonctions définissant m contraintes. Soit P le pb de minimisation suivant : Soit x une solution aux CPO min x1,...,x n f (x 1,...,x k ) s.c. g j (x 1,...,x k ) c j j = 1,...,m Conditions de suffisantes pour que x soit un optimum global : Si f est convexe et les g j i = 1,...,m sont concaves x est un Si f est quasi-convexe et les g j quasi-concaves x est un i = 1,...,m sont
11 11/20 Comment déterminer la (quasi)-concavité d une fonction? Fonction à : il faut regarder la matrice hessienne de la fonction ou sa matrice hessienne bordée La Hessienne, H, de dim. (k,k) : f 11 f f 1k f 21 f f 2k f k1 f k2... f kk La Hessienne bordée, H, de dim. (k +1,k +1) : 0 f 1 f 2... f k f 1 f 11 f f 1k f 2 f f 2k f k f k f kk où f i = f (x) x i et f ij = f i (x) x j
12 12/20 Propriétés importantes des matrices hessiennes Pour caractériser la fonction f, il va falloir mobiliser plusieurs définitions relatives aux matrices : Déterminant, mineurs principaux, mineurs principaux diagonaux Matrice définie positive et matrice définie négative ; matrice semi-définie positive et matrice semi-définie négative Références : (à avoir lues et comprises une fois au moins!) Cours de maths pour économistes Julien Grenet, Vade mecum :. Lagrangien et conditions de Kuhn et Tucker. A conserver précieusement
13 13/20 Caractérisation de la concavité et de la convexité Caractérisation de la concavité pour une fonction f : R k R f concave la matrice hessienne de f est semi-définie négative x R k La matrice hessienne de f est définie négative x R k f est strictement concave Caractérisation de la convexité pour une fonction f : R k R f convexe la matrice hessienne de f est semi-définie positive x R k La matrice hessienne de f est définie positive x R k f est strictement convexe Rappels : f est concave ( f ) est convexe La somme de deux fonctions convexes (resp. concaves) est convexe (resp. concave)
14 14/20 Caractérisation de la quasi-concavité Il faut déterminer le signe des mineurs principaux diagonaux Il faut regarder les mineurs principaux d ordre 2 à k +1 Caractérisation de la quasi-concavité pour f : R k R Les mineurs principaux diagonaux D j de la matrice hessienne bordée de f alternent en signe à partir de j = 2, avec D j > 0 pour j impair et D j < 0 (pour j pair) f est quasi-concave Les mineurs principaux diagonaux D j de la matrice hessienne bordée de f sont tous négatif (D j < 0) pour j 2 f est quasi-convexe Rappels : f quasi-concave ( f ) quasi-convexe f concave f quasi-concave f quasi-concave et g monotone strictement croissante g f quasi-concave La concavité n est en revanche pas préservée
15 15/20 Exemple de la Cobb-Douglas Soit la fonction objectif U(x 1,x 2 ) = x α 1 x β 2 avec 0 < α,β < 1. Déterminez les signes des mineurs principaux diagonaux d ordre 2 et 3. Qu en conclure sur la fonction U(.)? Qu est-ce que cela implique pour le PMU? NB : on doit trouver que le mineur principal diagonal d ordre 3 vaut ( ) αβ(α + β) x1 3α 2 x 3β 2 2
16 16/20 CSO en pratique Il y a quelques cas simples qui se rencontrent fréquemment dans les problèmes de micro et pour lesquels on peut se passer des matrices hessiennes : Préférences rationnelles et continues : alors le maximum global existe Préférences strictement convexes : alors les fonctions d utilité associées seront strictement quasi-concaves. Dans ce cas, le est unique Préférences convexes (a priori non-strictement) : alors les fonctions d utilité sont quasi-concaves. Dans ce cas, les candidats caractérisés par les CPO sont des maxima globaux Mais le maximum n est pas nécessairement unique! avec la pratique, on finit par connaître la forme des fonctions d utilité les plus usuelles et leurs implications pour les programmes d optimisation (existence et unicité de la solution, solution en coin, etc.)
17 17/20 Kuhn et Tucker Rappel des conditions de Kuhn et Tucker dans un cas classique : maximisation d utilité sous contrainte budgétaire On suppose une économie avec n biens de prix p 1,...,p n strictement positifs, un individu avec un revenu R > 0 Programme : Lagrangien : max U(x 1,...,x n ) x 1,...,x n n s.c. p k x k R, x i 0 i = 1,...,n k=1 L (x 1,...,x n,λ,µ 1,...,µ n ) = U(x 1,...,x n )+λ ( n ) n R p k x k + µ k x k k=1 k=1 n + 1 multiplicateurs de Lagrange
18 18/20 Kuhn et Tucker Kuhn et Tucker sont : (1) (2a) (2b) L (x 1,...,x n,λ,µ 1,...,µ n) = 0 k = 1,...,n U(x 1,...,x n ) = p x k x k µ k k L (x 1,...,x n,λ,µ 1,...,µ n) 0 k = 1,...,n x µ k 0 k L (x 1,...,x n,λ,µ 1,...,µ n) 0 λ (3a) µ k 0 k = 1,...,n (3b) λ 0 (4a) µ k x k = 0 k = 1,...,n (4b) λ ( n R p k x ) k = 0 k=1 n p k x k R k=1
19 19/20 Interprétation des conditions de Kuhn et Tucker (1) Les conditions (1) permettent d obtenir l égalité entre le TMS et le rapport des prix dans le cas d une solution intérieure Dans le cas d une solution en coin, elles indiquent que le TMS est relativement trop faible ou trop élevé par rapport au rapport des prix Ainsi lorsque µ 1 > 0, U 1 ( ) p U 2 ( ) = 1 µ 1 < p 1. L utilité marginale p 2 p 2 procurée par le bien 1 est trop faible compte tenu de son prix, relativement à ce qu elle est pour le bien 2. L agent a intérêt à ne pas consommer de bien 1 (solution en coin avec x1 = 0). Les conditions (2) correspondent aux contraintes associées au programme
20 Interprétation des conditions de Kuhn et Tucker (2) Les contraintes (3) correspondent à des normalisations posées sur les multiplicateurs de Lagrange Les contraintes (3) et (4) peuvent être interprétées conjointement λ correspond à l utilité marginale du revenu. Lorsque λ > 0, (4b) contrainte budgétaire saturée. Dans ce cas, l utilité marginale du revenu est bien strictement positive puisqu un euro de revenu additionnel permettrait d augmenter strictement l utilité Inversement, si px < R alors λ = 0. Si à l optimum la contrainte budgétaire n est pas saturée, cela signifie que l utilité marginale du revenu à l optimum est nulle. µ k indique le niveau de contrainte imposée par la réalité. Lorsque µ k > 0 (4a) x k = 0. La contrainte physique de non-négativité est saturée : l agent augmenterait son utilité en consommant encore mois de bien k, mais il ne peut pas. Inversement, si xk > 0, alors µ k = 0. Dans ce cas, ce n est pas la contrainte de non-négativité qui empêche l agent d augmenter son niveau d utilité. Retour 20/20
Optimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Plus en détailVade mecum : Optimisation statique. Lagrangien et conditions de Kuhn et Tucker
TD d Économie Julien Grenet École Normale Supérieure Année 7-8 Vade mecum : Optimisation statique. Lagrangien et conditions de Kuhn et Tucker Ce vade mecum expose la méthode de résolution des programmes
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailLa demande Du consommateur. Contrainte budgétaire Préférences Choix optimal
La demande Du consommateur Contrainte budgétaire Préférences Choix optimal Plan du cours Préambule : Rationalité du consommateur I II III IV V La contrainte budgétaire Les préférences Le choix optimal
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailFondements de l'analyse Économique Travaux Dirigés
Fondements de l'analyse Économique Travaux Dirigés Cours de Nicolas Drouhin Chargés de TD : Alexandre de Cornière & Marc Sangnier Octobre 2008 École Normale Supérieure de Cachan - Département Économie
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailCHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal
III CHOIX OPTIMAL DU CONSOMMATEUR A - Propriétés et détermination du choix optimal La demande du consommateur sur la droite de budget Résolution graphique Règle (d or) pour déterminer la demande quand
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailEcole Polytechnique Macroéconomie avancée-eco 553 Chapitre 2 : Epargne, accumulation du capital et croissance
Ecole Polytechnique Macroéconomie avancée-eco 553 Chapitre 2 : Epargne, accumulation du capital et croissance Pierre Cahuc Septembre 28 Table des matières 1 Le modèle de croissance néoclassique 2 1.1 Le
Plus en détailCONSOMMATION INTERTEMPORELLE & MARCHE FINANCIER. Epargne et emprunt Calcul actuariel
CONSOMMATION INTERTEMPORELLE & MARCHE FINANCIER Epargne et emprunt Calcul actuariel Plan du cours Préambule : la contrainte budgétaire intertemporelle et le calcul actuariel I II III Demandes d épargne
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailExamen optimisation Centrale Marseille (2008) et SupGalilee (2008)
Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailJournées Télécom-UPS «Le numérique pour tous» David A. Madore. david.madore@enst.fr. 29 mai 2015
et et Journées Télécom-UPS «Le numérique pour tous» David A. Madore Télécom ParisTech david.madore@enst.fr 29 mai 2015 1/31 et 2/31 : définition Un réseau de R m est un sous-groupe (additif) discret L
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailMicroéconomie. Objectifs du cours. Méthode de Travail. Incertain et Information. Cours d outillage et de méthode
Microéconomie Incertain et Information Objectifs du cours Cours d outillage et de méthode Vous familiariser avec l utilisation des modèles et méthodes de la microéconomie contemporaine. Vous habituer à
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailCours Marché du travail et politiques d emploi
Cours Marché du travail et politiques d emploi L offre de travail Pierre Cahuc/Sébastien Roux ENSAE-Cours MTPE Pierre Cahuc/Sébastien Roux (ENSAE) L offre de travail 1 / 48 Introduction Introduction Examen
Plus en détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailChapitre 5. Équilibre concurrentiel et bien-être
Chapitre 5 Équilibre concurrentiel et bien-être Microéconomie III 5 1 5.1 Qu est-ce qu un équilibre souhaitable socialement? E cacité versus équité Que nous permet de dire la science économique sur l e
Plus en détailFeuille d exercices 2 : Espaces probabilisés
Feuille d exercices 2 : Espaces probabilisés Cours de Licence 2 Année 07/08 1 Espaces de probabilité Exercice 1.1 (Une inégalité). Montrer que P (A B) min(p (A), P (B)) Exercice 1.2 (Alphabet). On a un
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailThéorèmes de Point Fixe et Applications 1
Théorèmes de Point Fixe et Applications 1 Victor Ginsburgh Université Libre de Bruxelles et CORE, Louvain-la-Neuve Janvier 1999 Published in C. Jessua, C. Labrousse et D. Vitry, eds., Dictionnaire des
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détail3 e pilier, prévoyance privée. Assurance vie
3 e pilier, prévoyance privée Assurance vie La prévoyance privée est facultative. Elle complète les prestations des 1 er et 2 e piliers et comble les lacunes en matière de prévoyance individuelle. Table
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailStratégie optimale de stockage de déchets à vie longue
Stratégie optimale de stockage de déchets à vie longue Bertrand Villeneuve Université Paris-Dauphine bertrand.villeneuve@dauphine.fr 3 octobre 211 Ce texte présente des calculs théoriques et indications
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailPolitiques monétaire et fiscale Cours de M2R Printemps 2006
Politiques monétaire et fiscale Cours de M2R Printemps 2006 Ekkehard Ernst OCDE Ekkehard Ernst 1 Introduction et résumé du cours Objectifs Connaître et apprendre les concepts modernes d analyse monétaire
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailJOHANNA ETNER, MEGLENA JELEVA
OPENBOOK LICENCE / BACHELOR Micro économie JOHANNA ETNER, MEGLENA JELEVA Sommaire Remerciements... Introduction... V VII Chapitre 1 Demande et offre sur le marché... 1 Chapitre 2 Technologie de production...
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détail2 S I M 1 P H O N E G U I D E U T I L I S A T E U R. Guide d utilisation E-commerce / Prestashop
2 S I M 1 P H O N E G U I D E U T I L I S A T E U R Guide d utilisation E-commerce / Prestashop 1 2 S I M 1 P H O N E S O M M A I R E 1. Noms d utilisateurs et mots de passe..... Page 3 Adresse mail Prestashop
Plus en détailMathématiques appliquées à l'économie et à la Gestion
Mathématiques appliquées à l'économie et à la Gestion Mr Makrem Ben Jeddou Mme Hababou Hella Université Virtuelle de Tunis 2008 Continuité et dérivation1 1- La continuité Théorème : On considère un intervalle
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailPrudence, Epargne et Risques de Soins de Santé Christophe Courbage
Prudence, Epargne et Rique de Soin de Santé Chritophe Courbage ASSOCIATION DE GENÈVE Introduction Le compte d épargne anté (MSA), une nouvelle forme d intrument pour couvrir le dépene de anté en ca de
Plus en détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailComplément d information concernant la fiche de concordance
Sommaire SAMEDI 0 DÉCEMBRE 20 Vous trouverez dans ce dossier les documents correspondants à ce que nous allons travailler aujourd hui : La fiche de concordance pour le DAEU ; Page 2 Un rappel de cours
Plus en détailAttitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014
Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailPrincipes de mathématiques 12 SÉRIE DE PROBLÈMES. Septembre 2001. Student Assessment and Program Evaluation Branch
Principes de mathématiques 12 SÉRIE DE PROBLÈMES Septembre 2001 Student Assessment and Program Evaluation Branch REMERCIEMENTS Le Ministère de l Éducation tient à remercier chaleureusement les professionnels
Plus en détailCondition inf-sup pour l Elément Fini de Taylor-Hood È ¾ -iso-è ½
Condition inf-sup pour l Elément Fini de Taylor-Hood È ¾ -iso-è ½ Patrick Ciarlet et Vivette Girault ciarlet@ensta.fr & girault@ann.jussieu.fr ENSTA & Laboratoire Jacques-Louis Lions, Paris 6 Condition
Plus en détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en détailChapitre 2/ La fonction de consommation et la fonction d épargne
hapitre 2/ La fonction de consommation et la fonction d épargne I : La fonction de consommation keynésienne II : Validations et limites de la fonction de consommation keynésienne III : Le choix de consommation
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailun environnement économique et politique
Vision d un économiste sur le risque agricole et sa gestion un sol un climat un environnement économique et politique Jean Cordier Professeur Agrocampus Ouest Séminaire GIS GC HP2E Prise en compte du risque
Plus en détailANALYSE GÉNÉRALE - PROPOSITION DE CORRIGÉ. Exercice 1
ANALYSE GÉNÉRALE - PROPOSITION DE CORRIGÉ OLIVIER COLLIER Exercice 1 Le calcul de la banque. 1 Au bout de deux ans, la banque aurait pu, en prêtant la somme S 1 au taux d intérêt r pendant un an, obtenir
Plus en détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailI. Ensemble de définition d'une fonction
Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux
Plus en détailprogression premiere et terminale
progression premiere et terminale s.2 s.3 valette SEQUENCE Séance Objectif Contenu du cours Compétences Savoirs 1 1. Le bilan comportemental Identifier les objectifs de la connaissance de soi Utiliser
Plus en détailPLAN DE COURS TYPE COMMUNICATION MARKETING UNE PERSPECTIVE INTÉGRÉE
1. OBJECTIFS DU COURS PLAN DE COURS TYPE COMMUNICATION MARKETING UNE PERSPECTIVE INTÉGRÉE Objectif général Développer des habiletés dans le domaine de la gestion des communications intégrées en marketing,
Plus en détailConcurrence imparfaite
Concurrence imparfaite 1. Le monopole 2. Concurrence monopolistique 3. Hotelling et Salop 4. Concurrence à la Cournot 5. Concurrence à la Bertrand 6. Concurrence à la Stackelberg Monopole Un monopole,
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
Plus en détail1. Les comptes de dépôt et d épargne
1. Les comptes de dépôt et d épargne 1.1 Les comptes de dépôt 1.1.1 Le taux de possession d un compte de dépôt Le premier constat est celui d un accès important aux comptes de dépôt, quelle que soit la
Plus en détailHausse de la TVA dans les télécoms : un kit de l UFC-Que Choisir pour une résiliation sereine
Hausse de la TVA dans les télécoms : un kit de l UFC-Que Choisir pour une résiliation sereine Le gouvernement a entériné, dans la loi de finances pour 2011, une hausse de la taxe sur la valeur ajoutée
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailMéthode : On raisonnera tjs graphiquement avec 2 biens.
Chapiittrre 1 : L uttiilliitté ((lles ménages)) Définitions > Utilité : Mesure le plaisir / la satisfaction d un individu compte tenu de ses goûts. (On s intéresse uniquement à un consommateur rationnel
Plus en détailCHAPITRE 1 : DE LA FONCTION DE DEMANDE DU CONSOMMATEUR À LA DEMANDE DE MARCHÉ
CHAPITRE : DE LA FONCTION DE DEMANDE DU CONSOMMATEUR À LA DEMANDE DE MARCHÉ..Introduction.2. Le point de départ de l analyse micro-économique du consommateur.3. La fonction de demande individuelle.4. Effets
Plus en détail