INTRODUCTION A LA STATISTIQUE BAYÉSIENNE NON PARAMÉTRIQUE
|
|
- Melanie Beausoleil
- il y a 6 ans
- Total affichages :
Transcription
1 INTRODUCTION A LA STATISTIQUE BAYÉSIENNE NON PARAMÉTRIQUE Jea-Perre Flores Uversté Toulouse (IDEI, GREMAQ) Maufacture des Tabacs Bât F 2, allée de Bree 3000 Toulouse Résumé L obectf prcpal de cet exposé est de rappeler le modèle de base de la statstque bayésee o paramétrque costtué d u échatlloage..d. et d ue probablté a pror sur sa dstrbuto apparteat à la classe des processus de Drchlet. Cette los de probablté a pror est «aturelle couguée» à l échatlloage..d. O s téressera aux proprétés de représetato des processus de Drchlet qu permettet d aalyser par smulato la dstrbuto a pror et a posteror de foctoelles de la lo de probablté coue. L applcato la plus pertete cosste à étuder par smulato la dstrbuto de paramètres caractérsés par ue équato de momet. Le processus de Drchlet egedre que des los de probablté dscrètes. Cette caractérstque, tmemet assocée à sa ature «aturelle couguée», red évdemmet mpossble l estmato de foctoelles défes à partr de los lsses. O évoquera les extesos du processus de Drchlet permettat de trater ce problème. Abstract Ths lecture presets the basc oparametrc bayesa model costructed by a..d. samplg process ad a Drchlet pror process. Ths pror s a atural cougate pror dstrbuto. We focus our presetato o represetatos of Drchlet processes. A aalyss by smulato of fuctoal trasformatos of pror ad posteror Drchlet processes follows from the represetatos. A mportat applcato s gve by ferece of a parameter characterzed by a momet equato. Drchlet processes oly geerate dscrete probablty measures ad fuctoal trasformatos defed for smouth probabltes oly are the udefed. We cosder at the ed of the presetato some extesos of Drchlet processes whch cover some of these cases.. Itroducto L obectf de cet exposé est de préseter brèvemet les prcpales caractérstques du modèle bayése o paramétrque élémetare et d evsager quelques us de ses prologemets. Par modèle élémetare ous etedos u échatlloage..d. d ue dstrbuto coue mue d ue probablté a pror de la famlle des processus de Drchlet. O motre alors que la probablté a posteror de cette dstrbuto est ecore u processus de Drchlet. Les processus de Drchlet sot des mesures aléatores egedrat presque sûremet des probabltés dscrètes a support au plus déombrable et l o rappellera la caractérsato des traectores egedrées par ces processus as qu ue techque smple de smulato de processus de Drchlet approchés. Ce mode de smulato doe ue terprétato bayésee au bootstrap et permet d aalyser la dstrbuto de certaes foctoelles assocées à la dstrbuto coue. O doera as ue verso bayésee de la méthode des momets gééralsée.
2 Nous evsageros u prologemet de ce modèle élémetare qu cosste e ue modfcato de la probablté a pror permettat d obter ue mesure aléatore a posteror géératrce de dstrbutos lsses. 2. Le modèle bayése o paramétrque élémetare Le modèle bayése o paramétrque gééralse le modèle de l échatlloage multomal avec probablté a pror de Drchlet. Cosdéros u élemet aléatore X à valeur das l esemble f P X p. Le paramètre cou de ce modèle est le vecteur,..., vérfat p p p,..., du smplexe S de dmeso. Le vecteur p est mu d ue a pror de Drchlet de desté,..., > 0 et. où 0 G f p p p S Dr Õ Î ÕG 0 O vérfe alors que s l o dspose d u échatlloage..d. de talle, les ombres,..., de réalsatos de chaque modalté formet ue statstque exhaustve. La lo de probablté a posteror de p est ecore ue lo de Drchlet de paramètre * 0 + ",...,.,..., avec * * * mm Das le modèle o paramétrque o dscret l élémet aléatore X ÎX R et est egedré par la probablté P. L élémet cou P est lu-même mu d ue lo de probablté ommée processus de Drchlet et caractérsé par ue probablté doée P 0 et u réel postf 0. O otera cette hypothèse P : D P, et cette mesure aléatore est défe par la proprété : " B,... BL partto de P B X, P B,..., L sut ue lo de Drchlet de L Cosdéros u échatllo..d. de la lo P oté assocée à cet échatllo : S de paramètres,..., L P B P B. x,..., x et P est la lo de probablté emprque P x où x est la mesure de Drac e x. O motre alors que la probablté a posteror de P est ecore u processus de Drchlet de paramètres : S P Q, : D et s B est u esemble mesurable o a + P P + P * 0 * 0. 2
3 Q B Q B E P B Q B et Var P B. + E applquat ces résultats aux processus a pror et a posteror o vot e partculer que P x est l espérace a posteror de P qu a le même comportemet asymptotque que la probablté emprque P. Chosr 0 D P,. O appellera ce processus le processus de Drchlet d échatlloage. O cosdère que ce processus a D P, possède très pett mplque que P a posteror sut u processus de Drchlet posteror est obteu e l absece d formatos a pror be que le processus u comportemet e correspodat pas à l tuto quad 0 0. Il est ef téressat d examer la lo margale (ou prédctve) de l échatllo x,..., x après tégrato de P par rapport au processus a pror. Nous examos c le cas où 0 est quelcoque. Ue descrpto de cette lo cosste à remarquer que 0 0 x : P0, x2 x : P0 +,..., x + + x + x,..., x : P0 + P + + où P est la lo emprque assocée à x,..., x m. Cette lo de probablté sur R egedre avec ue probablté postve des ex aequo. 3. Représetato des processus de Drchlet Le modèle o paramétrque précédemmet décrt a été préseté par Ferguros (973 et 974). Il est apparu das ces travaux que les processus de Drchlet egedret que des probabltés dscrètes a support au plus déombrable ce qu pose la questo de l adéquato du modèle au cas où la lo géératrce des doées est supposée cotue as que la questo de l estmato de foctoelles de P état défes que pour des los lsses (desté). Les travaux de Rol (92 a et b) et Sethurama (92) permettet ue descrpto des traectores du processus de Drchlet plus smple que celle des travaux orgaux de Ferguso. A partr d u résultat gééral préseté das Flores et Rol (994) o motre les résultats suvats : - S P sut le processus de Drchlet d échatlloage P P, presque sûre: P vecteur aléatore % x% où x,...,,..., % : D o a alors la représetato % représete les valeurs dstctes de l échatllo et où le % sut ue lo de Drchlet de paramètres J,..., J % s J est l ordre de multplcté das l échatllo de x%. E partculer s l échatllo e possède que des valeurs dstctes, le vecteur,..., sot ue lo uforme sur le smplexe. U tel vecteur est egedré e ormalsat expoetelles dépedates de paramètre. - S P sut le processus de Drchlet a pror P P0, 0 P a où est u trage..d. de 0 et sot..d. de lo Beta de paramètres et 0. : D et s P 0 a pas de pot de masse o a P et a Õ. Les sot dépedats des O pourra smuler P e troquat la somme fe à. L erreur d approxmato a ue lo coue 3
4 focto de 0. Ef s P sut u processus de Drchlet a posteror P P*, * g a g % x% P + : D o vérfe que où les a, et sot egedrés dépedammet comme précédemmet et où g, dépedat des gradeurs aléatores précédetes, sot ue lo Beta de paramètre et Estmato d ue foctoelle de P et bootstrap bayése La smplcté apparete du processus de Drchlet e dot pas cacher la dffculté réelle de dédure de sa dstrbuto celle de foctoelles vectorelles de P. Le problème le plus smple est celu de la dstrbuto de où : D, ò m x P dx P Q qu a e gééral pas de soluto sous forme d ue dstrbuto coue (vor Yamato (984)). O trouvera das Flores et Rol (994) les codtos d exstece de cette tégrale. U moye smple pour coaître sa dstrbuto est de procéder à des smulatos à l ade des représetatos précédetes. S P P, : D o a par exemple : * * m % m x% g a + g et l sufft d egedrer les, a, et g pour obter des trages de. Cette procédure gééralse le bootstrap bayése au cas d ue dstrbuto a pror formatve. De faço plus géérale o s téressera à des paramètres mplctemet par ue relato A P, 0. d Î R foctos de P et défs S P est u trage d u processus de Drchlet, P est ue lo dscrète et doc l opérateur A dot être déf pour les los dscrètes. C est e partculer le cas quad est déf par ue équato de momet, auss appelée équato estmate : P d A P, E h X, 0 h X, Î R. La lo de probablté de a pas d expresso aalytque e gééral mas o peut smuler P et résoudre e pour obter ue smulato de. Das le cas de la méthode des momets gééralsée dm h > d. Le problème de surdetfcato as posé est resolu par u chagemet de défto de. Das la lge des travaux d échatlloage, o défra comme la soluto des codtos de premer ordre de la mmsato de E p h X, Var p h X, E P h X,. 4
5 O remplacera P das ces tros composates par ses smulatos et o dédut par mmsato des smulatos de. Le modèle de régresso léare fourt u exemple d applcato de cette démarche. X Y, Z et supposos que le paramètre d térêt est Cosdéros le cas de deux varables E YZ E Z 2. S P est la lo de X et s P a pror est P, pror e calculat a a 2 D o obtedra u trage des par la lo a ou, est u trage..d. de P 0 et a vecteur de pods aléatores précédemmet déf. U trage a posteror sera obteu, das le cas d observatos dstctes, e egedrat a a + z y z avec là ecore,..., uforme sur le smplexe S. 5. Mélage de Drchlet a pror et estmato de la desté Pluseurs approches ot été développées af de cotourer le fat que le processus de Drchlet egedre que des los à support au plus déombrable. Parm ces méthodes ctos les mélages de Drchlet dot l térêt est la smltude avec les méthodes de lssage par oyau. (vor m Escobar et West (995), Flores et al (992) et (999)). Sot X Î R de lo P. O se lmtera pour smplfer au mélage par covoluto suvat. Sot D Q, u processus de Drchlet et R ue m probablté a desté sur R. O supposera que la lo a pror de P est telle que P * Q ou Q est tré par le processus de Drchlet et * le produt de covoluto : ò P B Q B R d R B Q d ò La secode expresso permet de vérfer que P admet ue desté a pror où est la dérvée de. ò p x r x Q d r R Cette expresso permet de motrer que la desté a posteror de P peut être smulée par p( x) a r( x ). Malheureusemet le calcul a posteror est plus dffcle. Sot C ue partto de,..., e A,..., A de ombre d élémets,..., et cosdéros les modèles auxlares p s p 5
6 x,, m l + l xl l Î R m,..., p l,..., où les l sot d de lo R, les paramètres correspodates à l élémet la probablté de où les est dstrbué selo Q 0 et où les x l sot les observatos A de la partto de. Par la formule de Bayes, o calcule alors obteue par ce modèle. O motre alors que la desté a posteror vérfe : p,...,, ( g) a + g p x x x C r x r x sot u trage d de Q. Cette expresso est codtoelle à C, cofgurato d exaequo de la predctve dédute du processus de Drchlet. O dot auss effectuer la sommato sur toutes les parttos possbles e podérat par leurs probabltés codtoelles à l échatllo. La dmeso de ce calcul le red mpossble mas ue stratége par échatlloage de Gbbs a été proposée das la lttérature (Escobar et West 995). Q 6. Cocluso Cet exposé e fat qu trodure à l aalyse Bayésee oparamétrque. Parm les multples domaes o évoqués ctos le tratemet de doées cesurées et l utlsato de probabltés a pror gééralsat le processus de Drchlet (processus Beta ou polya tree pror par exemple vor Ghosh et Ramamoorth (2003)). Bblographe [] Escobar, A. et West, M. (995) Bayesa desty estmato ad ferece usg mxtures, Joural of the Amerca Statstcal Assocato, 90, [2] Ferguso, T.S. (973) A Bayesa Aalyss of Some Noparametrc Problems, Aals of Statstcs,, [3] Ferguso, T.S. (974) A Pror Dstrbutos o Spaces of Probablty Measures, Aals of Statstcs, 2, [4] Flores, J.P., Mouchart, M. et Rol, J.M. (992) Bayesa Aalyss of Mxtures: Some Results o Exact Estmablty ad Idetfcato, Bayesa Statstcs, 4, 27 45, Eds J. M. Berardo, J.O. Berger, A.P. Dawd et A.F.M. Smth, Oxford Scece Publcatos. [5] Flores, J.P. et Rol, J.M. (994) Bayes, Bootstrap, Momets, Dscusso paper 943, Isttut de Statstque, Uversté catholque de Louva, Louva-la-Neuve, Belgum. [6] Flores, J.P., Mouchart, M. et Rol, J.M. (999) Sem- ad No-parametrc Bayesa Aalyss of Durato Models wth Drchlet Prors: a Survey, Iteratoal Statstcal Revew, 67, [7] Ghosh, J.. et Ramamoorth, R.V. (2003) Bayesa Noparametrcs, Sprger, New Yor. [8] Sethurama, J. (994) A Costructve Defto of the Drchlet Pror, Statstca Sca, 2, [9] Yamato, H. (984) Propertes of samples from dstrbutos chose from a Drchlet process, Bullet of Iformatcs ad Cyberetcs, 2,
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 détailSYSTEME 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 détailSemestre : 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 détailLE 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" 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 détailCoefficient 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 détailLes 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 détailApplication de la théorie des valeurs extrêmes en assurance automobile
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, 75006 Pars, Frace E-Mal: blour2002@yahoo.fr E-Mal:
Plus en détailMathématiques 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 détailCHAPITRE 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 détailConception 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 détailGIN 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 détailConception 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 détailOBLIGATION 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 détailIncertitudes 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 détailUne 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 détailCOURS 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 détailRessources 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 détailIntégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :
Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +
Plus en détailL Analyse Factorielle des Correspondances
Aalyse de doées Modle 5 : L AFC M5 L Aalyse Factorelle des Corresodaces L aalyse factorelle des corresodaces, otée AFC, est e aalyse destée a tratemet des tableax de doées où les valers sot ostves et homogèes
Plus en détailModule 3 : Inversion de matrices
Math Stat Module : Iversio de matrices M Module : Iversio de matrices Uité. Défiitio O e défiira l iverse d ue matrice que si est carrée. O appelle iverse de la matrice carrée toute matrice B telle que
Plus en détailChapitre 3 : Fonctions d une variable réelle (1)
Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s
Plus en détailComportement d'une suite
Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer
Plus en détailPolynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.
Polyésie Septembre 2 - Exercice O peut traiter la questio 4 sas avoir traité les questios précédetes Pour u achat immobilier, lorsqu ue persoe emprute ue somme de 50 000 euros, remboursable par mesualités
Plus en détail. (b) Si (u n ) est une suite géométrique de raison q, q 1, on obtient : N N, S N = 1 qn+1. n+1 1 S N = 1 1
Premières propriétés des ombres réels 2 Suites umériques 3 Suites mootoes : à faire 4 Séries umériques 4. Notio de série. Défiitio 4.. Soit (u ) ue suite de ombres réels ou complexes. Pour N N, o ote S
Plus en détailSÉRIES STATISTIQUES À DEUX VARIABLES
1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1
Plus en détailMesure avec une règle
Mesure avec une règle par Matheu ROUAUD Professeur de Scences Physques en prépa, Dplômé en Physque Théorque. Lycée Alan-Fourner 8000 Bourges ecrre@ncerttudes.fr RÉSUMÉ La mesure d'une grandeur par un système
Plus en détailLes Nombres Parfaits.
Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie
Plus en détailExo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X
Exo7 Détermiats Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable T : pour
Plus en détailLimites des Suites numériques
Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet
Plus en détailcapital en fin d'année 1 C 0 + T C 0 = C 0 (1 + T) = C 0 r en posant r = 1 + T 2 C 0 r + C 0 r T = C 0 r (1 + T) = C 0 r 2 3 C 0 r 3...
Applicatios des maths Algèbre fiacière 1. Itérêts composés O place u capital C 0 à u taux auel T a pedat aées. Quelle est la valeur fiale C de ce capital? aée capital e fi d'aée 1 C 0 + T C 0 = C 0 (1
Plus en détailProcessus et martingales en temps continu
Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de
Plus en détailUNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4
UNVERSTE MONTESQUEU BORDEAUX V Licece 3 ère aée Ecoomie - Gestio Aée uiversitaire 2006-2007 Semestre 2 Prévisios Fiacières Travaux Dirigés - Séaces 4 «Les Critères Complémetaires des Choix d vestissemet»
Plus en détailFEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI
FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue
Plus en détailDénombrement. Chapitre 1. 1.1 Enoncés des exercices
Chapitre 1 Déombremet 1.1 Eocés des exercices Exercice 1 L acie système d immatriculatio fraçais était le suivat : chaque plaque avait 4 chiffres, suivis de 2 lettres, puis des 2 uméros du départemet.
Plus en détailStatistique descriptive bidimensionnelle
1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets
Plus en détail1 Mesure et intégrale
1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios
Plus en détailGroupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3
1 Groupe orthogoal d'u espace vectoriel euclidie de dimesio, de dimesio Voir le chapitre 19 pour l'étude des espaces euclidies et des isométries. État doé u espace euclidie E de dimesio 1, o rappelle que
Plus en détailAssurance maladie et aléa de moralité ex-ante : L incidence de l hétérogénéité de la perte sanitaire
Assurance malade et aléa de moralté ex-ante : L ncdence de l hétérogénété de la perte santare Davd Alary 1 et Franck Ben 2 Cet artcle examne l ncdence de l hétérogénété de la perte santare sur les contrats
Plus en détailGENESIS - Generalized System for Imputation Simulations (Système généralisé pour simuler l imputation)
GENESS - Generalzed System for mputaton Smulatons (Système généralsé pour smuler l mputaton) GENESS est un système qu permet d exécuter des smulatons en présence d mputaton. L utlsateur fournt un ensemble
Plus en détailx +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.
EXERCICE 3 (6 poits ) (Commu à tous les cadidats) Il est possible de traiter la partie C sas avoir traité la partie B Partie A O désige par f la foctio défiie sur l itervalle [, + [ par Détermier la limite
Plus en détailSéquence 5. La fonction logarithme népérien. Sommaire
Séquece 5 La foctio logarithme épérie Objectifs de la séquece Itroduire ue ouvelle foctio : la foctio logarithme épérie. Coaître les propriétés de cette foctio : sa dérivée, ses variatios, sa courbe, sa
Plus en détailSTATISTIQUE AVANCÉE : MÉTHODES
STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN Table des matières 1 Itroductio 5 2 Modèle de desité 7 2.1 Estimatio par istogrammes............................
Plus en détailLes jeunes économistes
Chaptre1 : les ntérêts smples 1. défnton et calcul pratque : Défnton : Dans le cas de l ntérêt smple, le captal reste nvarable pendant toute la durée du prêt. L emprunteur dot verser, à la fn de chaque
Plus en détail2 ième partie : MATHÉMATIQUES FINANCIÈRES
2 ième partie : MATHÉMATIQUES FINANCIÈRES 1. Défiitios L'itérêt est l'idemité que doe au propriétaire d'ue somme d'arget celui qui e a joui pedat u certai temps. Divers élémets itervieet das le calcul
Plus en détailRemboursement d un emprunt par annuités constantes
Sére STG Journées de formaton Janver 2006 Remboursement d un emprunt par annutés constantes Le prncpe Utlsaton du tableur Un emprunteur s adresse à un prêteur pour obtenr une somme d argent (la dette)
Plus en détailLES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil.
Qu appelle-t-o éclipse? Éclipser sigifie «cacher». Vus depuis la Terre, deu corps célestes peuvet être éclipsés : la Lue et le Soleil. LES ÉCLIPSES Pour qu il ait éclipse, les cetres de la Terre, de la
Plus en détailDénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions
Déombremet ECE3 Lycée Carot 12 ovembre 2010 Itroductio La combiatoire, sciece du déombremet, sert comme so om l'idique à compter. Il e s'agit bie etedu pas de reveir au stade du CP et d'appredre à compter
Plus en détailEtude de la fonction ζ de Riemann
Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.
Plus en détailTRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 )
RAIRO Operatios Research RAIRO Oper. Res. 34 (2000) 99-129 TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) Commuiqué par Berard LEMAIRE Résumé. L étude
Plus en détail20. Algorithmique & Mathématiques
L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus
Plus en détailMÉTHODES DE SONDAGES UTILISÉES DANS LES PROGRAMMES D ÉVALUATIONS DES ÉLÈVES
MÉTHODES DE SONDAGES UTILISÉES DANS LES PROGRAMMES D ÉVALUATIONS DES ÉLÈVES Émle Garca, Maron Le Cam et Therry Rocher MENESR-DEPP, bureau de l évaluaton des élèves Cet artcle porte sur les méthodes de
Plus en détailPROMENADE ALÉATOIRE : Chaînes de Markov et martingales
PROMENADE ALÉATOIRE : Chaîes de Markov et martigales Thierry Bodieau École Polytechique Paris Départemet de Mathématiques Appliquées thierry.bodieau@polytechique.edu Novembre 2013 2 Table des matières
Plus en détail14 Chapitre 14. Théorème du point fixe
Chapitre 14 Chapitre 14. Théorème du poit fixe Si l o examie de plus près les méthodes de Lagrage et de Newto, étudiées au chapitre précédet, elles revieet das leur pricipe à remplacer la résolutio de
Plus en détailLa France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe
1/5 Trois objectifs poursuivis par le gouveremet : > améliorer la compétitivité fiscale de la Frace > péreiser les activités de R&D > faire de la Frace u territoire attractif pour l iovatio Les icitatios
Plus en détailc. Calcul pour une évolution d une proportion entre deux années non consécutives
Calcul des itervalles de cofiace our les EPCV 996-004 - Cas d u ourcetage ou d ue évolutio e oit das la oulatio totale des méages - Cas d u ourcetage ou d ue évolutio das ue sous oulatio das les méages
Plus en détailExercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1
Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a
Plus en détailÉLÉMENTS DE THÉORIE DE L INFORMATION POUR LES COMMUNICATIONS.
ÉLÉMETS DE THÉORIE DE L IFORMATIO POUR LES COMMUICATIOS. L a théore de l nformaton est une dscplne qu s appue non seulement sur les (télé-) communcatons, mas auss sur l nformatque, la statstque, la physque
Plus en détailExercices d Électrocinétique
ercces d Électrocnétque Intensté et densté de courant -1.1 Vtesse des porteurs de charges : On dssout une masse m = 20g de chlorure de sodum NaCl dans un bac électrolytque de longueur l = 20cm et de secton
Plus en détailExercices de mathématiques
MP MP* Thierry DugarDi Marc rezzouk Exercices de mathématiques Cetrale-Supélec, Mies-Pots, École Polytechique et ENS Coceptio et créatio de couverture : Atelier 3+ Duod, 205 5 rue Laromiguière, 75005 Paris
Plus en détailSéries réelles ou complexes
6 Séries réelles ou complexes Comme pour le chapitre 3, les suites cosidérées sot a priori complexes et les résultats classiques sur les foctios cotiues ou dérivables d ue variable réelle sot supposés
Plus en détailSTATISTIQUE : TESTS D HYPOTHESES
STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie
Plus en détail[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =
[http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.
Plus en détailDéveloppement en Série de Fourier
F-IRIS-5.ex Développeme e Série de Fourier Développer e série de Fourier les focios de période T défiies aisi : a b { f impaire T = f = si ] ; { f paire T = f = si ; ] Faire das chaque cas ue représeaio
Plus en détailLe marché du café peut être segmenté en fonction de deux modes de production principaux : la torréfaction et la fabrication de café soluble.
II LE MARCHE DU CAFE 1 L attractivité La segmetatio selo le mode de productio Le marché du café peut être segmeté e foctio de deux modes de productio pricipaux : la torréfactio et la fabricatio de café
Plus en détailSoutenue publiquement le Mardi 04/Mai/2010 MEMBRES DU JURY
Répblqes Algéree Démocratqe et Poplare Mstère de l Esegemet Spérer et de la Recherche Scetfqe Uversté MENTOURI Costate Faclté des Sceces de l'igéer Départemet de Gée Mécaqe N d ordre : /MAG/ Sére : /GM/
Plus en détailConsolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe
Cosolidatio La société THEOS, qui commercialise des vis, exerce so activité das trois villes : Paris, Nacy et Nice. Le directeur de la société souhaite cosolider les résultats de ses vetes par ville das
Plus en détailCalculer le coût amorti d une obligation sur chaque exercice et présenter les écritures dans les comptes individuels de la société Plumeria.
1 CAS nédt d applcaton sur les normes IAS/IFRS Coût amort sur oblgatons à taux varable ou révsable La socété Plumera présente ses comptes annuels dans le référentel IFRS. Elle détent dans son portefeulle
Plus en détailExamen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot
Exame fial pour Coseiller fiacier / coseillère fiacière avec brevet fédéral Recueil de formules Auteur: Iwa Brot Ce recueil de formules sera mis à dispositio des cadidats, si écessaire. Etat au 1er mars
Plus en détailGEA I Mathématiques nancières Poly. de révision. Lionel Darondeau
GEA I Mathématques nancères Poly de révson Lonel Darondeau Intérêts smples et composés Voc la lste des exercces à révser, corrgés en cours : Exercce 2 Exercce 3 Exercce 5 Exercce 6 Exercce 7 Exercce 8
Plus en détailPROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS J. L. NICOLAS
PROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS ET APPROXIMATIONS DIOPHANTIENNES J. L. NICOLAS Cet article expose sup 3 e quelques iter'f~reces etre les pr'obl~res dloptimisatio e hombres etiers et la th~or-ie
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Exo7 Topologie Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Exercice **
Plus en détailSolutions particulières d une équation différentielle...
Solutios particulières d ue équatio différetielle......du premier ordre à coefficiets costats O cherche ue solutio particulière de y + ay = f, où a est ue costate réelle et f ue foctio, appelée le secod
Plus en détailLES ESCALIERS. Du niveau du rez-de-chaussée à celui de l'étage ou à celui du sous-sol.
LES ESCALIERS I. DÉF I NIT I O N Un escalier est un ouvrage constitué d'une suite de marches et de paliers permettant de passer à pied d'un niveau à un autre. Ses caractéristiques dimensionnelles sont
Plus en détailÉconométrie. Annexes : exercices et corrigés. 5 e édition. William Greene New York University
Économétre 5 e édton Annexes : exercces et corrgés Wllam Greene New York Unversty Édton françase drgée par Dder Schlacther, IEP Pars, unversté Pars II Traducton : Stéphane Monjon, unversté Pars I Panthéon-Sorbonne
Plus en détailDynamique du point matériel
Chaptre III Dynaqe d pont atérel I Généraltés La cnéatqe a por objet l étde des oveents des corps en foncton d teps, sans tenr copte des cases q les provoqent La dynaqe est la scence q étde (o déterne)
Plus en détailChapitre IV : Inductance propre, inductance mutuelle. Energie électromagnétique
Spécale PSI - Cours "Electromagnétsme" 1 Inducton électromagnétque Chaptre IV : Inductance propre, nductance mutuelle. Energe électromagnétque Objectfs: Coecents d nductance propre L et mutuelle M Blan
Plus en détailProbabilités et statistique pour le CAPES
Probabilités et statistique pour le CAPES Béatrice de Tilière Frédérique Petit 2 3 jui 205. Uiversité Pierre et Marie Curie 2. Uiversité Pierre et Marie Curie 2 Table des matières Modélisatio de phéomèes
Plus en détailBUREAU D'APPLICATION DES METHODES STATISTIQUES ET INFORMATIQUES
BUREAU DAPPLICATION DES METHODES STATISTIQUES ET INFORMATIQUES BAMSI REPRINT 04/2003 Introducton à l analyse des données Samuel AMBAPOUR BAMSSI I BAMSI B.P. 13734 Brazzavlle BAMSI REPRINT 04/2003 Introducton
Plus en détaile x dx = e x dx + e x dx + e x dx.
Chtr Foctos Gmm t foctos d Bssl Chtr Focto Gmm t foctos d Bssl Détrmto d l focto Gmm L focto Gmm st très sml à dédur à rtr d l tégrl d'eulr: Ctt tégrl st u focto d rmètr ; ll st rrésté r l symbol () t
Plus en détailCOMPARAISON DE MÉTHODES POUR LA CORRECTION
COMPARAISON DE MÉTHODES POUR LA CORRECTION DE LA NON-RÉPONSE TOTALE : MÉTHODE DES SCORES ET SEGMENTATION Émle Dequdt, Benoît Busson 2 & Ncolas Sgler 3 Insee, Drecton régonale des Pays de la Lore, Servce
Plus en détailEXERCICES : DÉNOMBREMENT
Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris
Plus en détailFormation d un ester à partir d un acide et d un alcool
CHAPITRE 10 RÉACTINS D ESTÉRIFICATIN ET D HYDRLYSE 1 Formatio d u ester à partir d u acide et d u alcool 1. Nomeclature Acide : R C H Alcool : R H Groupe caractéristique ester : C Formule géérale d u ester
Plus en détailRESOLUTION PAR LA METHODE DE NORTON, MILLMAN ET KENNELY
LO 4 : SOLUTO P L MTHO OTO, MLLM T KLY SOLUTO P L MTHO OTO, MLLM T KLY MTHO OTO. toductio Le théoème de oto va ous pemette de éduie u cicuit complexe e gééateu de couat éel. e gééateu possède ue souce
Plus en détailUV SQ 20. Automne 2006. Responsable d Rémy Garandel ( m.-el. remy.garandel@utbm.fr ) page 1
UV SQ 0 Probabilités Statistiques UV SQ 0 Autome 006 Resposable d Rémy Garadel ( m.-el. remy.garadel@utbm.fr ) page SQ-0 Probabilités - Statistiques Bibliographie: Titre Auteur(s) Editios Localisatio Niveau
Plus en détailLe Sphinx. Enquêtes, Sondages. Analyse de données. Internet : http://www.lesphinxdeveloppement.fr/club/index.html
Equêtes, Sodages Aalyse de doées Le Sphix! Iteret : http://www.lesphixdeveloppemet.fr/club/idex.html Lagarde J. Aalyse statistique de doées, Duod. Réaliser vos equêtes Questioaire Traitemets et aalyses
Plus en détailDeuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES
DEUXIEME PARTIE Deuième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES Chapitre. L assurace de capital différé Chapitre 2. Les opératios de retes Chapitre 3. Les assuraces décès Chapitre 4. Les assuraces
Plus en détailSéries numériques. Chap. 02 : cours complet.
Séris méris Cha : cors comlt Séris d réls t d comlxs Défiitio : séri d réls o d comlxs Défiitio : séri corgt o dirgt Rmar : iflc ds rmirs trms d séri sr la corgc Théorèm : coditio écssair d corgc Théorèm
Plus en détailUne action! Un message!
Ue actio! U message! Cotact Master est u service exclusif de relaces automatiques de vos actes vers vos cliets, par SMS, messages vocaux, e-mails, courrier... Il se décleche lorsque vous réalisez ue actio
Plus en détailChristian BONTEMPS né le 08 juillet 1969
Curriculum Vitae Christian BONTEMPS né le 08 juillet 1969 Situation actuelle : Ingénieur en Chef des Ponts et Chaussées, Chercheur IDEI Professeur Sciences Économiques, GREMAQ - Université Toulouse I.
Plus en détailCHAPITRE 2 SÉRIES ENTIÈRES
CHAPITRE 2 SÉRIES ENTIÈRES 2. Séries etières Défiitio 2.. O appelle série etière toute série de foctios ( ) f dot le terme gééral est de la forme f ()=a, où (a ) désige ue suite réelle ou complee et R.
Plus en détailPrincipes et Méthodes Statistiques
Esimag - 2ème aée 0 1 2 3 4 5 6 7 0 5 10 15 x y Pricipes et Méthodes Statistiques Notes de cours Olivier Gaudoi 2 Table des matières 1 Itroductio 7 1.1 Défiitio et domaies d applicatio de la statistique............
Plus en détailChapitre 3 : Transistor bipolaire à jonction
Chapitre 3 : Trasistor bipolaire à joctio ELEN075 : Electroique Aalogique ELEN075 : Electroique Aalogique / Trasistor bipolaire U aperçu du chapitre 1. Itroductio 2. Trasistor p e mode actif ormal 3. Courats
Plus en détailBaccalauréat S Asie 19 juin 2014 Corrigé
Bcclurét S Asie 9 jui 24 Corrigé A. P. M. E. P. Exercice Commu à tous les cdidts 4 poits Questio - c. O peut élimier rpidemet les réposes. et d. cr les vecteurs directeurs des droites proposées e sot ps
Plus en détailSTATISTIQUE AVEC EXCEL
STATISTIQUE AVEC EXCEL Excel offre d nnombrables possbltés de recuellr des données statstques, de les classer, de les analyser et de les représenter graphquement. Ce sont prncpalement les tros éléments
Plus en détailIntroduction : Mesures et espaces de probabilités
Itroductio : Mesures et espaces de probabilités Référeces : Poly cédric Berardi et Jea Michel Morel. J.-F. Le Gall, Itégratio, Probabilités et Processus Aléatoire J.-Y. Ouvrard, Probabilités 2, maîtrise-agrégatio,
Plus en détailChap. 5 : Les intérêts (Les calculs financiers)
Chap. 5 : Les itérêts (Les calculs fiaciers) Das u cotrat de prêt, le prêteur met à la dispositio de l empruteur, à u taux d itérêt doé, ue somme d arget (le capital) qu il devra rembourser à ue certaie
Plus en détailII LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009
M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted
Plus en détailEstimation des incertitudes sur les erreurs de mesure.
Estmto des certtdes sr les errers de mesre. I. Itrodcto : E sceces epérmetles, l este ps de mesres ectes. Celle-c e pevet être q etchées d errers pls o mos mporttes selo le protocole chos, l qlté des strmets
Plus en détailEvaluation de performances d'ethernet commuté pour des applications temps réel
Evaluaton de performances d'ethernet commuté pour des applcatons temps réel Ans Koubâa, Ye-Qong Song LORIA-INRIA-INPL, Avenue de la Forêt de Haye - 5456 Vandoeuvre - France Emal : akoubaa@lorafr, song@lorafr
Plus en détail