Notes de cours Biostatistiques MIV (L3) Vraisemblance
|
|
- Jean-Michel Lafleur
- il y a 6 ans
- Total affichages :
Transcription
1 Notes de cours Biostatistiques MIV (L3) Vraisemblace M. Bailly-Bechet Uiversité Claude Berard Lyo 1 Frace 1 Rappels sur les variables aléatoires : espérace et variace Pour otre usage, ue variable aléatoire e abrégé (v.a.) est défiie par u esemble de valeurs auxquelles sot associées ue mesure, à savoir ue loi de probabilité. Ue variable alátoire est ue variable qui peut predre différetes valeurs, ces valeurs ayat chacue ue probabilité (ou ue desité de probabilité das le cas cotiu) défiie par ue loi de probabilité. Ue loi de probabilité est ue foctio qui à chaque éveemet (réalisatio possible de la v.a.) associe ue probabilité comprise etre 0 et 1. Si o ote Ω l esemble des éveemets possibles, alors o pour ue loi de probabilité p o a toujours : p(x)dx 1 (1) Ω Ceci sigifie simplemet que l esemble des éveemets possibles a globalemet ue probabilité de 1 : o est certai, à chaque tirage de la v.a., de tirer u éveemet parmi ceux-ci, par défiitio même de Ω. Das le cas discret, l espérace et la variace sot défiies comme : E(X) xp(x), (2) V(X) ( x 2 p(x)) E 2 (X), (3) ou V(X) (x E(X)) 2 p(x), (4) ou V(X) E(X 2 ) E 2 (X). (5) 1
2 Das le cas cotiu, o a : E(X) xp(x)dx, (6) V(X) x 2 p(x)dx E 2 (X), (7) ou V(X) (x E(X)) 2 p(x)dx, (8) ou V(X) E(X 2 ) E 2 (X). (9) L espérace représete la valeur moyee d u tirage de la v.a. D ailleurs, si o tire u échatillo de taille de la v.a. X et que la moyee de cet échatillo vaut µ, o peut motrer que quad, alors µ E(X). La variace d ue v.a. représete la variabilité attedue des tirages autour de la valeur moyee. De la même maière qu au dessus, o a ue relatio etre la variace observée d u échatillo σ 2 et la variace de la loi ; quad, o a σ 2 1 V(X). O ote qu il existe u biais, c est à dire que l o sous- estime toujours la variace d ue v.a. quad o l estime à partir d u échatillo. 1.1 Exemples Calculos l espérace d ue loi de Poisso de paramètre λ P (X k) λ k e λ k!. E(X) + + e λ + k P (X k) (10) λ λk k e k! λ e λ + λ k (k 1)! λ k 1 (k 1)! (11) (12) (13) λ e λ e λ λ (14) car + λ k e λ (voir partie du cours sur les DL). k! 2
3 Pour la variace de la même loi : V(X) E(X 2 ) (E(X)) 2 (15) + + λ e λ + k 2 P (X k) λ 2 (16) k 2 λ λk e k! λ2 (17) λ e λ + λ e λ d dλ + kλ k 1 (k 1)! λ2 (18) λ k d dλ (k 1)! λ2 (19) λ e λ d dλ [λ + λ k (k 1)! λ2 (20) λ k 1 (k 1)! ] λ2 (21) λ e λ d dλ [λ eλ ] λ 2 car exp(x) + 0 x! (22) λ e λ (λ + 1) e λ λ 2 (23) λ (λ + 1) λ 2 (24) λ (25) Pour ue loi cotiue, comme la loi ormale cetrée réduite de desité p(x x) 1 2π e x2, les calculs doet : E(X) 1 xe x2 2 dx (26) 2π [ 1 ] e x2 2 (27) 2π (28) Pour la variace, le calcul est plus complexe ; o utilise sas la démotrer 3
4 la formule dite de l itégrale gaussiee 1 x2 e x2 πdx. O a alors, pour la variace : V(X) E(X 2 ) (E(X)) 2 (29) 1 2π 1 2π x2 e x 2 2 dx 0 (30) 2y 2 e y2 dy (31) ( par chgt de variable y x 2 et doc dx 2dy) (32) 1 2π 2π 1. (33) 1.2 Propriétés d ue somme de variables aléatoires : espérace, variace. Cas de la moyee. O peut aisémet motrer commet l espérace et la variace se comportet par rapport à la multiplicatio par u scalaire. Par exemple : E(aX) V(aX) axp(x)dx a xp(x)dx ae(x) (34) (ax) 2 p(x)dx E 2 (ax) a 2 x 2 p(x)dx a 2 E 2 (X) a 2 V(X) (35) Passos maiteat à l additio de deux v.a. Soiet X et Y deux v.a. idépedates de desité de probabilités respectives P (X x) p(x) et P (Y y) q(y). Si o ote z(x, y) leur desité de probabilité cojoite, par idépedace de X et Y, o a z(x, y) p(x)q(y). O a alors : 1. La démostratio de cette égalité est u bo exercice, et peut être trouvée à l adresse 4
5 E(X + Y ) (x + y)z(x, y)dxdy (36) (x + y)p(x)q(y)dxdy (37) par idépedace de x et y o peut découpler les itégrales : (38) ( ) ( ) E(X + Y ) xp(x)dx q(y)dy + yq(y)dy p(x)dx (39) E(X) + E(Y ) (40) O dit que l espérace est u opérateur liéraire. Cocerat la variace : V(X + Y ) (x + y) 2 z(x, y)dxdy E 2 (X + Y ) (41) (x 2 + 2xy + y 2 )p(x)q(y)dxdy E 2 (X) 2 (E(X)E(Y )) E 2 (Y ) x 2 p(x)dx E 2 (X) + (42) y 2 q(y)dy E 2 (Y ) + 2 (E(XY ) E(X)E(Y )) (43) V(X) + V(Y ) + 2cov(X, Y ) (44) V(X) + V(Y ) (45) où la derière étape est dûe à l idépedace des variables, de laquelle o peut déduire que la covariace cov(x, Y ) est ulle. Attetio, o dira que la variace est u opérateur quadratique, à cause de la propriété V(aX) a 2 V(X). O peut gééraliser ces démostratios à ue somme de v.a. par récurrece : o défiit ue variable itermédiaire de 1 variables, et o développe otre formule précédete. Chaque itératio permet de gager ue variable das la somme. Si o veut gééraliser ces démostratios à des moyees de v.a., il suffit de coupler commet l espérace et la variace réagisset par rapport à la multiplicatio par ue costate. O va obteir que : 5
6 E V ( Xi ( Xi ) 1 E(Xi ) ) 1 V(Xi ) 1 ( ) (46) V(Xi ) 2 L espérace d ue moyee de v.a. est la moyee des espéraces, mais la variace d ue moyee de v.a. est la moyee des variaces divisée par. Cela implique que si o fait la moyee d u très grad ombre de v.a., la variace globale sera très faible, et doc que l o a ue très faible variabilité du résultat du tirage de la moyee d u grad ombre de v.a. 2 Vraisemblace d ue hypothèse O va predre comme premier problème celui d ue pièce de moaie que l o jette fois. O cherche à détermier la probabilité qu a la pièce de tomber sur pile, se basat sur le ombre de fois où elle est tombée sur pile ou face. O ote k le ombre de réussites (pile). Il existe u très grad ombre d hypothèses a priori sur la valeur de la probabilité p qu a la pièce de faire pile : toute valeur comprise etre 0 et 1 est ue possibilité. Mais si o observe u certai ombre de lacers de la pièce, certaies possibilités devieet plus logiques, plus vraisemblables. Nous allos défiir ce cocept u peu plus clairemet. 2.1 Vraisemblace pour u modèle biomial Soit u modèle M de la pièce disat que le paramètre p a ue valeur θ. O défiit la vraisemblace du modèle M commme la probabilité que ce modèle ait doé lieu aux doées observées. La vraisemblace est pas ue loi de probabilité : chaque vraisemblace correspod à u modèle M différet et doc la somme des vraisemblaces sur tous les modèles possibles e fait pas 1. Pour le cas d ue pièce qu o jette fois, e obteat k réussites (faire pile), la vraisemblace du modèle de paramètre p θ suit ue loi biomiale : L(θ) ( k ) θ k (1 θ) k. (47) O ote L la vraisemblace car e aglais, vraisemblace se dit likelihood. 6
7 2.2 Estimatio au maximum de vraisemblace Le pricipe du maximum de vraisemblace est que, si l o doit choisir u modèle pour correspodre à des doées observées, o choisit les valeurs des paramètres qui maximiset la vraisemblace du modèle par rapport aux doées. Souvet, le résultat peut paraître trivial ou ituitif. Par exemple, supposos que l o cherche le paramètre θ qui maximise la vraisemblace das le cas précédet de la pièce avec tirages et k réussites. Si o écrit le logarithme de la vraisemblace et qu o le dérive par rapport au paramètre θ, o trouve comme valeur θ : ( d log dθ d dθ L(θ) 0 d log L(θ) 0. (48) dθ ( (1 θ ) k)) 0. (49) ( ) + log ( θ k) + log k k θ k 0. 1 θ (50) k(1 θ ) ( k)θ. (51) θ k. (52) O retrouve ce qui est ituitif et souvet doé comme acquis : si o a vu la pièce tomber das 30% des cas sur pile, o peut supposer que cette pièce a 30% de chaces de faire pile à chaque tirage. Qu est ce qui ous permettrait de supposer autremet 2? 2.3 Maximum de vraisemblace pour u modèle expoetiel cotiu Preos u autre exemple, abstrait cette fois-ci : u modèle expoetiel, dot la desité de probabilité est doée par f(x) θe θx. Si o a u esemble de observatios x 1,...x, o peut écrire le logarithme de la vraisemblace comme : 2. Si vous avez evie de dire que les pièces das la réalité ot ue chace sur 2 de tomber sur pile, et que ca devrait compter das le raisoemet, vous êtes murs pour les statistiques bayesiees. 7
8 L(θ) i θe θx i. (53) log (L(θ)) i (log(θ) θx i ). (54) (55) Alors, o peut calculer la valeur du paramètre θ qui maximise la vraisemblace : d log L(θ) 0. (56) dθ ( ) 1 θ x i 0. (57) i θ x i 0 (58) i θ 1 x i (59) 2.4 Estimatio par itervalle de cofiace : pricipe O va repredre le problème celui d ue pièce de moaie que l o jette fois. O cherche à détermier la probabilité qu a la pièce de tomber sur pile, se basat sur le ombre de fois où elle est tombée sur pile ou face. O a vu que l o pouvait estimer ue valeur du paramètre θ qui maximise la vraisemblace. Mais o a das ce cas aucue idée sur le risque que l o a de faire ue erreur e affirmat que θ k. O va maiteat chercher u itervalle de cofiace (IC), c est à dire ue estimatio de la probabilité θ itrisèque avec θ [θ 1, θ 2 ] à u certai iveau de cofiace, ou plutôt de risque. O peut costruire cet IC de plusieurs faços. Si o se fixe u risque (de premiere espèce) α de 5%, o peut chercher u itervalle [θ 1, θ 2 ] [0, 1] das lequel se trouvet les valeurs pour lesquelles o a 95% de chaces que, das leur esemble, elles expliquet le tirage observé : o dit qu o a 5% de chaces de se tromper, c-à-d. que la valeur réelle du paramètre soit e dehors de l itervalle. Ue autre faço de l éocer est de dire que l o cherche, pour 8 i
9 chaque valeur possible du paramètre, si elle a plus de 5% de chaces de géérer le résultat observé ou mieux ; si c est le cas cette valeur doit être das l itervalle de cofiace à 95%. Cette deuxième méthode, comme vous allez le voir, est mois ituitive mais permet de costruire u IC e toutes coditios, puisqu elle se base directemet sur le calcul de la probabilité d observer les doées à partir d u modèle, doc la vraisemblace. O suppose que la pièce que l o jette fois est tombée k fois sur pile et k fois sur face. O suppose que la probabilité réelle de la pièce de tomber sur pile est p θ et o ote ˆθ l estimateur de cette probabilité au vu des résultats. Cet estimateur vaut ˆθ k au maximum de vraisemblace, comme vu plus haut. Notre IC devra doc impérativemet coteir la valeur k, plus évetuellemet d autres. Soit ue pièce que l o jette ue seule fois ( 1). O tombe sur face (échec, k 0, 1). Que peut-o dire sur θ 1 et θ 2? Au vu du tirage o a ˆθ k 0. Doc θ 1 0. O veut θ 2 tel que P (k 0 1, p θ 2 ) Or d après la formule 47 o a P (k 0 1, p θ 2 ) 1 θ 2, doc θ O peut seulemet affirmer au bout d u tirage que la probabilité de réussite est comprise etre 0 et 0.95, au risque de 5%. Si l o travaillait avec u risque de se tromper plus importat, par exemple 20%, l IC serait [0, 0.8], doc plus précis, mais avec plus de chaces de se tromper. 3 O fait u deuxième tirage, das les mêmes coditios. C est ecore u échec. O refait le même calcul, et o trouve θ 1 0 et (1 θ 2 ) , ce qui doe θ Plus gééralemet, au bout de échecs cosécutifs, e appliquat la formule de la vraisemblace 47, o pourra dire que l IC a pour bores θ 1 0 et θ 2 tel que (1 θ 2 ) Si o fait le calcul, o voit que cela veut dire que log(1 θ 2 ) 1 log(0.05). O peut reverser la questio et se demader au bout de combie de tirages o pourra rejeter ue certaie valeur du paramètre θ comme trop improbable. Par la suite, cette approche va ous ameer à effectuer des tests. Par exemple si o veut vérifier que la pièce est pas truquée (p 0.5), o peut se demader au bout de combie de tirages successifs de face o pourra rejeter H 0, au risque de 5%. D après les résultats précédets, o a plus de 5% 3. Si o pousse le raisoemet à ses limites et que l o pred u risque de 99,99%, o obtiet u IC de [0, 0.01] pour la probabilité de faire pile e état quasi-certai de se tromper, ce que l o pourrait traduire par : o est quasi certai de se tromper si o affirme que la pièce e fait jamais pile, sous prétexte qu elle a fait ue fois face. 9
10 de chaces de faire u face sur u tirage (la vraisemblace est de 1 ). Sur deux 2 tirages c est toujours vrai (la vraisemblace est de 1 ). Das le cas gééral : 4 (1 0.5) 0.05 (60) log(0.5) log(0.05) (61) log(0.05) (62) log(0.5) 4.32 (63) 5 (64) E effet, au bout de 5 tirages, o peut costater que la vraisemblace d obteir 5 faces avec ue pièce o truquée vaut /32 < 0.05, tadis que pour 4 tirages o a /16 > Itervalle de cofiace : gééralisatios La méthode exposée précedemmet est u cas u peu particulier, parce que l o a tiré uiquemet des faces. Qu e est-il si o obtiet u pile das l esemble des tirages? O pourrait calculer la vraisemblace de chaque modèle (chaque valeur de θ), et coserver ceux qui doet plus de 5% de chaces d obteir le résultat observé, comme précédemmet. Mais cette approche pose des problèmes : si l o est das ue situatio avec u très grad ombre de lacers, aucu des résultats possibles de l expériece aura plus de 5% de vraisemblace d arriver, même avec ue très boe estimatio du paramètre. Par exemple, si k, soit le résultat qui maximise la vraisemblace 2 de l hypothèse θ 1 alors pour > 300 o a L(θ 1 ) < 0.05 : 2 2 la valeur même du paramètre qui maximise la vraisemblace a pas ue vraisemblace de plus de 5%. Ceci viet du fait que, pour ue valeur du paramètre, la vraisemblace s étale sur tous les résultats possibles, et quad ceux-ci sot très ombreux, la vraisemblace peut deveir très faible pour toutes les valeurs du paramètres (mais elle l est beaucoup plus pour certaies que pour d autres, bie sûr). Pour pouvoir réaliser le même calcul que précedemmet das tous les cas possibles, o va gééraliser la formule employée, et dire que l o cherche à savoir si u modèle doé (par exemple θ 0.5) a plus de 5% de chaces 10
11 de fourir le résultat observé ou mieux. C est ce derier poit qui fait toute la différece : das le cas précédet avec 300, si θ 0.5, alors o a légèremet plus de 50% de chaces d avoir 150 piles ou mieux si o fait le calcul. La valeur 1 serait doc comprise das l IC à 95% de θ, avec cette 2 faço de calculer. Et o peut aisémet voir que le cas précédet avec k 0 est u cas particulier de celui-ci, das lequel le résultat observé était le plus extrême possible. La limite à droite de l IC das le cas où o a ue réussite et 1 échecs va doc se calculer e disat que : P C k (θ 2 ) k (1 θ 2 ) k α, (65),1 avec α le risque que l o s accorde. Le ses das lequel est fait le calcul (pour le choix du pire ou du mieux ) est toujours de sommer les vraisemblaces des valeurs du paramètre e décroissat à partir de la valeur observée. Das cette situatio, pour vérifier par exemple si le modèle p 0.5 est suffisammet vraisemblable au risque de 5%, o va calculer la probabilité qu o obtiee 1 pile ou pire (c-à-d 0) sur tirages. O a : P,1 C k ( ) k ( ) k (66) 2 2 Le calcul doe 8 comme limite. Attetio, ce calcul suppose que l o accepte u risque de 5% de se tromper à droite (c-à-d. de d accepter des valeurs du paramètre trop grades). Si o veut au total accepter u risque de 5%, mais qu il se décompose sur les 2 côtés, il faut accepter u risque de 2.5% à gauche et 2.5% à droite, et modifer la formule ci-dessus e coséquece. 2.6 Approximatio ormale de la formule de l itervalle de cofiace Das cette partie o voit commet o peut retrouver la formule de l itervalle de cofiace d ue proportio coue des étudiats de L1-L2 de biologie à l aide du raisoemet précédet sur l itervalle de cofiace, das le cas particulier où le ombre de tirages est très grad. Alors, o retrouve la formule simplifiée : 11
12 IC ˆθ ˆθ(1 ± ɛ ˆθ) α, (67) avec ɛ α ue variable ormale (défiie correctemet u peu plus loi). Preos la limite à droite (θ 2 ) de l IC de la probabilité qu ue pièce tombe sur pile, comme précédemmet. D après le paragraphe précédet, si o a obteu k faces, cette limite, au risque α, est telle que (o divise par 2 car o étale le risque à gauche et à droite, ue approximatio qui a guère d importace pour compredre le pricipe) : k i0 ( ) θ i i 2(1 θ 2 ) i α 2 (68) O sait 4 que quad le ombre de tirages deviet grad, et que θ e deviet pas proportioellemet petit, la loi biomiale se comporte comme u loi ormale de même espérace et écart-type. L espérace d ue loi biomiale vaut θ et sa variace θ(1 θ) (exercice : vérifiez-le). E appliquat cette covergece à la formule ci-dessus, o obtiet doc : lim k i0 ( ) k ) θ i (1 θ) i 1 (x θ)2 exp ( dx i 2πθ(1 θ) 2θ(1 θ) (69) La coditio 68 peut doc s écrire : k ( 1 2πθ2 (1 θ 2 ) exp (x θ ) 2) 2 dx α 2θ 2 (1 θ 2 ) 2 (70) La loi ormale est tabulée à l aide de couples (α, ɛ α ). O a la relatio suivate 5, pour ue loi ormale de moyee µ et de variace σ 2 : µ ɛασ ( ) 1 exp (x µ)2 dx α (71) 2πσ 2 2σ et cette démostratio peut se faire aisémet, voir wiki/loi_biomiale 5. La même écriture pour ue loi ormale cetrée réduite (écart-type 1, moyee 0) doe la formule plus facile à maipuler : ɛ α 1 2π exp ( x2 2 ) dx α 2. Par ailleurs, cette défiitio est la défiitio bilatérale des ɛ α ; certais textes repreet ue défiitio uilatérale, attetio! 12
13 Das otre cas précis la bore à droite de l IC, pour α quelcoque avec µ θ 2 et σ 2 θ 2 (1 θ 2 ) : d où : k θ 2 ɛ α θ2 (1 θ 2 ) (72) θ 2 k + ɛ θ2 (1 θ 2 ) α (73) O retrouve presque la formule 67. E pratique, e pouvat résoudre cette équatio e θ 2 de maière simple, o remplace simplemet à droite θ 2 par ˆθ k, ce qui est ue approximatio supplémetaire qui permet simplemet de coserver ue formule de taille raisoable pour les applicatios pratiques. 2.7 Lie etre vraisemblace et p-value des tests Pour coclure cette partie, o va, de maière abstraite, faire le lie etre vraisemblace d u modèle et p-value d u test. La démarche pratique d u test cosiste à : choisir deux hypothèses, l ue dite ulle et otée H 0, qui est l hypothèse par défaut que l o accepterait sas avoir de doées, et qui est doc la plus simple possible, l autre dite alterative, otée H 1, et qui est strictemet o recouvrate avec l hypothèse ulle. calculer ue p-value coclure sur la possibilité de rejeter l hypothèse ulle H 0 au vu de la valeur de la p-value : plus elle est faible, plus o peut rejeter avec certitude H 0 et accepter H 1. Formulé de maière mathématique, o va dire que la p-value d u test uilatéral pour u modèle fixé avec u paramaètre de valeur θ (qui correspod à l hypothèse ulle) est la somme (ou l itégrale, si les doées mesurées sot cotiues) des probabilités d observer des doées idetiques ou plus biaisées que les doées réelles, das le modèle p θ. Il s agit d ue itégrale sur des probabilités, et o pas sur des vraisemblaces, et doc les valeurs de cette itégrale sot bie comprises etre 0 et 1. Ue p-value de 0 sigifie que le modèle p θ a aucu chace d expliquer les doées observées, il e peut 13
14 pas les avoir géérées, tadis qu ue p-value de 1 sigifie que tous les résultats possiblemet géérés par le modèle p θ sot plus extrêmes que ceux qui ot été observés. La p-value est la probabilité que les doées observées (ou mieux) aiet été géérées si l hypothèse ulle est vraie. Vraisemblace Desité de probabilité θ 0 θ * Paramètre Desité de probabilité p valeur p value θ 0 obs Résultats possibles Figure 1 Relatio etre vraisemblace et p-value Preos comme exemple la figure 1. Das la partie supérieure de la figure, o voit la vraisemblace de chaque modèle e foctio de la valeur du paramètre p. Le maximum de vraisemblace doerait das ce cas p θ comme valeur du paramètre représetat au mieux les doées. Supposos que l o se pose la questio : est ce que la valeur θ du paramètre correspodrait éamois bie aux doées observées? O peut se poser la questio, par exemple si ue autre étude sur le sujet a doé θ comme valeur de référece. Das ce cas, il existe plusieurs approches. Certaies sot basées directemet sur la comparaiso des vraisemblaces des modèles, et e serot pas abordées das 14
15 ce cours. D autres cosistet à effectuer u test d hypothèse, avec comme hypothèse ulle H 0 : Le modèle p θ explique bie les doées. Ce test est schématisé sur la deuxième partie de la figure, où l o représete la probabilité d observer différets résultats (placés de maière abstraites sur l axe des abcisses, ce qui simule ue situatio où le résultat mesuré est ue seule variable réelle), avec la courbe tracée représetat la probabilité d observer ces résultats das le modèle p θ. U test uilatŕal de l hypothèse p θ cosiste à poser la questio : est ce que la probabilité que le modèle p θ ait gééré u résultat au mois aussi bo que celui qui a été observé (oté obs sur la figure) est iférieure à u seuil doé? Le seuil correspod e pratique au risque de première espèce α que l o choisit avat l expériece comme seuil de sigificativité. La partie de la figure e bleu correspod à la probabilité e questio, que l o appelle p-value e aglais (le terme fraçais de p-valeur est peu usité). Notre test cosiste doc à comparer la p-value du modèle choisi sur les doées observées à u seuil défii à l avace, oté α. Si la p-value est iférieure au seuil α, o pourra rejeter le modèle p θ car il a trop peu de chaces d avoir gééré les doées observées. Sio, o cocluera que les doées e permettet pas de rejeter le modèle pré-existat p θ (et ce, même si ce modèle e maximise pas la vraisemblace des doées observées... ). Cette approche de la vraisemblace pour la costructio de tests et d IC est détaillée sur u autre exemple sectio 3 du poly d Ae-Béatrice Dufour, qui se trouve à l URL 15
Intégration 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 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 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 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 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 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 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 détailCours de Statistiques inférentielles
Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios
Plus en 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 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 détail1 Mesure et intégrale
1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios
Plus en détailSÉRIES 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 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 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 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 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 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 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 détailConvergences 2/2 - le théorème du point fixe - Page 1 sur 9
Au sommaire : Suites extraites Le théorème de Bolzao-Weierstrass La preuve du théorème de Bolzao-Weierstrass3 Foctio K-cotractate4 Le théorème du poit fixe5 La preuve du théorème du poit fixe6 Utilisatios
Plus en détailCours 5 : ESTIMATION PONCTUELLE
Cours 5 : ESTIMATION PONCTUELLE A- Gééralités B- Précisio d u estimateur C- Exhaustivité D- iformatio E-estimateur sas biais de variace miimale, estimateur efficace F- Quelques méthode s d estimatio A-
Plus en 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 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 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 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 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 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 détailSuites et séries de fonctions
[http://mp.cpgedupuydelome.fr] édité le 3 avril 5 Eocés Suites et séries de foctios Propriétés de la limite d ue suite de foctios Eercice [ 868 ] [correctio] Etablir que la limite simple d ue suite de
Plus en 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 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 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 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 détail55 - EXEMPLES D UTILISATION DU TABLEUR.
55 - EXEMPLES D UTILISATION DU TABLEUR. CHANTAL MENINI 1. U pla possible Les exemples qui vot suivre sot des pistes possibles et e aucu cas ue présetatio exhaustive. De même je ai pas fait ue étude systématique
Plus en 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 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 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 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 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 détailStatistique Numérique et Analyse des Données
Statistique Numérique et Aalyse des Doées Arak DALALYAN Septembre 2011 Table des matières 1 Élémets de statistique descriptive 9 1.1 Répartitio d ue série umérique uidimesioelle.............. 9 1.2 Statistiques
Plus en 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 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 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 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 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 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 détailUniversité Victor Segalen Bordeaux 2 Institut de Santé Publique, d Épidémiologie et de Développement (ISPED) Campus Numérique SEME
Uiversité Victor Segale Bordeaux Istitut de Saté Publique, d Épidémiologie et de Développemet (ISPED) Campus Numérique SEME MODULE Pricipaux outils e statistique Versio du 8 août 008 Écrit par : Relu par
Plus en détailChapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.
Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES PLAN DU CHAPITRE 2 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.1 Pla de sodage 2.2.2 Probabilités d iclusio 2.3 SONDAGE
Plus en détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
1 / 9 Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Le cycle d exploitatio des etreprises (achats stockage productio stockage vetes) peut etraîer des décalages de trésorerie plus
Plus en 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 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 détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Les etreprises ot souvet besoi de moyes de fiacemet à court terme : elles ot alors recours aux crédits bacaires (découverts bacaires
Plus en 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 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 détail4 Approximation des fonctions
4 Approximatio des foctios Ue foctio f arbitraire défiie sur u itervalle I et à valeur das IR peut être représetée par so graphe, ou de maière équivalete par la doée de l esemble de ses valeurs f(t) pour
Plus en 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 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 détailTerminale S. Terminale S 1 F. Laroche
Termiale S Exercices. Rappels et exercices de base 3.. QCM (P. Egel) 3.. QCM, Atilles 005 4. 3. QCM, Liba 009, 3 poits 4. 4. QCM, C. étragers 007. 5. QCM, Frace 007 5 6. 6. QCM, N. Calédoie 007 7. 7. QCM
Plus en détailÉchantillonnage et estimation
Stage «Nouveaux programmes de Termiale S» - Ho Chi Mih-Ville Novembre 202 Échatilloage et estimatio Partie C - Frédéric Barôme page Échatilloage et estimatio Partie C : Capacités et exercices-types. Rappelos
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Séries etières Eercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Eercice
Plus en détailUniversité de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent http://www.math.u-bordeaux.fr/ machaven/ 2014-2015
Uiversité de Bordeaux - Master MIMSE - 2ème aée Scorig Marie Chavet http://www.math.u-bordeaux.fr/ machave/ 2014-2015 1 Itroductio L idée géérale est d affecter ue ote (u score) global à u idividu à partir
Plus en 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 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 détailUniversité Pierre et Marie Curie. Biostatistique PACES - UE4 2013-2014
Uiversité Pierre et Marie Curie Biostatistique PACES - UE4 2013-2014 Resposables : F. Carrat et A. Mallet Auteurs : F. Carrat, A. Mallet, V. Morice Mise à jour : 21 octobre 2013 Relecture : V. Morice,
Plus en détailStatistiques appliquées à la gestion Cours d analyse de donnés Master 1
Aalyse des doées Statistiques appliquées à la gestio Cours d aalyse de doés Master F. SEYTE : Maître de coféreces HDR e scieces écoomiques Uiversité de Motpellier I M. TERRAZA : Professeur de scieces écoomiques
Plus en détailDes résultats d irrationalité pour deux fonctions particulières
Collect. Math. 5, 00, 0 c 00 Uiversitat de Barceloa Des résultats d irratioalité pour deux foctios particulières Richard Choulet 7, Rue du 4 Août, 40 Aveay, Frace E-mail: richardchoulet@waadoo.fr Received
Plus en détailTempêtes : Etude des dépendances entre les branches Automobile et Incendie à l aide de la théorie des copulas Topic 1 Risk evaluation
Tempêtes : Etude des dépedaces etre les braches Automobile et Icedie à l aide de la théorie des copulas Topic Risk evaluatio Belguise Olivier Charles Levi ACM Guy Carpeter 34 rue du Wacke 47/53 rue Raspail
Plus en détail3.1 Différences entre ESX 3.5 et ESXi 3.5 au niveau du réseau. Solution Cette section récapitule les différences entre les deux versions.
3 Réseau Le réseau costitue u aspect essetiel d u eviroemet virtuel ESX. Il est doc importat de compredre la techologie, y compris ses différets composats et leur coopératio. Das ce chapitre, ous étudios
Plus en 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 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 détailRÈGLES ORDINALES : UNE GÉNÉRALISATION DES RÈGLES D'ASSOCIATION
RÈGLES ORDIALES : UE GÉÉRALISATIO DES RÈGLES D'ASSOCIATIO SYLVIE GUILLAUME ALI KHECHAF 2 RÉSUMÉ: La plupart des mesures des règles cocere les variables biaires et écessite pour les autres types de variables
Plus en détailLa maladie rénale chronique
La maladie réale chroique Qu est-ce que cela veut dire pour moi? Natioal Kidey Disease Educatio Program La maladie réale chroique: l essetiel Vous avez été iformé(e) que vous êtes atteit(e) de la maladie
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailRESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *)
RESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *) *) Uiversité de Blida Faculté des scieces Départemet de Mathématiques. BP 270, Route de Soumaa. Blida, Algérie. Tel &
Plus en détailInitiation à l analyse factorielle des correspondances
Fiche TD avec le logiciel : tdr620b Iitiatio à l aalyse factorielle des correspodaces A.B. Dufour & M. Royer & J.R. Lobry Das cette fiche, o étudie l Aalyse Factorielle des Correspodaces. Cette techique
Plus en 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 détailEtude Spéciale SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT?
Etude Spéciale o. 7 Javier 2003 SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT? MARK SCHNEIDER Le CGAP vous ivite à lui faire part de vos commetaires, de vos rapports et de toute demade d evoid autres
Plus en 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 détailUNIVERSITÉ DE SFAX École Supérieure de Commerce
UNIVERSITÉ DE SFAX École Supérieure de Commerce Aée Uiversitaire 2003 / 2004 Auditoire : Troisième Aée Études Supérieures Commerciales & Scieces Comptables DÉCISIONS FINANCIÈRES Note de cours N 3 Première
Plus en 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 détailComment les Canadiens classent-ils leur système de soins de santé?
Novembre Les sois de saté au Caada, c est capital bulleti o 4 Commet les Caadies classet-ils leur système de sois de saté? Résultats du sodage iteratioal du Fods du Commowealth sur les politiques de saté
Plus en détailUn nouvel opérateur de fusion adaptatif. A new adaptive operator of fusion. 1. introduction
A ew adaptive operator of fusio par Fraçois DELMOTTE LAMIH, Uiversité de Valeciees et du Haiaut-Cambrésis, Le Mot Houy, BP 3, 5933 Valeciees CEDEX 9 fdelmott@flore.uiv-valeciees.fr résumé et mots clés
Plus en détailPOLITIQUE ECONOMIQUE ET DEVELOPPEMENT
POLTQU ONOMQU T DVLOPPMNT TRUTUR DU MAR NATONAL DU AF-AAO T PR AU PRODUTUR MALAN Beïla Beoit osultat PD N 06/008 ellule d Aalyse de Politiques coomiques du R Aée de pulicatio : Avril 009 Résumé e papier
Plus en 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 détail16.1 Convergence simple et convergence uniforme. une suite de fonctions de I dans R ou C.
16 Suites de foctios Suf précisio cotrire, I est u itervlle réel o réduit à u poit et les foctios cosidérées sot défiies sur I à vleurs réelles ou complexes. 16.1 Covergece simple et covergece uiforme
Plus en détailSommaire Chapitre 1 - L interface de Windows 7 9
Sommaire Chapitre 1 - L iterface de Widows 7 9 1.1. Utiliser le meu Démarrer et la barre des tâches de Widows 7...11 Démarrer et arrêter des programmes...15 Épigler u programme das la barre des tâches...18
Plus en 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 détailProcessus géométrique généralisé et applications en fiabilité
Processus géométrique gééralisé et applicatios e fiabilité Lauret Bordes 1 & Sophie Mercier 2 1,2 Uiversité de Pau et des Pays de l Adour Laboratoire de Mathématiques et de leurs Applicatios - Pau UMR
Plus en détailRECHERCHE DE CLIENTS simplifiée
RECHERCHE DE CLIENTS simplifiée Nous ous occupos d accroître votre clietèle avec le compte Avatage d etreprise Pour trouver des cliets potetiels grâce à u simple compte bacaire Vous cherchez des idées
Plus en détailChaînes de Markov. Arthur Charpentier
Chaîes de Markov Arthur Charpetier École Natioale de la Statistique et d Aalyse de l Iformatio - otes de cours à usage exclusif des étudiats de l ENSAI - - e pas diffuser, e pas citer - Quelques motivatios.
Plus en détailMESURE DE L'INFORMATION
MESURE DE L'INFORMATION Marc URO TABLE DES MATIÈRES INTRODUCTION... 3 INCERTITUDE D'UN ÉVÉNEMENT (OU SELF-INFORMATION)... 7 INFORMATION MUTUELLE DE DEUX ÉVÉNEMENTS... 9 ENTROPIE D'UNE VARIABLE ALÉATOIRE
Plus en détailPetit recueil d'énigmes
Petit recueil d'éigmes Patxi RITTER (*) facile (**) mois facile (***) pas facile (****) il faudra de l aide Solutios e rouge. 1) Cryptarithme (**) Trouvez la valeur de A, B et C satisfaisat l équatio suivate.
Plus en détailMécanismes de protection contre les vers
Mécaismes de protectio cotre les vers Itroductio Au cours de so évolutio, l Iteret a grademet progressé. Il est passé du réseau reliat quelques cetres de recherche aux États-Uis au réseau actuel reliat
Plus en détailCompte Sélect Banque Manuvie Guide du débutant
GUIDE DU DÉBUTANT Compte Sélect Baque Mauvie Guide du débutat Besoi d aide? Preez quelques miutes pour lire attetivemet votre Guide du cliet. Le préset Guide du débutat vous facilitera l utilisatio de
Plus en détailRéseaux d ondelettes et réseaux de neurones pour la modélisation statique et dynamique de processus
Réseaux d odelettes et réseaux de euroes pour la modélisatio statique et dyamique de processus Yacie Oussar To cite this versio: Yacie Oussar. Réseaux d odelettes et réseaux de euroes pour la modélisatio
Plus en détailII - Notions de probabilité. 19/10/2007 PHYS-F-301 G. Wilquet 1
II - Notos de probablté 9/0/007 PHYS-F-30 G. Wlquet Ue varable aléatore est ue varable dot la valeur e peut être prédte avec certtude mas dot la probablté d occurrece d ue valeur (varable dscrète) ou d
Plus en 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 détailRésolution numérique des équations aux dérivées partielles (PDE)
Résolutio umérique des équatios au dérivées partielles (PDE Sébastie Charoz & Adria Daerr iversité Paris 7 Deis Diderot CEA Saclay Référeces : Numerical Recipes i Fortra, Press. Et al. Cambridge iversity
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
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 détailMUTUELLE D&O MUTUELLE D&O. Copilote de votre santé. AGECFA-Voyageurs CARCEPT CARCEPT-Prévoyance CRC CRIS CRPB-AFB
MUTUELLE D&O MUTUELLE D&O Copilote de votre saté AGECFA-Voyageurs CARCEPT CARCEPT-Prévoyace CRC CRIS CRPB-AFB DOMISSIMO-Assuraces DOMISSIMO-Services FONGECFA-Trasport IPRIAC MUTUELLE D&O OREPA-Prévoyace
Plus en détail