STATISTIQUE : TESTS D HYPOTHESES

Dimension: px
Commencer à balayer dès la page:

Download "STATISTIQUE : TESTS D HYPOTHESES"

Transcription

1 STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée Jea-Jacques Ruch

2

3 Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie 6 2.b. Hypothèse ulle - hypothèse alterative 6 2.c. Statistique et iveau de sigificatio 6 3. Risques d erreur 7 4. Puissace d u test 8 Chapitre II. Foctio de répartitio empirique 9. Itroductio 9 2. Théorème de Gliveko-Catelli 0 3. Test de Kolmogorov 4. Test de Kolmogorov-Smirov 2

4

5 CHAPITRE I Gééralités sur les tests. Itroductio U test d hypothèse est u procédé d iférece permettat de cotrôler (accepter ou rejeter) à partir de l étude d u ou plusieurs échatillos aléatoires, la validité d hypothèses relatives à ue ou plusieurs populatios. Les méthodes de l iférece statistique ous permettet de détermier, avec ue probabilité doée, si les différeces costatées au iveau des échatillos peuvet être imputables au hasard ou si elles sot suffisammet importates pour sigifier que les échatillos provieet de populatios vraisemblablemet différetes. O distiguera deux classes de tests : - Les tests paramétriques requieret u modèle à fortes cotraites (ormalité des distributios ou approximatio ormale pour des grads échatillos). Ces hypothèses sot d autat plus difficiles à vérifier que les effectifs étudiés sot plus réduits. - Les tests o paramétriques sot des tests dot le modèle e précise pas les coditios que doivet remplir les paramètres de la populatio dot a été extrait l échatillo. Il y a pas d hypothèse de ormalité au préalable. Les tests paramétriques, quad leurs coditios sot remplies, sot les plus puissats que les tests o paramétriques. Les tests o paramétriques s emploiet lorsque les coditios d applicatios des autres méthodes e sot pas satisfaites, même après d évetuelles trasformatio de variables. Ils peuvet s utiliser même pour des échatillos de taille très faible. O ditigue les tests suivat : - Le test de coformité cosiste à cofroter u paramètre calculé sur l échatillo à ue valeur pré-établie. Les plus cous sot certaiemet les tests portat sur la moyee, la variace ou sur les proportios. O coaît la loi théorique e gééral la loi ormale. Par exemple, das u jeu de dés à 6 faces, o sait que la face 3 a ue probabilité de /6 d apparaître. O demade à u joueur de lacer (sas précautios particulières) 00 fois le dé, o teste alors si la fréquece d apparitio de la face 3 est compatible avec la probabilité /6. Si ce est pas le cas, o peut se poser des questios sur l itégrité du dé. - Le test d ajustemet ou d adéquatio cosiste à vérifier la compatibilité des doées avec ue distributio choisie a priori. Le test le plus utilisé das cette optique est le test d ajustemet à la loi ormale, qui permet esuite d appliquer u test paramétrique. - Le test d homogééité ou de comparaiso cosiste à vérifier que K(K 2) échatillos (groupes) provieet de la même populatio ou, cela reviet à la même chose, que la distributio de la variable d itérêt est la même das les K échatillos. Y a-t-il ue différece etre le taux de glucose moye mesuré pour deux échatillos d idividus ayat reçu des traitemets différets? - Le test d idépedace ou d associatio cosiste à éprouver l existece d ue liaiso etre 2 variables. Les techiques utilisées diffèret selo que les variables sot qualitatives omiales, ordiales ou quatitatives. Est-ce que la distributio de la couleur des yeux observée das la populatio fraçaise fréqueces est idépedate du sexe des idividus?

6 6 Chapitre I. Gééralités sur les tests 2.a. Méthodologie. 2. Pricipe des tests Le pricipe des tests d hypothèse est de poser ue hypothèse de travail et de prédire les coséqueces de cette hypothèse pour la populatio ou l échatillo. O compare ces prédictios avec les observatios et l o coclut e acceptat ou e rejetat l hypothèse de travail à partir de règles de décisios objectives. Défiir les hypothèses de travail, costitue u élémet essetiel des tests d hypothèses de même que vérifier les coditios d applicatio de ces derières. Différetes étapes doivet être suivies pour tester ue hypothèse : () défiir l hypothèse ulle, otée H 0, à cotrôler ; (2) choisir ue statistique pour cotrôler H 0 ; (3) défiir la distributio de la statistique sous l hypothèse «H 0 est réalisée» ; (4) défiir le iveau de sigificatio du test α et la régio critique associée ; (5) calculer, à partir des doées fouries par l échatillo, la valeur de la statistique ; (6) predre ue décisio cocerat l hypothèse posée. 2.b. Hypothèse ulle - hypothèse alterative. L hypothèse ulle otée H 0 est l hypothèse que l o désire cotrôler : elle cosiste à dire qu il existe pas de différece etre les paramètres comparés ou que la différece observée est pas sigificative et est due aux fluctuatios d échatilloage. Cette hypothèse est formulée das le but d être rejetée. L hypothèse alterative otée H est la "égatio" de H 0, elle est équivalete à dire «H 0 est fausse». La décisio de rejeter H 0 sigifie que H est réalisée ou H est vraie. Remarque : Il existe ue dissymétrie importate das les coclusios des tests. E effet, la décisio d accepter H 0 est pas équivalete à «H 0 est vraie et H est fausse». Cela traduit seulemet l opiio selo laquelle, il y a pas d évidece ette pour que H 0 soit fausse. U test coduit à rejeter ou à e pas rejeter ue hypothèse ulle jamais à l accepter d emblée. La ature de H 0 détermie la faço de formuler H et par coséquet la ature uilatérale ou bilatérale du test. O parle de test bilatéral lorsque l hypothèse alterative se "décompose e deux parties". Par exemple si H 0 cosiste à dire que la populatio estudiatie avec ue fréquece de fumeurs p est représetative de la populatio globale avec ue fréquece de fumeurs p 0, o pose alors : H 0 : p = p 0 et H : p p 0. Le test sera bilatéral car o cosidère que la fréquece p peut être supérieure ou iférieure à la fréquece p 0. O parle de test uilatéral lorsque l hypothèse alterative se "compose d ue seule partie". Par exemple si l o fait l hypothèse que la fréquece de fumeurs das la populatio estudiatie p est supérieure à la fréquece de fumeurs das la populatio p 0, o pose alors H 0 : p = p 0 et H : p > p 0. Le test sera uilatéral car o cosidère que la fréquece p e peut être que supérieure à la fréquece p 0. Il aurait été possible égalemet d avoir : H 0 : p = p 0 et H : p < p 0 2.c. Statistique et iveau de sigificatio. Ue statistique est ue foctio des variables aléatoires représetat l échatillo. Le choix de la statistique déped de la ature des doées, du type d hypothèse que l o désire cotrôler, des affirmatios que l o peut admettre cocerat la ature des populatios étudiées.... La valeur umérique de la statistique obteue pour l échatillo cosidéré permet de distiguer etre H 0 vraie et H 0 fausse. Coaissat la loi de probabilité suivie par la statistique S sous l hypothèse H 0, il est possible d établir ue valeur seuil, S seuil de la statistique pour ue probabilité doée appelée le iveau de sigificatio α du test. La régio critique R c = f(s seuil ) correspod à l esemble des valeurs telles que : P(S R c ) = α. Selo la ature uilatérale ou bilatérale du test, la défiitio de la régio critique varie. Test Uilatéral Bilatéral H 0 : t = t 0 H 0 : t = t 0 Hypothèse alterative H : t > t 0 H : t < t 0 H : t t 0 Niveau de sigificatio P(S > S seuil ) = α P(S < S seuil ) = α P( S > S seuil ) = α

7 3. Risques d erreur 7 Il existe deux stratégies pour predre ue décisio e ce qui cocere u test d hypothèse : la première stratégie fixe à priori la valeur du seuil de sigificatio α et la secode établit la valeur de la probabilité critique α obs à posteriori. Règle de décisio : Sous l hypothèse «H 0 est vraie» et pour u seuil de sigificatio α fixé - si la valeur de la statistique S obs calculée appartiet à la régio critique alors l hypothèse H 0 est rejetée au risque d erreur α et l hypothèse H est acceptée ; - si la valeur de la statistique S obs appartiet pas à la régio critique alors l hypothèse H 0 e peut être rejetée. Remarque : Le choix du iveau de sigificatio ou risque α est lié aux coséqueces pratiques de la décisio ; e gééral o choisira α = 0, 05, 0, 0 ou 0, 00. Règle de décisio 2 : La probabilité critique α telle que P (S S obs ) = α obs est évaluée - si α obs α l hypothèse H 0 est acceptée car le risque d erreur de rejeter H 0 alors qu elle est vrai est trop importat ; - si α obs < α l hypothèse H 0 est rejetée car le risque d erreur de rejeter H 0 alors qu elle est vrai est très faible. 3. Risques d erreur Défiitio. O appelle risque d erreur de première espèce la probabilité de rejeter H 0 et d accepter H alors que H 0 est vraie. Ceci se produit si la valeur de la statistique de test tombe das la régio de rejet alors que l hypothèse H 0 est vraie. La probabilité de cet évèemet est le iveau de sigifiatio α. O dit aussi que le iveau de sigificatio est la probabilité de rejeter l hypothèse ulle à tort. Remarque : La valeur du risque α doit être fixée a priori par l expérimetateur et jamais e foctio des doées. C est u compromis etre le risque de coclure à tort et la faculté de coclure. La régio critique dimiue lorsque α décroît (voir itervalle de cofiace) et doc o rejette mois fréquemmet H 0. A vouloir commettre mois d erreurs, o coclut plus raremet. Exemple : Si l o cherche à tester l hypothèse qu ue pièce de moaie est pas «truquée», ous allos adopter la règle de décisio suivate : H 0 : la pièce est pas truquée est acceptée si X [40, 60] rejetée si X [40, 60] doc soit X < 40 ou X > 60 avec X «ombre de faces» obteus e laçat 00 fois la pièce. Le risque d erreur de première espèce est α = P(B(00, /2) [40, 60]). Défiitio 2. O appelle risque d erreur de secode espèce, otée β la probabilité de rejeter H et d accepter H 0 alors que H est vraie. Ceci se produit si la valeur de la statistique de test e tombe pas das la régio de rejet alors que l hypothèse H est vraie. Remarque : : Pour quatifier le risque β, il faut coaître la loi de probabilité de la statistique sous l hypothèse H. Exemple : Si l o repred l exemple précédet de la pièce de moaie, et que l o suppose la probabilité d obteir face est de 0, 6 pour ue pièce truquée. E adoptat toujours la même règle de décisio : H 0 : la pièce est pas truquée

8 8 Chapitre I. Gééralités sur les tests est acceptée si X [40, 60] rejetée si X [40, 60] doc soit X < 40 ou X > 60 avec X «ombre de faces» obteues e laçat 00 fois la pièce. Le risque de secode espèce est β = P(B(00, 0, 6) [40, 60]). 4. Puissace d u test Rappelos que les tests e sot pas faits pour «démotrer» H 0 mais pour «rejeter» H 0. L aptitude d u test à rejeter H 0 alors qu elle est fausse costitue la puissace du test. Défiitio 3. O appelle puissace d u test, la probabilité de rejeter H 0 et d accepter H alors que H est vraie. Sa valeur est β La puissace d u test est foctio de la ature de H, u test uilatéral est plus puissat qu u test bilatéral. Elle augmete avec taille de l échatillo N étudié, et dimiue lorsque α dimiue. La robustesse d ue techique statistique représete sa sesibilité à des écarts aux hypothèses faites. Les différetes situatios que l o peut recotrer das le cadre des tests d hypothèse sot résumées das le tableau suivat : Décisio Réalité H 0 vraie H vraie H 0 acceptée correct maque de puissace risque de secode espèce β H acceptée rejet à tort puissace du test risque de premières espèce α β O peut aussi voir cela sur le graphique suivat :

9 CHAPITRE II Foctio de répartitio empirique Das ce chapitre, o s itéresse à l estimatio de la loi d ue variable aléatoire aisi qu aux problèmes de tests associés. Pour traiter ces questios, ous allos chercher à estimer la foctio de répartitio de cette variable. Nous sommes doc cofrotés à u problème de statistique o-paramétrique. Pour traiter ce problème, o utilisera la otio de foctio de répartitio empirique.. Itroductio O cosidère u échatillo (X,..., X ) d ue variable aléatoire X. O ote F la foctio de répartitio de X, c est-à-dire : t R, F (t) = P(X t) = P(X i t) C est cette foctio F que ous allos chercher à estimer e itroduisat la foctio de répartitio empirique. Défiitio. La foctio de répartitio empirique associée à cet échatillo est la foctio : R [0, ] t F (t) = {X i t} Remarque Pour tout t R, la variable aléatoire F (t) suit la loi biomiale B(, F (t)). Pour représeter la foctio F, o itroduit la statistique d ordre (X (),..., X () ) associée à l échatillo (X,..., X ) défiie par O a alors : O e déduit le résultat suivat. {X (),..., X () } = {X,..., X } et X () X (). t R, F (t) = {X(i) t} Propositio 2. La foctio F est ue foctio e escalier, croissate, cotiue à droite et admettat ue limite à gauche. Elle est discotiue aux poits (X (i) ) i et costate sur [X (i), X (i+) [ pour i {,..., }. La foctio F (t) est u estimateur aturel de F (t), comme ous allos le voir das le résultat suivat. Propositio 3. O a pour tout t R, F (t) est u estimateur sas biais et fortemet cosistat de F (t). Par ailleurs, o a L t R, (F (t) F (t)) N (0, F (t)( F (t)). + Démostratio. Le calcul de l espérace motre que l estimateur est sas biais. De plus, la loi forte des grads ombres appliquée aux variables aléatoires i.i.d. {Xi t} (borées doc itégrable) tels que E[ {Xi t}] = P(X i t) = F (t) etraîe la covergece presque sûre. Le derier poit découle du théorème cetral limite.

10 0 Chapitre II. Foctio de répartitio empirique Das les sectios suivates, ous allos ous itéresser o pas à la covergece poctuelle simple de F vers F mais à la covergece uiforme. Notos que la discotiuité de F présete des icovéiets théoriques évidets das l optique d estimer F. Néamois, comme elle est costate par morceaux, elle est simple à costruire e pratique. Das les sectios suivates, ous auros besoi de l outil de la foctio iverse gééralisée : x ]0, [, F (x) = if {t R : F (t) x}. Propositio 4. (Ouvrard p. 29) La foctio iverse gééralisée se cofod avec l iverse de F quad F est bijective. Elle possède les propriétés suivates : - La mootoie de F etraîe t R, x ]0, [, F (t) x t F (x) - Si U U([0, ]) alors F (U) est ue variable aléatoire dot la foctio de répartitio est F. - Si Z est ue variable aléatoire de foctio de répartitio F cotiue alors F (Z) U([0, ]) 2. Théorème de Gliveko-Catelli Le résultat de cette sectio reforce le théorème de la loi forte des grads ombres. Théorème 5. Théorème de Gliveko-Catelli Soit (X i ) i ue suite de variables aléatoires i.i.d. de foctio de répartitio F. O pose : t R, F (t) = {Xi t}. Alors o a : sup F (t) F (t) 0 p.s. Démostratio. D après la loi forte des grads ombres (comme das la propositio 3), o a pour tout t R fixé, F (t)(ω) F (t)(ω) pour presque tout ω. Il reste à voir que la covergece est uiforme e t. Si o pose : V = sup {Xi t} F (t). Soit (U k ) k ue suite de variable aléatoires idépedates idetiquemet distribuées de loi U([0, ]). O a alors les égalités e loi suivates : V = sup {Xi t} F (t) = sup {F (U i) t} F (t) = sup {Ui F (t)} F (t) Si o pose s = F (t), il viet : sup {Ui F (t)} F (t) = sup s F (R) {Ui s} s sup s [0,] {Ui s} s Aisi il suffit de motrer que le théorème est vrai das le cas particulier où les variables X i = (U i ) suivet des lois uiformes sur [0, ]. Grâce à la loi des grads ombres, o sait que pour tout s R, il existe u esemble égligeable N s Ω vérifiat : ω Ω\N s, {Ui s} s.

11 3. Test de Kolmogorov Comme ue réuio déombrable d esembles égligeables est ecore égligeable, o e déduit l existece d ue partie égligeable N Ω telle que : ω Ω\N, s [0, ] Q, {Ui s} s. E fait la croissace de s Pour chaque ω Ω\N, {Ui s} fait que l o a : ω Ω\N, s [0, ], {Ui s} s. {Ui s} coverge doc simplemet vers s sur [0, ]. Le théorème de Dii ous permet alors de coclure que la covergece est uiforme. 3. Test de Kolmogorov Le théorème de Gliveko-Catelli est ue gééralisatio de la loi forte des grads ombres au cas oparamétrique. La gééralisatio du TCL est doée par le théorème qui suit. La statistique itroduite das ce théorème ous permettra de costruire u test d ajustemet à ue loi (test de Kolmogorov). Das le même esprit, ous costruiros aussi u test d homogééité (test de Kolmogorov - Smirov). Propositio 6. Soit (X (),..., X () ) u -échatillo issu de X. O ote F la foctio de répartitio de X et F la foctio de répartitio empirique. Si F est cotiue alors la loi de e déped pas de F. D(F, F ) = sup F (t) F (t) Démostratio. O a, e posat x = F (t), D(F, F ) = sup F (t) F (t) = sup {Xi t} F (t) = sup {F (Xi) F (t)} F (t) = sup {Ui x} x d où le résultat. x [0,] Le résultat pricipal de cette sectio est le suivat. Théorème 7. O suppose que l o a les mêmes hypothèses que ci-dessus. Alors la variable aléatoire D(F, F ) coverge e loi, vers ue loi limite qui e déped pas de F et dot la foctio de répartitio est égale à : O a doc, pour λ > 0, + t 0, F KS (t) = + 2 ( ) k exp ( 2k 2 t 2 ) k= P( + D(F, F ) λ) + 2 ( ) k exp ( 2k 2 λ 2 ) k= Ce théorème est admis. Nous pouvos doc costruire u test d ajustemet à ue loi, dit test de Kolmogorov. O peut d abord

12 2 Chapitre II. Foctio de répartitio empirique remarquer que si o réordoe de maière croissate l échatillo, (X (),..., X () ) alors F (X (j) ) = j/ et ( D(F, F ) = max max j j F (X (j)), F (X (j) ) j ) Si o veut tester que la loi de l échatillo a pour foctio de répartitio F 0, c est-à-dire H 0 : F = F 0 cotre H : F = F, o commece par réordoer l échatillo. Puis o calcule D(F, F ), e remarquat que sous H 0, o a D(F, F ) = D(F, F 0 ). Puis o cherche (das ue table) le quatile k α de la loi de Kolmogorov. O accepte alors H 0 si D(F, F 0 ) < D(F, F 0 ). Ce test est asymptotiquemet de iveau α et sa puissace ted vers quad ted vers Test de Kolmogorov-Smirov Das le même esprit, ous allos costruire u test d homogééité. O observe deux échatillos de taille respective et m, (X,..., X ) et (Y,..., Y m ). O veut tester si les deux échatillos sot issus d ue même loi (évetuellemet icoue). O ote F la foctio de répartitio de chacue des variables X i et G la foctio de répartitio de chacue des variables Y i. O veut tester H 0 : F = G cotre H : F G. Pour cela, o itroduit : t R, F (t) = {Xi t} et G m (t) = m {Yi t} m et o pose O a le résultat suivat. Théorème 8. D m, = sup F (t) G m (t). Avec les hypothèses doées ci-dessus o a, sous "H 0 : F = G" : m + P( + m D m, λ) + 2 ( ) k exp ( 2k 2 λ 2 ) k= Ceci permet alors de costruire u test sur le même modèle que ci-dessus.

13 Idex foctio de répartitio empirique, 9 foctio iverse gééralisée, 0 hypothèse alterative, 6 hypothèse ulle, 6 iveau de sigificatio, 6 puissace d u test, 8 risque d erreur de première espèce, 7 risque d erreur de secode espèce, 7 statistique, 6 test bilatéral, 6 test bilatérale, 6 test d ajustemet ou d adéquatio, 5 test d homogééité ou de comparaiso, 5 test d hypothèse, 5 test d idépedace ou d associatio, 5 test de coformité, 5 test de Kolmogorov, test uilatéral, 6 test uilatérale, 6 tests o paramétriques, 5 tests paramétriques, 5 Théorème de Gliveko-Catelli, 0

. (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

. (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 détail

Loi binomiale. Niveau : Première S + SUP (Convergence) Prérequis : Variable aléatoire, espérance, variance, théorème limite central, loi de Poisson

Loi binomiale. Niveau : Première S + SUP (Convergence) Prérequis : Variable aléatoire, espérance, variance, théorème limite central, loi de Poisson 4 L E Ç O N Loi biomiale Niveau : Première S + SUP (Covergece) Prérequis : Variable aléatoire, espérace, variace, théorème limite cetral, loi de Poisso 1 Loi de Beroulli Défiitio 41 Loi de Beroulli Soit

Plus en détail

Cours de Statistiques inférentielles

Cours 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 détail

Chapitre 3 : Fonctions d une variable réelle (1)

Chapitre 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 détail

Statistique descriptive bidimensionnelle

Statistique 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 détail

Limites des Suites numériques

Limites 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

Chapitre 13. Statistiques et probabilités. Sommaire

Chapitre 13. Statistiques et probabilités. Sommaire 13 Chapitre Chapitre 13 Statistiques et probabilités Les statistiques et les probabilités occupet ue place importate das l eseigemet de certaies classes préparatoires Les pricipales foctios écessaires

Plus en détail

II LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009

II 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 détail

Intégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :

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 détail

Processus et martingales en temps continu

Processus 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 détail

1 Mesure et intégrale

1 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 détail

UNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4

UNIVERSITE 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 détail

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1)

I. Quitte ou double. Pour n = 1 : C 0 + (2p 1) E (M k ) = C 0 + (2p 1) E (M 1 ) = E (C 1 ) d après le 1. Soit n N tel que E (C n ) = C 0 + (2p 1) Corrigé ESSEC III 008 par Pierre Veuillez Das certaies situatios paris sportifs, ivestissemets fiaciers..., o est ameé à miser de l arget de faço répétée sur des paris à espérace favorable. O se propose

Plus en détail

FEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI

FEUILLE 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 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 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n = [http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.

Plus en détail

14 Chapitre 14. Théorème du point fixe

14 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 détail

STATISTIQUE AVANCÉE : MÉTHODES

STATISTIQUE AVANCÉE : MÉTHODES STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN Table des matières 1 Itroductio 5 2 Modèle de desité 7 2.1 Estimatio par istogrammes............................

Plus en détail

4 Approximation des fonctions

4 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 détail

CHAPITRE 2 SÉRIES ENTIÈRES

CHAPITRE 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 détail

Bio-Statistique. 1 ère partie. Discipline : Bio-statistique, Bio-mathématique et Sciences de l Information

Bio-Statistique. 1 ère partie. Discipline : Bio-statistique, Bio-mathématique et Sciences de l Information Bio-Statistique 1 ère partie Disciplie : Bio-statistique, Bio-mathématique et Scieces de l Iformatio OBJECTIFS PEDAGOGIQUES Réaliser l importace du problème de la variabilité ihérete au doées médicales,

Plus en détail

Séquence 5. La fonction logarithme népérien. Sommaire

Séquence 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 détail

Dénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions

Dénombrement. 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 détail

Cours 5 : ESTIMATION PONCTUELLE

Cours 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 détail

Principes et Méthodes Statistiques

Principes 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 détail

Etude de la fonction ζ de Riemann

Etude 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 détail

Apprentissage: cours 3a Méthodes par moyennage local

Apprentissage: cours 3a Méthodes par moyennage local Appretissage: cours 3a Méthodes par moyeage local Guillaume Oboziski 1 er mars 2012 Réferece : chap. 6 of [Hastie et al., 2009] ad chap. 6 of [Devroye et al., 1996]. Algorithmes par moyeage local O cosidère

Plus en détail

Chap. 5 : Les intérêts (Les calculs financiers)

Chap. 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 détail

Statistique Numérique et Analyse des Données

Statistique Numérique et Analyse des Données Statistique Numérique et Aalyse des Doées Arak DALALYAN Septembre 2011 Table des matières 1 Élémets de statistique descriptive 9 1.1 Répartitio d ue série umérique uidimesioelle.............. 9 1.2 Statistiques

Plus en détail

Université Victor Segalen Bordeaux 2 Institut de Santé Publique, d Épidémiologie et de Développement (ISPED) Campus Numérique SEME

Université Victor Segalen Bordeaux 2 Institut de Santé Publique, d Épidémiologie et de Développement (ISPED) Campus Numérique SEME Uiversité Victor Segale Bordeaux Istitut de Saté Publique, d Épidémiologie et de Développemet (ISPED) Campus Numérique SEME MODULE Pricipaux outils e statistique Versio du 8 août 008 Écrit par : Relu par

Plus en détail

Inégalités souvent rencontrées

Inégalités souvent rencontrées Iégalités souvet recotrées Recotres Putam 004 Uiversité de Sherbrooke Jea-Philippe Mori Théorie Certaies iégalités sot deveues célèbres e raiso de leur grade utilité Elles sot aussi souvet au coeur de

Plus en détail

Séries réelles ou complexes

Séries 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 détail

Convergences 2/2 - le théorème du point fixe - Page 1 sur 9

Convergences 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 détail

Chapitre 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. 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 détail

Dénombrement. Chapitre 1. 1.1 Enoncés des exercices

Dénombrement. 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

SÉRIES STATISTIQUES À DEUX VARIABLES

SÉRIES 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 détail

Statistiques appliquées à la gestion Cours d analyse de donnés Master 1

Statistiques 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 détail

LES PROBABILITÉS POUR LES OPTIONS B, C ET D

LES PROBABILITÉS POUR LES OPTIONS B, C ET D LES PROBABILITÉS POUR LES OPTIONS B, C ET D PRÉPARATION À L AGRÉGATION EXTERNE DE MATHÉMATIQUES DE L UNIVERSITÉ RENNES 1 1 ANNÉE 2009/2010 1. ESPACE PROBABILISÉ - VARIABLE ALÉATOIRE 1.1 ESPACE PROBABILISÉ

Plus en détail

Comportement d'une suite

Comportement 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 détail

TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 )

TRANSFERT 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 détail

Processus géométrique généralisé et applications en fiabilité

Processus 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 détail

Probabilités et statistique pour le CAPES

Probabilités 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 détail

Maîtrise de Mathématiques TER Le bandit manchot à deux bras

Maîtrise de Mathématiques TER Le bandit manchot à deux bras Maîtrise de Mathématiques TER Le badit machot à deux bras Deis Cousieau Sous la directio de Jea-Michel Loubes Septembre 2003 Table des matières 1 Présetatio du problème 2 1.1 Exemple de la machie à sous,

Plus en détail

2 ième partie : MATHÉMATIQUES FINANCIÈRES

2 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 détail

Université Pierre et Marie Curie. Biostatistique PACES - UE4 2013-2014

Université 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 détail

20. Algorithmique & Mathématiques

20. 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 détail

Échantillonnage et estimation

Échantillonnage 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

c. Calcul pour une évolution d une proportion entre deux années non consécutives

c. 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 détail

Probabilité 1 - L1 MMIA

Probabilité 1 - L1 MMIA Probabilité 1 - L1 MMIA Tra Viet Chi, vtra@u-paris10fr, Bureau E12(G) Exercice 1 (Pour démarrer) 1 Soiet A et B deux esembles Rappelez les défiitios de l itersectio A B, de l uio A B, de la différece A

Plus en détail

UNIVERSITÉ DE SFAX École Supérieure de Commerce

UNIVERSITÉ 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 détail

x +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.

x +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 détail

Suites et séries de fonctions

Suites 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 détail

Chapitre 3 : Transistor bipolaire à jonction

Chapitre 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 détail

55 - EXEMPLES D UTILISATION DU TABLEUR.

55 - 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 détail

La France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe

La 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 détail

Deuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES

Deuxième 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 détail

UV SQ 20. Automne 2006. Responsable d Rémy Garandel ( m.-el. remy.garandel@utbm.fr ) page 1

UV 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 détail

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation

Chap. 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 détail

P : Dénombrements / Probabilités en univers fini

P : Dénombrements / Probabilités en univers fini P : Déombremets / Probabilités e uivers fii Déombremet & Combiatoire P.1 O tire les cartes! O tire 5 cartes das u jeu de 32 cartes usuel. Combie y a-t-il de tirages possibles vérifiat les coditios suivates

Plus en détail

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation

Chap. 6 : Les principaux crédits de trésorerie et leur comptabilisation Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Les etreprises ot souvet besoi de moyes de fiacemet à court terme : elles ot alors recours aux crédits bacaires (découverts bacaires

Plus en détail

EXERCICES : DÉNOMBREMENT

EXERCICES : 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 détail

Exercices de mathématiques

Exercices 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 détail

Exo7. 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. 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 détail

PROMENADE ALÉATOIRE : Chaînes de Markov et martingales

PROMENADE 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 détail

Formation d un ester à partir d un acide et d un alcool

Formation 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 détail

Intérêt simple CHAPITRE. Sommaire

Intérêt simple CHAPITRE. Sommaire HAPTRE térêt simple Sommaire A B D E F G H J K L Notio d itérêt Formule fodametale de l itérêt simple Durée de placemet exprimée e mois Durée de placemet exprimée e jours alculs sur la formule fodametale

Plus en détail

Université de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent http://www.math.u-bordeaux.fr/ machaven/ 2014-2015

Université 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 détail

Les Nombres Parfaits.

Les 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 détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

* 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 détail

LES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil.

LES 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 détail

Chaînes de Markov. Arthur Charpentier

Chaînes 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 détail

Tempêtes : Etude des dépendances entre les branches Automobile et Incendie à l aide de la théorie des copulas Topic 1 Risk evaluation

Tempêtes : 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 détail

Gérer les applications

Gérer les applications Gérer les applicatios E parcourat les rayos du Widows Phoe Store, vous serez e mesure de compléter les services de base de votre smartphoe à travers plus de 10 000 applicatios. Gratuites ou payates, ces

Plus en détail

Probabilités. Voir en bibliographie l ouvrage [1], pages 52 et 53.

Probabilités. Voir en bibliographie l ouvrage [1], pages 52 et 53. Probabilités «Pour compredre l actualité, ue formatio à la statistique est aujourd hui idispesable ; c est ue formatio qui développe des capacités d aalyse et de sythèse et exerce le regard critique. Le

Plus en détail

Le meilleur scénario pour votre investissement

Le meilleur scénario pour votre investissement ivestir Best Strategy 2012 Le meilleur scéario pour votre ivestissemet U ivestissemet diversifié U coupo uique de 0% à 50% brut* à l échéace Ue courte durée : 4 as et demi Votre capital garati à l échéace

Plus en détail

La tarification hospitalière : de l enveloppe globale à la concurrence par comparaison

La tarification hospitalière : de l enveloppe globale à la concurrence par comparaison ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 58 2000 La tarificatio hospitalière : de l eveloppe globale à la cocurrece par comparaiso Michel MOUGEOT * RÉSUMÉ. Cet article cosidère différetes politiques de

Plus en détail

RÈGLES ORDINALES : UNE GÉNÉRALISATION DES RÈGLES D'ASSOCIATION

RÈGLES 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 détail

Régulation analogique industrielle ESTF- G.Thermique

Régulation analogique industrielle ESTF- G.Thermique Chapitre 5 Stabilité, Rapidité, Précisio et Réglage Stabilité. Défiitio Coditio de stabilité. Critères de stabilité.. Critères algébriques.. Critère graphique ou de revers das le pla de Nyquist Rapidité

Plus en détail

Polynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.

Polynésie 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

HEC. Gilles Mauffrey. METHODES QUANTITATIVES AVEC EXCEL Programmation linéaire, programmation dynamique, simulation, statistique élémentaire

HEC. Gilles Mauffrey. METHODES QUANTITATIVES AVEC EXCEL Programmation linéaire, programmation dynamique, simulation, statistique élémentaire HEC Gilles Mauffrey METHODES QUANTITATIVES AVEC EXCEL Programmatio liéaire, programmatio dyamique, simulatio, statistique élémetaire La Modélisatio LA MODELISATION Modèle et typologie des modèles. La otio

Plus en détail

Cours : Le choix des investissements grâce à l actualisation : La VAN (Valeur Actualisée Nette) et le TIR (Taux Interne de Rendement)

Cours : Le choix des investissements grâce à l actualisation : La VAN (Valeur Actualisée Nette) et le TIR (Taux Interne de Rendement) Cours : Le choix des ivestissemets grâce à l actualisatio : La VAN (Valeur Actualisée Nette) et le TIR (Taux Itere de Redemet) 1 La VAN, la Valeur Actualisée (ou Actuelle) Nette e aveir certai 11 La comparaiso

Plus en détail

Introduction : Mesures et espaces de probabilités

Introduction : 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 détail

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable

* 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 détail

Un nouvel opérateur de fusion adaptatif. A new adaptive operator of fusion. 1. introduction

Un 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 détail

Groupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3

Groupe 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

Etude Spéciale SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT?

Etude Spéciale SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT? Etude Spéciale o. 7 Javier 2003 SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT? MARK SCHNEIDER Le CGAP vous ivite à lui faire part de vos commetaires, de vos rapports et de toute demade d evoid autres

Plus en détail

capital 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...

capital 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 détail

Approximation de la solution d une équation différentielle ordinaire avec impulsions qui dépendent de l état

Approximation de la solution d une équation différentielle ordinaire avec impulsions qui dépendent de l état Approximatio de la solutio d ue équatio différetielle ordiaire avec impulsios qui dépedet de l état F. Dubeau A. Ouasafi A. Sakat CRM-276 Jauary 21 Départemet de mathématiques et d iformatique, Uiversité

Plus en détail

Calibration bayesienne et prédiction de réglages. Marc Sancandi CESTA-DEV/SIS «Incertitudes et Simulation» 3-4 Octobre 2007

Calibration bayesienne et prédiction de réglages. Marc Sancandi CESTA-DEV/SIS «Incertitudes et Simulation» 3-4 Octobre 2007 Calibratio bayesiee et prédictio de réglages Marc Sacadi CEA/CESTA Séiaire «Icertitudes et Siulatio», DIF 3-4 Octobre 2007 CESTA-DEV/SIS «Icertitudes et Siulatio» 3-4 Octobre 2007 1 Qu est-ce que la «prédictio

Plus en détail

trouve jamais dans les concepts généraux que ce qu on y met

trouve jamais dans les concepts généraux que ce qu on y met ,QIRUPDWLTXHQRUPHHWWHPSV,VDEHOOH%R\GHQV Présetatio par Marie-Ae Chabi Réuio PIN 15 javier 2004 /HVEDVHVGHGRQQpHVHPSLULTXHV Collectio fiie et structurée de doées codifiées, textuelles ou multimédia, destiées

Plus en détail

Risque de longévité et détermination du besoin en capital : travaux en cours

Risque de longévité et détermination du besoin en capital : travaux en cours Risque de logévité et détermiatio du besoi e capital : travaux e cours Frédéric PLANCHET ISFA Laboratoire SAF Versio.6 / Septembre 2008 Sommaire La prise e compte de l expériece propre au groupe das l

Plus en détail

Initiation à l analyse factorielle des correspondances

Initiation 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 détail

Exercice 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

Exercice 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 détail

Comment utiliser ce que vous POSSÉDEZ pour réduire ce que vous DEVEZ

Comment utiliser ce que vous POSSÉDEZ pour réduire ce que vous DEVEZ Commet utiliser ce que vous POSSÉDEZ pour réduire ce que vous DEVEZ Survol du compte Mauvie U La majorité des Caadies gèret leurs fiaces comme suit : 1. Ils déposet leur reveu et autres actifs à court

Plus en détail

ÉTUDE. SECTEUR Cadre de vie et technique GÉOMÈTRES-EXPERTS, TOPOGRAPHES, PHOTOGRAMMÈTRES, EXPERTS FONCIERS. Portrait statistique

ÉTUDE. SECTEUR Cadre de vie et technique GÉOMÈTRES-EXPERTS, TOPOGRAPHES, PHOTOGRAMMÈTRES, EXPERTS FONCIERS. Portrait statistique ÉTUDE SECTEUR Cadre de vie et techique GÉOMÈTRES-EXPERTS, TOPOGRAPHES, PHOTOGRAMMÈTRES, EXPERTS FONCIERS Portrait statistique 02 ÉTUDE - mai 2012 Sommaire 03 Pricipaux eseigemets 04 Sources mobilisées

Plus en détail

Consolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe

Consolidation. 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 détail

1. CALCUL DES CARACTÉRISTIQUES «R- L-C» D'UNE JONCTION TRIPHASÉE

1. CALCUL DES CARACTÉRISTIQUES «R- L-C» D'UNE JONCTION TRIPHASÉE . CALCUL DES CAACTÉISTIQUES «- L-C» DUNE JONCTION TIPHASÉE Trasport et Distributio de léergie Electrique Mauel de travaux pratiques. CALCUL DES CAACTÉISTIQUES «-L-C» DUNE JONCTION TIPHASÉE.. Itroductio....

Plus en détail

Le marché du café peut être segmenté en fonction de deux modes de production principaux : la torréfaction et la fabrication de café soluble.

Le 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 détail

Études & documents ÉCONOMIE ET ÉVALUATION. Modèle économétrique sur le choix de véhicules des ménages. n 31. Janvier 2011

Études & documents ÉCONOMIE ET ÉVALUATION. Modèle économétrique sur le choix de véhicules des ménages. n 31. Janvier 2011 COMMISSARIAT GÉNÉRAL AU DÉVELOPPEMENT DURABLE 31 Javier 2011 TRANSPORT Études & documets Modèle écoométrique sur le choix de véhicules des méages ÉCONOMIE ET ÉVALUATION Service de l écoomie, de l évaluatio

Plus en détail

Examen final pour Conseiller financier / conseillère financière avec brevet fédéral. Recueil de formules. Auteur: Iwan Brot

Examen 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 est à dispositio olie et sera doé aux cadidats lors des exames oraux

Plus en détail

Centre d expertise en analyse environnementale du Québec PROTOCOLE POUR LA VALIDATION ET LA VÉRIFICATION D UNE MÉTHODE D ANALYSE EN MICROBIOLOGIE

Centre d expertise en analyse environnementale du Québec PROTOCOLE POUR LA VALIDATION ET LA VÉRIFICATION D UNE MÉTHODE D ANALYSE EN MICROBIOLOGIE Cetre d expertise e aalyse eviroemetale du Québec Programme d accréditatio des laboratoires d aalyse PROTOCOLE POUR LA VALIDATION ET LA VÉRIFICATION D UNE MÉTHODE D ANALYSE EN MICROBIOLOGIE DR-12-VMM Éditio

Plus en détail