Réseaux d ondelettes et réseaux de neurones pour la modélisation statique et dynamique de processus

Dimension: px
Commencer à balayer dès la page:

Download "Réseaux d ondelettes et réseaux de neurones pour la modélisation statique et dynamique de processus"

Transcription

1 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 statique et dyamique de processus. domai other. Uiversité Pierre et Marie Curie - Paris VI, Frech. <pastel > HAL Id: pastel https://pastel.archives-ouvertes.fr/pastel Submitted o 23 Apr 2004 HAL is a multi-discipliary ope access archive for the deposit ad dissemiatio of scietific research documets, whether they are published or ot. The documets may come from teachig ad research istitutios i Frace or abroad, or from public or private research ceters. L archive ouverte pluridiscipliaire HAL, est destiée au dépôt et à la diffusio de documets scietifiques de iveau recherche, publiés ou o, émaat des établissemets d eseigemet et de recherche fraçais ou étragers, des laboratoires publics ou privés.

2 THÈSE de DOCTORAT de l UNIVERSITÉ PIERRE ET MARIE CURIE Spécialité : ROBOTIQUE présetée par Yacie OUSSAR pour obteir le titre de DOCTEUR de l UNIVERSITÉ PARIS VI Sujet de la thèse : Réseaux d odelettes et réseaux de euroes pour la modélisatio statique et dyamique de processus. Souteue le 06 Juillet 1998 devat le jury suivat : Mme S. THIRIA Rapporteur M. S. CANU Rapporteur M. G. DREYFUS Examiateur M. P. GALLINARI Examiateur M. S. KNERR Examiateur M. L. PERSONNAZ Examiateur

3 A mo Père, ma Mère et Zia.

4 Me teat comme je suis, u pied das u pays et l autre e u autre, je trouve ma coditio très heureuse, e ce qu elle est libre. Reé Descartes (Lettre à la pricesse Elisabeth de Bohême, Paris 1648).

5 Avat d itégrer le laboratoire d Électroique de l ESPCI, je coaissais Mosieur le Professeur Gérard DREYFUS de réputatio. Je e savais pas alors que j aurais u jour la chace de meer mo travail de thèse au sei de so équipe. Mes plus vifs remerciemets sot doc adressés au Professeur Gérard DREYFUS qui m a témoigé de sa cofiace e m accueillat das so laboratoire. Au cours de ces aées de thèse, sa dispoibilité sas faille, so suivi, so souci de la valorisatio des travaux accomplis, so calme iébralable devat les difficultés, ot beaucoup cotribué à l aboutissemet de ce travail de thèse. Qu il trouve ici toute ma recoaissace. Mosieur Léo PERSONNAZ, Maître de Coféreces, a guidé mes premiers pas das la recherche e ecadrat mes deux premières aées de thèse. Je resterai toujours impressioé par sa rigueur et so ses de la critique. Je ties à lui exprimer mes remerciemets pour ses relectures de mo mémoire et ses remarques. Pedat ces aées de thèse, Mademoiselle Isabelle RIVALS, Maître de Coféreces, et moi avos partagé le même bureau, ce qui m a permis à plusieurs reprises de bééficier de ses coaissaces. Je dois la remercier pour sa grade dispoibilité. J adresse de vifs remerciemets à Madame le Professeur Sylvie THIRIA, qui a accepté d examier mo mémoire de thèse, et qui a maifesté so itérêt pour mo travail. Je ties à exprimer ma recoaissace à Mosieur le Professeur Stéphae CANU pour avoir examié mo mauscrit avec beaucoup d attetio. Ses remarques costructives m ot permis d améliorer la versio fiale de mo mémoire. Je suis très hooré que Mosieur le Professeur Patrick GALLINARI ait accepté de cosacrer u peu de so temps, e cette période chargée de l'aée, pour faire partie de mo jury. Je ties à remercier égalemet Mosieur Stefa KNERR d avoir égalemet accepté d être membre de mo jury, effectuat aisi u "retour aux sources" e dépit de ses ombreuses activités. Au cours de ces aées de thèse au laboratoire d Électroique, j ai eu la chace de côtoyer Brigitte QUENET, Maître de Coféreces, dot l amitié et le

6 soutie m ot beaucoup apporté. Mo travail a bééficié de ses coseils et de ses ecouragemets. Commet aurais-je pu m iitier aux systèmes iformatiques e réseau sas la précieuse aide de Pierre ROUSSEL, Maître de Coféreces, qui grâce à so admiistratio rigoureuse des ressources iformatiques du laboratoire, ous assure ue boe dispoibilité des statios de travail? J ai beaucoup apprécié so ses de l humour et sa covivialité. Au travers de ombreuses discussios avec Hervé STOPPIGLIA, j ai beaucoup appris sur les techiques de sélectio utilisées das ce mémoire. Je l e remercie vivemet. Je voudrais adresser ici ma profode recoaissace à u acie membre du laboratoire d électroique qui par sa sympathie, so aide et ses ecouragemets a suscité e moi u véritable setimet fraterel. C est de Domiique URBANI que je veux parler... Merci Doumé! J adresse efi ma plus vive recoaissace à Moique et Fraçois Zwobada qui sot deveus ma famille fraçaise.

7 TABLE DES MATIÈRES Itroductio 1 CHAPITRE I. Modélisatio de processus et estimatio des paramètres d u modèle 5 CHAPITRE II. Réseaux de foctios dorsales 27 CHAPITRE III. Réseaux d odelettes (approche fodée sur la trasformée cotiue) 46 CHAPITRE IV. Réseaux d odelettes (approche fodée sur la trasformée discrète) 88 CHAPITRE V. Étude de quelques exemples 115 Coclusio 137 Bibliographie 141 Aexe A 151 Aexe B 166

8 TABLE DES MATIÈRES DÉTAILLÉE Itroductio 1 CHAPITRE I. Modélisatio de processus et estimatio des paramètres d u modèle 5 I. INTRODUCTION. 6 II. DÉFINITION D UN PROCESSUS ET D UN MODÈLE. 6 II.1 Processus. 6 II.2 Modèles. 6 II.2.1 Qu est ce qu u modèle? 6 II.2.2 Buts d ue modélisatio. 6 II.2.3 Classificatio des modèles. 7 II Classificatio selo le mode de coceptio. 7 II Classificatio selo l utilisatio. 8 III. LES ÉTAPES DE LA CONCEPTION D UN MODÈLE. 9 III.1 Choix d u modèle-hypothèse. 9 III.2 Du modèle-hypothèse au prédicteur ou au simulateur. 11 III.3 Présetatio de quelques modèles-hypothèses et de leurs prédicteurs associés. 11 III.3.1 Modèle-hypothèse détermiiste. 12 III.3.2 Modèles-hypothèses o détermiistes. 12 III L hypothèse Bruit de sortie. 13 III L hypothèse Bruit d état. 13 IV. FONCTIONS PARAMÉTRÉES POUR LA MODÉLISATION "BOÎTE NOIRE". 14 IV.1 Les foctios paramétrées liéaires par rapport aux paramètres. 14 IV.2 Les foctios paramétrées o liéaires par rapport aux paramètres. 15 IV.2.1 Les réseaux de euroes. 15 IV.2.2 Les réseaux de foctios radiales (RBF pour Radial Basis Fuctios). 16 IV.2.3 Les réseaux d odelettes. 17 V. ESTIMATION DES PARAMÈTRES D UN MODÈLE. 17

9 V.1 Positio du problème et otatios. 17 V.2 Les algorithmes de miimisatio de la foctio de coût. 18 V.2.1 Méthode des moidres carrés ordiaires. 18 V.2.2 Pricipe des algorithmes de gradiet. 19 V.2.3 La méthode du gradiet simple. 21 V Présetatio de la méthode. 21 V Techiques de réglage du pas. 21 V.2.4 Les méthodes de gradiet du secod ordre. 21 V L algorithme de BFGS. 22 V L algorithme de Leveberg Marquardt. 23 V.3 Commetaire. 26 VI. CONCLUSION 26 CHAPITRE II. Réseaux de foctios dorsales 27 I. INTRODUCTION. 28 II. NEURONES FORMELS À FONCTIONS DORSALES ET RÉSEAUX. 28 II.1 Qu est ce qu u euroe formel? 28 II.2 Qu'est-ce qu'u euroe formel à foctio dorsale? 28 II.3 Qu est ce qu u réseau de euroes? 29 II.4 Réseaux o bouclés et réseaux bouclés. 30 II.4.1 Les réseaux o bouclés. 30 II.4.2 Les réseaux bouclés. 30 II.5 Réseaux o bouclés complètemet coectés et réseaux à couches. 31 II.5.1 Les réseaux o bouclés complètemet coectés. 31 II.5.2 Les réseaux o bouclés à couches. 31 II.5.3 Les réseaux mis e œuvre das ce travail. 35 III. CHOIX DE LA FONCTION D ACTIVATION ET PROPRIÉTÉ D APPROXIMATION UNIVERSELLE. 33 III.1 La foctio sigmoïde. 34 III.2 La foctio gaussiee. 34 IV. APPRENTISSAGE DES RÉSEAUX DE FONCTIONS DORSALES. 35

10 IV.1 Appretissage de réseaux o bouclés. 35 IV.2 Appretissage de réseaux bouclés. 36 IV.3 Iitialisatio du réseau et miima locaux. 36 IV.4 Autres schémas d appretissage pour les réseaux de foctios dorsales. 37 V. ANALYSE D UN RÉSEAU DE FONCTIONS DORSALES. 37 V.1 Pricipe. 37 V.2 Élagage de poids syaptiques. 37 V.3 Ue procédure pour la détectio de euroes à foctios gaussiees mal utilisés. 38 V.4 Étude d u exemple. 41 VI. MODÉLISATION DYNAMIQUE DE PROCESSUS À L AIDE DE RÉSEAUX DE FONCTIONS DORSALES. 43 VI.1 Modélisatio etrée sortie. 43 VI.1.1 Prédicteurs o bouclé. 43 VI.1.2 Prédicteur bouclé. 44 VI.2 Modélisatio d état. 44 VII. CONCLUSION. 45 CHAPITRE III. Réseaux d odelettes (approche fodée sur la trasformée cotiue) 46 I. INTRODUCTION. 47 II. RÉSEAUX ISSUS DE LA TRANSFORMÉE EN ONDELETTES CONTINUE. 48 II.1 La trasformée e odelettes cotiue. 48 II.2 De la trasformée iverse aux réseaux d odelettes. 50 III. DÉFINITION DES ONDELETTES MULTIDIMENSIONNELLES ET DES RÉSEAUX D'ONDELETTES. 51 III.1 Odelettes multidimesioelles. 51 III.2 Réseaux d'odelettes. 51 III.3 Réseaux d'odelettes et réseaux de euroes. 54

11 IV. APPRENTISSAGE DES RÉSEAUX D ONDELETTES NON BOUCLÉS. 55 IV.1 Calcul du gradiet de la foctio de coût. 55 IV.2 Iitialisatio des paramètres du réseau. 57 IV.3 Exemple de modélisatio statique. 59 IV.3.1 Présetatio du processus simulé. 59 IV.3.2 Modélisatio avec 100 exemples. 59 IV.3.3 Modélisatio avec 300 exemples. 61 IV.3.4 Ifluece des termes directs 62 IV.3.5 Quelques figures. 63 V. MODÉLISATION DYNAMIQUE ENTRÉE SORTIE ET RÉSEAUX D ONDELETTES. 64 V.1 Appretissage de réseaux de type etrée-sortie. 65 V.1.1 Appretissage de prédicteurs o bouclés. 65 V.1.2 Appretissage de prédicteurs bouclés. 65 V.1.3 Calcul du gradiet par rétropropagatio. 67 V.1.4 Calcul du gradiet das le ses direct. 68 V.2 Exemple. 70 V.2.1 Présetatio du processus. 70 V.2.2 Étude du gai statique. 70 V.2.3 Modélisatio du processus. 71 VI. MODÉLISATION D ÉTAT ET RÉSEAUX D ONDELETTES. 72 VI.1 Modèles d'état sas bruit, avec états o mesurables. 73 VI.2 Appretissage de réseaux d état bouclés. 73 VI.2.1 Structure du réseau d état. 73 VI.2.2 Calcul du gradiet par rétropropagatio. 76 VI Calcul du gradiet de J par rapport à la sortie et aux variables d état. 76 VI Calcul du gradiet de J par rapport aux paramètres du réseau. 77 VI Commetaire sur le choix des variables d état. 79 VI.2.3 Calcul du gradiet das le ses direct. 79 VI.2.4 Iitialisatio des paramètres du réseau. 81 VII. LE PROBLÈME MAÎTRE ÉLÈVE ET LES RÉSEAUX D'ONDELETTES. 82 VII.1 Miima locaux de la foctio de coût. 83 VII.2 Choix de la séquece d appretissage. 84

12 VII.3 Choix du domaie des etrées et des paramètres du réseau maître. 84 VII.4 Choix de l algorithme et de l iitialisatio du réseau. 85 VII.5 Approche adoptée pour l étude du problème. 85 VII.6 Résultats et commetaires. 85 VIII. CONCLUSION. 86 CHAPITRE IV. Réseaux d odelettes (approche fodée sur la trasformée discrète) 88 I. INTRODUCTION. 89 II. RÉSEAUX ISSUS SUR LA TRANSFORMÉE EN ONDELETTES DISCRÈTE. 89 II.1 Structures obliques et bases d odelettes orthoormales. 90 II.1.1 Odelettes à variables cotiues. 90 II.1.2 Odelettes à variables discrètes. 92 II.1.3 Choix de l'odelette mère. 93 II.2 Réseaux fodés sur la trasformée discrète. 94 III. TECHNIQUES DE CONSTRUCTION DE RÉSEAUX D ONDELETTES. 95 III.1 Impossibilité d utiliser les techiques de gradiet. 95 III.2 Différetes approches pour costruire u réseau d odelettes fodé sur la trasformée discrète. 95 III.2.1 Approches utilisat pas de procédure de sélectio. 95 III Techique fodée sur l aalyse fréquetielle. 95 III Techique fodée sur la théorie des odelettes orthogoales. 96 III Réseaux d odelettes pour u système adaptatif. 96 III.2.2 Approches utilisat ue procédure de sélectio. 97 III Techique fodée sur la costructio de structures obliques étroites. 97 IV. PROPOSITION D UNE PROCÉDURE DE CONSTRUCTION DE RÉSEAUX ET D'INITIALISATION DE L'APPRENTISSAGE. 97 IV.1 Descriptio de la procédure de costructio de la bibliothèque. 98 IV.1.1 Famille egedrat la bibliothèque pour u modèle à ue etrée. 98 IV.1.2 Cas des bibliothèques pour modèles à plusieurs etrées. 100 IV.2 La méthode de sélectio. 100

13 IV.2.1 Pricipe de la méthode de sélectio par orthogoalisatio. 100 IV.2.2 Cas des termes directs. 102 IV.3 La procédure de costructio du réseau. 102 IV.3.1 Présetatio de la procédure de costructio. 102 IV.3.2 Avatages et icovéiets de cette approche. 103 IV.4 Autre applicatio de la procédure : iitialisatio des traslatios et dilatatios pour l appretissage de réseaux d'odelettes à paramètres cotius. 104 IV.4.1 Pricipe de la procédure d iitialisatio. 104 IV.4.2 Avatages et icovéiets de cette méthode d iitialisatio. 105 V. ÉTUDE D EXEMPLES. 105 V.1 Exemple de costructio de réseaux à l'aide de la procédure de sélectio. 105 V.1.1 Présetatio du processus. 105 V.1.2 Costructio d u modèle dyamique à l aide de la procédure. 106 V Modélisatio dyamique sas bruit du processus simulé. 107 V Modélisatio dyamique avec bruit du processus simulé. 107 V Coclusio. 108 V.2 Exemple d'iitialisatio des traslatios et des dilatatios de réseaux à l'aide de la procédure de sélectio. 108 V.2.1 Processus V Présetatio du processus. 108 V Iitialisatio de réseaux à l aide de la procédure de sélectio. 109 V.2.2 Processus VI. CONCLUSION. 113 CHAPITRE V. Étude de quelques exemples 115 I. INTRODUCTION. 116 II. MODÉLISATION DE PROCESSUS SIMULÉS. 117 II.1 Présetatio du processus simulé sas bruit. 117 II.2 Modélisatio du processus simulé o bruité. 118 II.2.1 Réseau prédicteur à foctios odelettes. 119 II Appretissage avec l algorithme de BFGS. 119 II Appretissage avec l algorithme de Leveberg Marquardt. 120

14 II.2.2 Réseau prédicteur à foctios dorsales. 120 II Appretissage avec l algorithme de BFGS. 121 II Appretissage avec l algorithme de Leveberg Marquardt. 121 II.3 Modélisatio du processus simulé avec bruit. 122 II.3.1 Modélisatio du processus simulé avec bruit additif de sortie. 123 II.3.2 Modélisatio du processus simulé avec bruit d état additif. 124 II.4 Coclusio. 124 III. MODÉLISATION D UN PROCESSUS RÉEL. 124 III.1 Présetatio du processus. 125 III.2 Modélisatio etrée sortie. 126 III.2.1 Réseau prédicteur à foctios odelettes. 126 III Appretissage avec l algorithme de BFGS. 126 III Appretissage avec l algorithme de Leveberg Marquardt. 127 III Fréquece d'occurrece du meilleur résultat. 128 III.2.2 Réseau prédicteur à foctios dorsales. 129 III Appretissage avec l algorithme de BFGS. 129 III Appretissage avec l algorithme de Leveberg Marquardt. 130 III Fréquece d'occurrece du meilleur résultat. 130 III.2.3 Coclusio de la modélisatio etrée sortie. 131 III.3 Modélisatio d état. 132 III.3.1 Réseau prédicteur d'état à foctios d odelettes. 133 III.3.2 Réseau prédicteur d'état à foctios dorsales. 134 III.3.3 Réseau prédicteur d état à foctios dorsales dot la sortie est l u des états. 134 III.3.4 Coclusio de la modélisatio d état. 135 IV. CONCLUSION. 136 Coclusio 137 Bibliographie 141 Aexe A 151 Aexe B 166

15 Itroductio

16 Itroductio Grâce aux résultats théoriques et pratiques obteus au cours des derières aées, les réseaux de euroes sot deveus u outil de plus e plus utilisé das divers domaies (idustrie, baque, services). Ils demeuret toutefois u sujet d u grad itérêt pour les chercheurs qui désiret améliorer les performaces de ces réseaux et étedre leur champ d applicatios. La propriété fodametale des réseaux de euroes, l approximatio uiverselle parcimoieuse, fait de ceux-ci ue représetatio mathématique très avatageuse pour la modélisatio statique et dyamique o liéaire de processus. L'utilisatio de euroes sigmoïdaux était iitialemet justifiée par ue aalogie biologique ; mais celle-ci est deveue caduque pour la coceptio de systèmes de traitemet de sigaux ou de modélisatio de processus. Il est doc légitime d'explorer les possibilités d'utilisatio d'autres types de euroes [Sotag93]. Cet effort de recherche d ue alterative aux réseaux de euroes "classiques" s est tout d abord dirigé vers les réseaux de foctios radiales, e particulier gaussiees. Ils ot otammet été mis e œuvre e Automatique o liéaire : modélisatio de processus et commade. Les techiques de costructio de ces réseaux aboutisset gééralemet à des modèles peu parcimoieux. E revache, ils possèdet des propriétés plus itéressates que les réseaux de euroes pour la sythèse de lois de commades stables [Saer92]. Récemmet, des familles de foctios, issues du traitemet du sigal et de l image, appelées odelettes ot été utilisées pour résoudre des problèmes d approximatio de foctios [Pati93, Zhag92]. Ces odelettes sot plus compliquées que les foctios utilisées pour les réseaux de euroes classiques. E revache, elles possèdet quelques propriétés prometteuses pour la modélisatio de processus. L objectif pricipal de ce travail était doc l étude de la mise e œuvre des foctios odelettes pour la modélisatio statique (qui avait déjà été abordée par d'autres auteurs), et pour la modélisatio dyamique de processus (qui, à otre coaissace, 'avait jamais été étudiée). Nous avos cosidéré deux approches issues de la trasformée e odelettes : L approche fodée sur la trasformée cotiue, très proche de celle des réseaux de euroes classiques, dot ous ous ispiros pour mettre au poit ue méthodologie de costructio de réseaux 2

17 Itroductio d odelettes. Elle permet d evisager des réseaux bouclés (que ous proposos das ce mémoire) et o bouclés. L approche fodée sur la trasformée discrète, propre aux foctios odelettes, qui permet de tirer parti des propriétés et des spécificités de ces foctios pour la mise au poit de procédures origiales pour l appretissage de réseaux d odelettes. Parmi les résultats théoriques cocerat les bases de foctios odelettes, il a été prouvé que cette famille de foctios possède la propriété d approximatio uiverselle. E revache, il existe pas de résultat équivalet à celui des réseaux de euroes cocerat la propriété de parcimoie. De ce fait, et sur la base des exemples que ous étudios cojoitemet avec des réseaux d odelettes et de euroes sigmoïdaux, ous ous proposos de faire ue évaluatio de la parcimoie des réseaux d odelettes. De plus, ous avos systématiquemet utilisé, pour l'estimatio des paramètres des réseaux que ous avos mis e œuvre, deux algorithmes d optimisatio du secod ordre : l algorithme de BFGS et celui de Leveberg Marquardt. Le premier a été largemet utilisé pour l appretissage de réseaux bouclés et o bouclés. E revache, des résultats sur l utilisatio du secod pour l appretissage de réseaux bouclés sot, à otre coaissace, totalemet absets de la littérature cosacrée aux réseaux de euroes. Nous avos doc systématiquemet cherché à comparer les résultats obteus à l'aide de ces algorithmes, sous divers poits de vue. Le chapitre I du préset mémoire est cosacré à des défiitios et rappels cocerat la modélisatio, statique et dyamique de processus ; ous présetos otammet des cosidératios méthodologiques pour la costructio de modèles "boîte oire", que ous avos mises e œuvre tout au log de ce travail. Cette approche s'iscrit das la cotiuité de travaux atérieurs effectués au sei du laboratoire [Nerrad92, Rivals95a, Urbai95]. Nous décrivos esuite les algorithmes d optimisatio employés pour l estimatio des paramètres des réseaux de foctios, qu'il s'agisse de euroes à foctios dorsales ou d odelettes fodées sur la trasformée cotiue. Le chapitre II présete les réseaux de euroes classiques que ous avos mis e œuvre pour la modélisatio statique et dyamique de processus. Nous cosidéros deux types de foctios dorsales : la foctio tagete hyperbolique, exemple de sigmoïde (qui est la brique des réseaux classiques), et la foctio gaussiee. 3

18 Itroductio Pour cette derière, ous proposos ue procédure agissat e cours d appretissage, qui permet d améliorer l utilisatio de chacu des euroes. Ces cosidératios sot illustrées par u exemple. Le chapitre III est cosacré aux réseaux d odelettes fodés sur la trasformée cotiue. Après ue brève présetatio des foctios odelettes, ous proposos des algorithmes d appretissage de réseaux d odelettes bouclés pour ue modélisatio etrée sortie et d état. Les résultats présetés das ce chapitre ot été publiés partiellemet das u article accepté pour publicatio das la revue Neurocomputig [Oussar98], reproduit e aexe de ce mémoire. Le chapitre IV aborde la modélisatio de processus par des réseaux d odelettes fodés sur la trasformée discrète. La particularité des bases d odelettes utilisées das ce cotexte e permet pas d appretissage fodé sur ue techique de gradiet. De ce fait, la costructio de ces réseaux est effectuée à l aide de méthodes de sélectio das ue bibliothèque d odelettes. Nous proposos das ce chapitre ue procédure qui met e œuvre ces bases d odelettes pour iitialiser les coefficiets de réseaux fodés sur la trasformée cotiue, avat l'appretissage de ceux-ci. Les cosidératios développées das les chapitres précédets sot appliquées, das le chapitre V, à la modélisatio d u processus simulé, et d u processus réel. Nous présetos d abord les résultats obteus avec des réseaux bouclés de foctios dorsales et d odelettes. Esuite, ous cofrotos les performaces réalisées par deux algorithmes du secod ordre sur les deux types de réseaux. 4

19 CHAPITRE I Modélisatio de processus et estimatio des paramètres d u modèle

20 Modélisatio de processus et estimatio des paramètres d u modèle I. INTRODUCTION. Das la première partie de ce chapitre, ous rappelos les otios de processus et de modèle, aisi que divers termes utilisés fréquemmet das le cadre de la modélisatio. Das la secode partie, ous aborderos le problème de l estimatio des paramètres d u modèle et ous préseteros les algorithmes qui ot été utilisés das otre travail. II. DÉFINITION D UN PROCESSUS ET D UN MODÈLE. II.1 Processus. U processus est caractérisé par : ue ou plusieurs gradeurs de sortie, mesurables, qui costituet le résultat du processus, ue ou plusieurs gradeurs d'etrée (ou facteurs), qui peuvet être de deux types : - des etrées sur lesquelles il est possible d'agir (etrées de commade), - des etrées sur lesquelles il 'est pas possible d'agir (perturbatios) ; ces derières peuvet être aléatoires ou détermiistes, mesurables ou o mesurables. Les processus peuvet être de toutes atures : physique, chimique, biologique, écologique, fiacier, sociologique, etc. II.2 Modèles. II.2.1 Qu est ce qu u modèle? Nous ous itéressos ici aux modèles mathématiques, qui représetet les relatios etre les etrées et les sorties du processus par des équatios. Si ces équatios sot algébriques, le modèle est dit statique. Si ces équatios sot des équatios différetielles ou des équatios aux différeces récurretes, le modèle est dit dyamique, respectivemet à temps cotiu ou à temps discret. U modèle est caractérisé par so domaie de validité, c'est-à-dire par le domaie de l'espace des etrées das lequel l'accord etre les valeurs des sorties du processus calculées par le modèle, et leurs valeurs mesurées, est cosidéré comme satisfaisat compte teu de l'utilisatio que l'o fait du modèle. II.2.2 Buts d ue modélisatio. U modèle peut être utilisé soit 6

21 Modélisatio de processus et estimatio des paramètres d u modèle pour simuler u processus : à des fis pédagogiques, de détectio d'aomalies de foctioemet, de diagostic de paes, de coceptio assistée par ordiateur, etc., pour effectuer la sythèse d'ue loi de commade, ou pour être icorporé das u dispositif de commade. II.2.3 Classificatio des modèles. II Classificatio selo le mode de coceptio. O distigue trois sortes de modèles e foctio des iformatios mises e jeu pour leur coceptio : Les modèles de coaissace : les modèles de coaissace sot costruits à partir d ue aalyse physique, chimique, biologique (ou autre suivat le type du processus), e appliquat soit les lois géérales, fodées sur des pricipes (lois de la mécaique, de l'électromagétisme, de la thermodyamique, de la physique quatique, etc.), soit les lois empiriques (fiace, écoomie), qui régisset les phéomèes iterveat au sei des processus étudiés. Ces modèles e comportet gééralemet pas de paramètres ajustables, ou des paramètres ajustables e très petit ombre. Das la pratique, il est toujours souhaitable d'établir u modèle de coaissace des processus que l'o étudie. Néamois, il arrive fréquemmet que le processus soit trop complexe, ou que les phéomèes qui le régisset soiet trop mal cous, pour qu'il soit possible d'établir u modèle de coaissace suffisammet précis pour l'applicatio cosidérée. O est alors ameé à cocevoir des modèles puremet empiriques, fodés exclusivemet sur les résultats de mesures effectuées sur le processus. Les modèles boîte oire : les modèles boîte oire sot costruits essetiellemet sur la base de mesures effectuées sur les etrées et les sorties du processus à modéliser. La modélisatio cosiste alors à utiliser, pour représeter les relatios etre les etrées et les sorties, des équatios (algébriques, différetielles, ou récurretes) paramétrées, et à estimer les paramètres, à partir des mesures dispoibles, de maière à obteir la meilleure précisio possible avec le plus petit ombre possible de paramètres ajustables. Das ce mémoire, ous désigeros fréquemmet l'estimatio des paramètres sous le terme d'appretissage. 7

22 Modélisatio de processus et estimatio des paramètres d u modèle Le domaie de validité d'u tel modèle e peut pas s'étedre au-delà du domaie des etrées qui est représeté das les mesures utilisées pour l'appretissage. Les modèles boîte grise : lorsque des coaissaces, exprimables sous forme d'équatios, sot dispoibles, mais isuffisates pour cocevoir u modèle de coaissace satisfaisat, o peut avoir recours à ue modélisatio "boîte grise" (ou modélisatio semi-physique) qui pred e cosidératio à la fois les coaissaces et les mesures. Ue telle démarche peut cocilier les avatages de l'itelligibilité d'u modèle de coaissace avec la souplesse d'u modèle comportat des paramètres ajustables. II Classificatio selo l utilisatio. Idépedammet de la classificatio précédete, o peut distiguer deux types de modèles e foctio de l'utilisatio qui e est faite. Les modèles de simulatio (ou simulateurs) : u modèle de simulatio est utilisé de maière idépedate du processus qu il représete. Il doit doc posséder u comportemet aussi semblable que possible à celui du processus. De tels modèles sot utilisés pour valider la coceptio d'u système avat sa fabricatio (coceptio assistée par ordiateur e mécaique, e microélectroique,...), pour la formatio de persoels (simulateurs de vols), pour la prévisio à log terme, etc. Du poit de vue de la structure du modèle, les sorties passées, mesurées sur le processus à modéliser, e peuvet costituer des etrées du modèle. L'estimatio des paramètres et l'utilisatio du modèle costituet deux phases successives et distictes (appretissage o adaptatif). Les modèles de prédictio (ou prédicteurs) : u modèle de prédictio est utilisé e parallèle avec le processus dot il est le modèle. Il prédit la sortie du processus à ue échelle de temps courte devat les costates de temps du processus. Les prédicteurs sot utilisés pour la sythèse de lois de commade, ou das le système de commade lui-même (commade avec modèle itere). Du poit de vue de la structure du modèle, les sorties passées, mesurées sur le processus, peuvet costituer des etrées du modèle. L'estimatio des paramètres et l'utilisatio du modèle peuvet être effectuées simultaémet si écessaire (appretissage adaptatif, utile otammet si les caractéristiques du processus dérivet das le temps). 8

23 Modélisatio de processus et estimatio des paramètres d u modèle Ce mémoire présete la mise e oeuvre de plusieurs types de réseaux de foctios paramétrées pour la modélisatio dyamique de processus, et la comparaiso de leurs performaces respectives. Il s'agira doc exclusivemet de modèles de type boîte oire qui peuvet être utilisés idifféremmet comme simulateurs ou comme prédicteurs. III. LES ÉTAPES DE LA CONCEPTION D UN MODÈLE. Lors de la coceptio d u modèle de coaissace, la relatio etre les etrées et la (ou les) sortie(s) du modèle découlet directemet de la mise e équatio des phéomèes physiques (chimiques, ou autres) qui régisset le foctioemet du processus. Ue fois le modèle obteu sous forme aalytique, des approximatios peuvet être faites pour simplifier so expressio (par exemple "liéariser" le modèle pour passer d'u modèle o liéaire à u modèle liéaire) si ue telle approximatio est justifiée. Das le cas d ue modélisatio de type boîte oire, la costructio du modèle écessite les trois élemets suivats : Ue hypothèse sur l existece d ue relatio détermiiste liat les etrées à la (ou aux) sortie(s). Cette relatio est caractérisée par ue foctio appelée foctio de régressio (ou plus simplemet régressio). L'expressio formelle supposée adéquate pour représeter cette relatio est appelée modèlehypothèse. Ue séquece de mesures des etrées et de la sortie du processus. U algorithme d appretissage. Das la suite de ce paragraphe, ous présetos les différets aspects qui doivet être pris e cosidératio lors du choix d u modèle-hypothèse. III.1 Choix d u modèle-hypothèse. Les coaissaces dot o dispose a priori sur le processus doivet guider le cocepteur das le choix de la modélisatio la plus appropriée (statique ou dyamique, liéaire ou o liéaire,...). L élaboratio du modèle-hypothèse écessite d'effectuer les choix suivats : Modèle statique ou dyamique : lorsque l'o cherche à modéliser u processus physico-chimique ou biologique, il est gééralemet facile de savoir si l'applicatio evisagée écessite de modéliser la dyamique du processus (c'est-àdire si l'o doit cosidérer ue échelle de temps petite devat les costates de temps du processus) ou si ue modélisatio statique suffit. 9

24 Modélisatio de processus et estimatio des paramètres d u modèle Modèle liéaire ou o liéaire : il 'est pas douteux que la plupart des processus que l'o peut recotrer écessiteraiet des modèles o liéaires s'il fallait les décrire de maière précise das la totalité de leur domaie de foctioemet : la plupart des modèles liéaires costituet des approximatios valables das u domaie plus ou mois restreit. Il est doc importat de pouvoir élaborer u modèle o liéaire pour redre compte du comportemet d'u processus, o seulemet autour de ses poits de foctioemet "habituels", mais égalemet lors des passages d'u poit de foctioemet à u autre. Modèle etrée-sortie ou modèle d'état : das le cas où l'o opte pour ue modélisatio dyamique, deux représetatios sot possibles pour le modèle : il s agit de la représetatio d état ou de la représetatio etrée sortie. L état d u processus est défiit comme la quatité d iformatio miimale écessaire pour prédire so comportemet, état doées les etrées présetes et à veir. Il s agit gééralemet d u vecteur de gradeur égale à l ordre du modèle. La représetatio etrée sortie est u cas particulier de la représetatio d état où le vecteur des états est costitué par la sortie et ses valeurs retardées das le temps. Si le but de la modélisatio est de prédire le comportemet etrée sortie du processus, il existe gééralemet ue ifiité de représetatios d état (au ses d états ayat des trajectoires différetes) solutios du problèmes. E revache, la représetatio etrée sortie est uique. Présece de perturbatios détermiistes : lorsque l'o cherche à réaliser u modèle dyamique, les perturbatios détermiistes peuvet être modélisées par ue etrée supplémetaire (échelo, sigal carré, siusoïde). E particulier, si le modèle est costruit pour la sythèse d ue loi de commade, la prise e cosidératio de l existece d ue perturbatio pedat la phase de modélisatio peut améliorer les performaces de la commade pour le rejet de cette perturbatio. Par exemple, il est proposé das [Mukhopa93] ue approche qui cosiste à cosidérer la perturbatio comme la sortie d u processus. La modélisatio de ce processus a pour effet d'itroduire de ouvelles variables d'état, doc d'augmeter l'ordre du modèle. Présece d u bruit : lorsque l'o cherche à réaliser u modèle dyamique, ue perturbatio de type bruit est modélisée par ue séquece de variables aléatoires. U bruit peut agir de différetes maières sur u processus. O distigue otammet le bruit de sortie (bruit additif qui affecte la mesure de la sortie du processus), et le bruit d état (bruit additif qui affecte l'état du processus). Comme, e gééral, o e coaît pas avec précisio la ature du bruit qui 10

La classification de données quantitatives avec SPAD

La classification de données quantitatives avec SPAD La classificatio de doées quatitatives avec SPAD SPAD effectue toujours ue ACP de la matrice des doées quatitatives X " p avat de faire la classificatio des idividus. Les méthodes de classificatio s appliquet

Plus en détail

B) CHAÎNES DE SOLIDES

B) CHAÎNES DE SOLIDES Chaîes de solides B) CHAÎNES DE SOLIDES Objectifs Cette théorie a pour but d'aalyser les comportemets statique et ciématique d'u mécaisme à partir d'u modèle défii par le schéma ciématique du mécaisme.

Plus en détail

DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011

DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011 MÉTHODES NUMÉRIQUES POUR LE PRICING D OPTIONS DIDIER AUROUX POLYTECH NICE-SOPHIA MAM5 - OPTION IMAFA 2010-2011 Table des matières 1 Notatios et équatio de Black-Scholes 2 11 Notatios 2 12 Équatio de Black-Scholes

Plus en détail

École de technologie supérieure

École de technologie supérieure École de techologie supérieure Mat 165-04 Algèbre liéaire et aalyse vectorielle A-015 Michel Beaudi michel.beaudi@etsmtl.ca Liste d exercices à faire e T.P./Caledrier des évaluatios Itroductio au cours

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

Éléments finis de joint mécaniques et éléments finis de joint couplés hydromécanique

Éléments finis de joint mécaniques et éléments finis de joint couplés hydromécanique Titre : Élémets fiis de joit mécaiques et élémets fi[...] Date : 28/10/2014 Pae : 1/10 Élémets fiis de joit mécaiques et élémets fiis de joit couplés hydromécaique Résumé : Cette documetatio porte sur

Plus en détail

Estimations et intervalles de confiance

Estimations et intervalles de confiance Estimatios et itervalles de cofiace Estimatios et itervalles de cofiace Résumé Cette vigette itroduit la otio d estimateur et ses propriétés : covergece, biais, erreur quadratique, avat d aborder l estimatio

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

PROJET DE MONTE CARLO SUJET 1: LE PRICING

PROJET DE MONTE CARLO SUJET 1: LE PRICING LE Age KHOURI Nadie M MMD PROJE DE MONE ARLO SUJE : LE PRIING Selim ZOUGHLAMI QUESION : Supposos d abord que X est u mouvemet browie W t G([ 0, ]) Alors W0 G( 0 ) suit ue loi N(0,0) et doc W 0ps 0 Esuite,

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

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

DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités conditionnelles - Suites géométriques - fonctions exponentielles Calculatrice autorisée

DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités conditionnelles - Suites géométriques - fonctions exponentielles Calculatrice autorisée DEVOIR SURVEILLE DE MATHEMATIQUES 3 heures Probabilités coditioelles - Suites géométriques - foctios epoetielles Calculatrice autorisée Termiale ES123 Eercice 1 : 5 poits Partie A : Ue agece de locatio

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

Séquence 8. Suites arithmétiques et géométriques. Sommaire

Séquence 8. Suites arithmétiques et géométriques. Sommaire Séquece 8 Suites arithmétiques et géométriques Sommaire Pré-requis Suites arithmétiques Suites géométriques Sythèse du cours Exercices d approfodissemet Séquece 8 MA Ced - Académie e lige Pré-requis A

Plus en détail

Chapitre 4 Lois discrètes

Chapitre 4 Lois discrètes Chapitre 4 Lois discrètes 1. Loi de Beroulli Ue variable aléatoire X est ue variable de Beroulli si elle e pred que les valeurs 0 et 1 avec des probabilités o ulles. P(X = 1) = p, P(X = 0) = 1 p = q, avec

Plus en détail

ADMISSION AU COLLEGE UNIVERSITAIRE

ADMISSION AU COLLEGE UNIVERSITAIRE ADMISSION AU COLLEGE UNIVERSITAIRE Samedi mars 204 MATHEMATIQUES durée de l'épreuve : 3h - coefficiet 2 Le sujet est uméroté de à 5. L'aexe est à redre avec la copie. L'exercice Vrai-Faux est oté sur 8,

Plus en détail

Sciences Po Option Mathématiques

Sciences Po Option Mathématiques Scieces Po Optio Mathématiques Epreue 3 Vrai-Fau Questio FAUX La suite ( u ) état géométrique de raiso différete de, o a classiquemet, pour tout etier aturel : où q est la raiso de la suite ( u ) Ici,

Plus en détail

Correction Bac ES France juin 2010

Correction Bac ES France juin 2010 Correctio Bac ES Frace jui 010 Exercice 1 (4 poits) (Commu à tous les cadidats) Pour ue meilleure compréhesio, les réposes serot justifiées das ce corrigé. Questio 1 Le ombre 3 est solutio de l équatio

Plus en détail

AVRIL 2012 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES. ITS Voie B Option Économie. MATHÉMATIQUES (Durée de l épreuve : 4 heures)

AVRIL 2012 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES. ITS Voie B Option Économie. MATHÉMATIQUES (Durée de l épreuve : 4 heures) ÉCOLE NATIONALE SUPÉRIEURE DE STATISTIQUE ET D ÉCONOMIE APPLIQUÉE ENSEA ABIDJAN AVRIL 2012 CONCOURS INGÉNIEURS DES TRAVAUX STATISTIQUES ITS Voie B Optio Écoomie MATHÉMATIQUES (Durée de l épreuve : 4 heures)

Plus en détail

La fonction de la maîtrise des vitesses est d assurer un temps

La fonction de la maîtrise des vitesses est d assurer un temps sas frotière OÎTE À OUTILS Guide de dimesioemet La maîtrise des vitesses hydrauliques JEN ROUSSEU 1 La oîte à outils du précédet uméro de Techologie traitait du choix d u distributeur pour l actioeur hydraulique.

Plus en détail

Promenades aléatoires : vers les chaînes de Markov

Promenades aléatoires : vers les chaînes de Markov AME Dossier : Matrices et suites 545 romeades aléatoires : vers les chaîes de Markov ierre Griho (*) Cet article propose ue mise e perspective de la otio de promeade ou de marche aléatoire itroduite das

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

Organisme de recherche et d information sur la logistique et le transport LES PREVISIONS DES CONSOMMATIONS

Organisme de recherche et d information sur la logistique et le transport LES PREVISIONS DES CONSOMMATIONS LES PREVISIONS DES CONSOMMATIONS Les logiciels utilisés pour la gestio des stocks itègret de ombreuses foctios de calcul. L ue des plus importates est l exécutio des prévisios des cosommatios futures d

Plus en détail

Entrée à Sciences Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h

Entrée à Sciences Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h Etrée à Scieces Po ADMISSION AU COLLÈGE UNIVERSITAIRE 2014 MATHÉMATIQUES durée de l épreuve : 3 h A P M E P Les calculatrices sot autorisées Exercice Vrai-Faux 8 poits Pour chacue des affirmatios suivates,

Plus en détail

X. Algorithmes d optimisation

X. Algorithmes d optimisation Cours MATLAB UNIL-FGSE Hiver 009-00. Itroductio Matlab a ue série d algorithmes déjà implémetés pour trouver les racies (root, fzero), les moidres carrés (lsqcurvefit, lsqli ), la solutio de systèmes d

Plus en détail

Cours de méthodes de simulation

Cours de méthodes de simulation ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION ( ESSAIT) Cours de méthodes de simulatio Préparé par Hasse MATHLOUTHI Aée uiversitaire 2014-2015 AVANT PROPOS Ce documet propose u cours sur

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

Chapitre 1: Calcul des intérêts

Chapitre 1: Calcul des intérêts Chapitre 1: Calcul des itérêts Ce chapitre vise à familiariser le lecteur avec les otios suivates : Itérêt Taux d itérêt omial Taux d itérêt périodique Valeur acquise Valeur actuelle Capitalisatio Le lecteur

Plus en détail

Application «Calculs» Application «Graphiques» Application «Tableur et listes» FR

Application «Calculs» Application «Graphiques» Application «Tableur et listes» FR TI Nspire Documet de Formatio T3 Walloie TI-Nspire Le tout e u des mathématiques Suites umériques La loi de Verhulst Applicatio «Calculs» Applicatio «Graphiques» Applicatio «Tableur et listes» FR Formatios

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

Mathématiques. Cours. BTS Informatique de gestion 2 e année. Denis Jaudon. Directrice de publication : Valérie Brard-Trigo

Mathématiques. Cours. BTS Informatique de gestion 2 e année. Denis Jaudon. Directrice de publication : Valérie Brard-Trigo BTS Iformatique de gestio e aée Deis Jaudo Mathématiques Cours Directrice de publicatio : Valérie Brard-Trigo Les cours du Ced sot strictemet réservés à l usage privé de leurs destiataires et e sot pas

Plus en détail

REQUÊTES. Il est possible de créer des formulaires ou des états à partir de requête.

REQUÊTES. Il est possible de créer des formulaires ou des états à partir de requête. Cliclasolutio Aée 2006/2007 REQUÊTES Utilité des requêtes QUESTIONNER LA BASE DE DONNÉES La foctio classique d'ue requête est de répodre à ue questio sur la base de doées. "Quels sot les cliets habitat

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

PEGA-MSB1 Mise à jour BIP Remote Camera et CLIE Viewer

PEGA-MSB1 Mise à jour BIP Remote Camera et CLIE Viewer v PEGA-MSB1 Mise à jour BIP Remote Camera et CLIE Viewer Cliquez sur le lie pour accéder au mauel correspodat. Importat Remote Camera Versio 1.0 CLIE Viewer (BIP Fuctios) Versio 1.0 Importat Importat Importat

Plus en détail

Méthodes basiques en statistiques sous R

Méthodes basiques en statistiques sous R Méthodes basiques e statistiques sous R Master II Modélisatio Aléatoire - Paris VII Eseigat : Mme Picard Sébastie Le Berre 12 mai 2011 R est u logiciel de calcul largemet utilisé par la commuauté scietifique

Plus en détail

Chapitre 3 Détermination de la taille de l'échantillon

Chapitre 3 Détermination de la taille de l'échantillon Chapitre 3 Détermiatio de la taille de l'échatillo Lorsqu o prélève u échatillo pour estimer u paramètre, o court toujours le risque de découvrir u peu trop tard que l'échatillo prélevé est trop petit

Plus en détail

Dénombrement - Combinatoire Cours

Dénombrement - Combinatoire Cours Déombremet - Combiatoire Cours La combiatoire (ou aalyse combiatoire) étudie commet compter des objets. Elle fourit des méthodes de déombremet particulièremet utiles e probabilité. U des pricipaux exemples

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

Bulletin officiel spécial n 8 du 13 octobre 2011

Bulletin officiel spécial n 8 du 13 octobre 2011 Aexe Programme de l eseigemet spécifique et de spécialité de mathématiques de la série écoomique et sociale et de l eseigemet de spécialité de mathématiques de la série littéraire L eseigemet des mathématiques

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

1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS

1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS CHAPITRE 4 MATRICES ET SUITES 1/ ETUDE ASYMPTOTIQUE D'UNE MARCHE ALEATOIRE ENTRE DEUX ETATS 11/ Présetatio et modélisatio O cosidère u système ui peut se trouver soit das u état A, soit das u état, et

Plus en détail

La Méthode de Monte Carlo

La Méthode de Monte Carlo La Méthode de Mote Carlo Etiee Pardoux UMR 6632 Laboratoire d Aalyse, Topologie, Probabilités et EA 3781 Evolutio Biologique Uiversité de Provece Etiee Pardoux (LATP) Marseille, 13/09/2006 1 / 33 Cotets

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

CHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle

CHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle CHAPITRE I Modélisation de processus et estimation des paramètres d un modèle I. INTRODUCTION. Dans la première partie de ce chapitre, nous rappelons les notions de processus et de modèle, ainsi que divers

Plus en détail

L Évaluation d entreprise

L Évaluation d entreprise JOB : mp DIV : 10571 ch10 p. 1 folio : 303 --- 29/8/07 --- 15H31 [ L Évaluatio d etreprise q L évaluatio se pratique à de multiples occasios : cessio de l etreprise, émissio d actios ouvelles, fusio, itroductio

Plus en détail

TP R : méthodes statistiques élémentaires

TP R : méthodes statistiques élémentaires M2 IFMA et MPE TP R : méthodes statistiques élémetaires À la fi de la séace vous déposerez vos scripts R das la boîte de dépôt de votre espace Sakai : http://australe.upmc.fr/portal. 1 Importatio des doées

Plus en détail

La calculatrice est autorisée. Le sujet comporte un total de 5 exercices. ( ) ( ) ( )

La calculatrice est autorisée. Le sujet comporte un total de 5 exercices. ( ) ( ) ( ) Aée 01-013 Mathématiques Décembre 01 Durée : 3 heures BAC blac N 1 La calculatrice est autorisée. Le sujet comporte u total de 5 exercices. Les élèves e suivat pas l eseigemet de spécialité traiterot les

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

Test de validité et d'hypothèse

Test de validité et d'hypothèse Test de validité et d'hypothèse 1 Vocabulaire Problème: Il s'agit à partir de l'étude d'u ou plusieurs échatillos de predre des décisios cocerat l'esemble de la populatio. O est alors ameé à émettre des

Plus en détail

1 ère année > Programme

1 ère année > Programme Istitut Supérieur de Plasturgie d Aleço 1 ère aée > Programme Igéieur Polymères & Composites L igéieur ISPA est u expert e Polymères et Composites ayat ue visio globale de l etreprise lui permettat de

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

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques

Exercices - Variables aléatoires discrètes : corrigé. Variables discrètes finies - Exercices pratiques Variables discrètes fiies - Exercices pratiques Exercice - Loi d u dé truqué - L2/ECS -. X pred ses valeurs das {,..., 6}. Par hypothèse, il existe u réel a tel que P (X k) ka. Maiteat, puisque P X est

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

STATISTIQUE : ESTIMATION

STATISTIQUE : ESTIMATION STATISTIQUE : ESTIMATION Préparatio à l Agrégatio Bordeaux Aée 202-203 Jea-Jacques Ruch Table des Matières Chapitre I. Estimatio poctuelle 5. Défiitios 5 2. Critères de comparaiso d estimateurs 6 3. Exemples

Plus en détail

CONCOURS EXTERNE POUR l ACCÈS AU GRADE D INSPECTEUR DES FINANCES PUBLIQUES AFFECTÉ AU TRAITEMENT DE L INFORMATION EN QUALITÉ D ANALYSTE

CONCOURS EXTERNE POUR l ACCÈS AU GRADE D INSPECTEUR DES FINANCES PUBLIQUES AFFECTÉ AU TRAITEMENT DE L INFORMATION EN QUALITÉ D ANALYSTE J. 3 398 CONCOURS EXTERNE POUR l ACCÈS AU GRADE D INSPECTEUR DES FINANCES PUBLIQUES AFFECTÉ AU TRAITEMENT DE L INFORMATION EN QUALITÉ D ANALYSTE ANNÉE 04 ÉPREUVE ÉCRITE D ADMISSIBILITÉ N 3 Durée : 3 heures

Plus en détail

MATHÉMATIQUES Corrigé

MATHÉMATIQUES Corrigé Exame de ovembre 009 Exame du premier trimestre Le 30 ovembre 009 Classes de ère STG Durée 3 heures MATHÉMATIQUES Corrigé Note aux cadidats L emploi des calculatrices est autorisé (circulaire 99 86 du

Plus en détail

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels.

Université de Provence 2011 2012. Planche 6. Nombres réels. Suites réelles. Nombres réels. Uiversité de Provece 011 01 Mathématiques Géérales I Plache 6 Nombres réels Suites réelles Nombres réels Exercice 1 Mettre sous forme irréductible p/q les ratioels suivats (les chiffres souligés se répètet

Plus en détail

BTS Mécanique et Automatismes Industriels. Statistiques inférentielles

BTS Mécanique et Automatismes Industriels. Statistiques inférentielles BTS Mécaique et Automatismes Idustriels Statistiques iféretielles, Aée scolaire 2005 2006 Statistiques iféretielles 1. Itroductio vocabulaire Pour étudier ue populatio statistique, o a recours à deux méthodes

Plus en détail

FONCTION EXPONENTIELLE

FONCTION EXPONENTIELLE FONCTION EXPONENTIELLE I. RAPPELS : METHODE D EULER Si f est ue foctio dérivable e x 0, o sait que f(x 0 + h) a pour approximatio affie f(x 0 ) + f '(x 0 )h O peut doc sur de "petits" itervalles, approcher

Plus en détail

ASSOCIATION POUR LA CERTIFICATION DES MATERIAUX ISOLANTS

ASSOCIATION POUR LA CERTIFICATION DES MATERIAUX ISOLANTS Idice de Révisio Date de mise e applicatio B 01/09/2014 Cahier Techique 1 ASSOCIATION POUR LA CERTIFICATION DES MATERIAUX ISOLANTS 4, aveue du Recteur-Poicarré, 75782 Paris Cedex 16 Tel. 33.(0)1.64.68.84.97

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

Petit manuel de bonne rédaction

Petit manuel de bonne rédaction Petit mauel de boe rédactio «Bie rédiger» peut sigifier deux choses : 1) exposer sa pesée clairemet, c est-à-dire avec ordre et rigueur et si possible avec style ; U raisoemet faux peut être bie rédigé,

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

Correction des exercices sur la nature ondulatoire de la lumière

Correction des exercices sur la nature ondulatoire de la lumière CORRECTION EXERCICES TS /5 CHAPITRE 3 Correctio des exercices sur la ature odulatoire de la lumière Correctio exercice : idice d u verre et réfractio. La radiatio = 530 m est verte et la radiatio = 680

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

STATISTIQUE : TESTS D HYPOTHESES

STATISTIQUE : TESTS D HYPOTHESES STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie

Plus en détail

5 Transformée de Fourier Discrète

5 Transformée de Fourier Discrète Traitemet umérique du sigal Cours ELE-FOD 5. Séries réelles 5 Trasformée de Fourier Discrète Das so ouvrage «Théorie aalytique de la chaleur (8» Joseph FOURIER itroduit la décompositio des foctios périodiques

Plus en détail

AVANT PROPOS. Cet ouvrage pourra intéresser également les enseignants de ce niveau.

AVANT PROPOS. Cet ouvrage pourra intéresser également les enseignants de ce niveau. AVANT PROPOS Cet ouvrage propose aux élèves de classes termiales (fraçais) S (spécialité math) des rappels et des complémets de cours assez complet, aisi que des problèmes et des exercices corrigés. Les

Plus en détail

Ce type de compresseur est aussi appelée compresseur volumetrique.

Ce type de compresseur est aussi appelée compresseur volumetrique. Chapitre 4 Compresseurs Buts 1. Savoir que das ce cas if faut se redre compte qu il y a des effets thermique 2. Savoir qu il y a ue limite á l augmetatio de la pressio de gaz 3. Savoir quelles istabilités

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

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

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours Exo7 Logique, esembles et applicatios Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I :

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

. (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

I- Rappel I-1. Types de tirages : Soit un ensemble fini E contenant n éléments. On considère l'épreuve suivante : " tirer p éléments de E ".

I- Rappel I-1. Types de tirages : Soit un ensemble fini E contenant n éléments. On considère l'épreuve suivante :  tirer p éléments de E . Cours de termiales Probabilités sur u esemble fii Mr ABIDI F I- Rappel I- Types de tirages : Soit u esemble fii E coteat élémets O cosidère l'épreuve suivate : " tirer p élémets de E " Type de tirages

Plus en détail

Cryptographie et algorithmique

Cryptographie et algorithmique F.Gaudo 1 er ovembre 2010 Table des matières 1 Avat de commecer 2 2 Préformattage d'u texte pour aalyse 3 2.1 Élimiatio de la poctuatio et des espaces das u texte................. 3 2.2 Formatage du texte

Plus en détail

Le chef d entreprise développe les services funéraires de l entreprise, en

Le chef d entreprise développe les services funéraires de l entreprise, en Le chef d etreprise développe les services fuéraires de l etreprise, e assurat lui-même tout ou partie des activités de vete et e ecadrat directemet le persoel techique et commercial et d exploitatio.

Plus en détail

Système d'éclairage et perturbations

Système d'éclairage et perturbations Lycée N.APPER 447 ORVAUL Essai de système Système d'éclairage et perturbatios Objectifs Etude du foctioemet des systèmes d'éclairage fluorescets à tube et "fluocompacte" : foctioemet, perturbatios du réseau.

Plus en détail

TS Intervalle de fluctuation et estimation Cours

TS Intervalle de fluctuation et estimation Cours Aée 2013/2014 TS Itervalle de fluctuatio et estimatio Cours est u etier aturel o ul et p est u réel de l itervalle 0 ; 1. I Itervalle de fluctuatio Cotexte : Das ue populatio, la proportio d idividus présetat

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

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

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

Utilisation du bootstrap pour les problèmes statistiques liés à l estimation des paramètres

Utilisation du bootstrap pour les problèmes statistiques liés à l estimation des paramètres B A S E Biotechol Agro Soc Eviro 00 6 (3) 43 53 Utilisatio du bootstrap pour les problèmes statistiques liés à l estimatio des paramètres Rudy Palm Uité de Statistique et Iformatique Faculté uiversitaire

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

Fluctuation et estimation

Fluctuation et estimation Fluctuatio et estimatio Table des matières I Idetificatio de la situatio........................................ II Échatilloage, itervalle de fluctuatio asymptotique........................ II. Itervalle

Plus en détail

Accueil chez l assistante maternelle

Accueil chez l assistante maternelle Accueil chez l assistate materelle 2 Ce livret a été réalisé par u groupe d assistates materelles idépedates qui se réuisset régulièremet pour réfléchir à leurs pratiques professioelles. Ce groupe est

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

CHAPITRE 22. Machines à sous

CHAPITRE 22. Machines à sous CHAPITRE 22 Machies à sous 22. Corrigé possible du texte 22.. Eocé du problème et défiitio du modèle statistique associé O étudie ici u modèle statistique avec observatios icomplètes : o dispose d observatios

Plus en détail

Questions Chapitre 2 L approche statistique de la réalité 1

Questions Chapitre 2 L approche statistique de la réalité 1 Questios Chapitre 2 L approche statistique de la réalité 1 Expliquer la otio de variable et défiir les différets types de variables Décrire les échelles de classificatio et trasformer les doées pour passer

Plus en détail

Document ressource. Les états de surface

Document ressource. Les états de surface Lycée Vaucaso Tours Documet ressource Les états de surface PTSI Objectifs : Coaître les élémets caractéristiques d u état de surface, savoir lire les spécificatios ormalisées associées et coaître les moyes

Plus en détail

G U I D E DE LA CANDIDATE ET DU CANDIDAT 2016 FORMATION INITIALE POUR LES CLASSES ENFANTINES ET PRIMAIRES. www.hepvs.ch. e a p. r e nd. n e.

G U I D E DE LA CANDIDATE ET DU CANDIDAT 2016 FORMATION INITIALE POUR LES CLASSES ENFANTINES ET PRIMAIRES. www.hepvs.ch. e a p. r e nd. n e. t e x t e a p s b p z f y l r e d e r e FORMATION INITIALE POUR LES CLASSES ENFANTINES ET PRIMAIRES G U I D E DE LA CANDIDATE ET DU CANDIDAT 2016 u r r e c d i d m La Haute Ecole Pédagogique du Valais

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

Baccalauréat S Nouvelle-Calédonie 7 mars 2014

Baccalauréat S Nouvelle-Calédonie 7 mars 2014 Durée : 4 heures Baccalauréat S Nouvelle-Calédoie 7 mars 2014 A. P. M. E. P. EXERCICE 1 Commu à tous les cadidats 4 poits Cet exercice est u QCM questioaire à choix multiple. Pour chaque questio, ue seule

Plus en détail

PROBABILITES à la STATISTIQUE - APPLICATIONS - Jean-Marie MARION

PROBABILITES à la STATISTIQUE - APPLICATIONS - Jean-Marie MARION Des PROBABILITES à la STATISTIQUE - APPLICATIONS - Jea-Marie MARION 1 STATISTIQUE DESCRIPTIVE (décrire ue populatio à l aide de caractéristiques et graphiques) STATISTIQUE INFERENTIELLE (étedre des résultats

Plus en détail

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures)

Bac Blanc Terminale L - Février 2015 Épreuve de Spécialité Mathématiques (durée 3 heures) Exercice 1 (5 poits) Bac Blac Termiale L - Février 015 Épreuve de Spécialité Mathématiques (durée 3 heures) Questio 1 : La populatio d'ue ville baisse de 1 % tous les as pedat 10 as. Elle est doc multipliée

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

Séquence 9. Sommaire. 1. Pré-requis 2. Intervalles de fluctuation 3. Estimation 4. Synthèse de la séquence 5. Exercices de synthèse

Séquence 9. Sommaire. 1. Pré-requis 2. Intervalles de fluctuation 3. Estimation 4. Synthèse de la séquence 5. Exercices de synthèse Séquece 9 Itervalles de fluctuatio, estimatio Objectifs de la séquece Das le chapitre 2, o étudie des itervalles de fluctuatio des variables aléatoires X F =, fréqueces des variables aléatoires biomiales

Plus en détail

Remise à Niveau Mathématiques

Remise à Niveau Mathématiques Mathématiques RAN - Calcul et raisoemet Remise à Niveau Mathématiques Première partie : Calcul et raisoemet Exercices Page sur 9 RAN Calcul et raisoemet Ex - Rev 04 Mathématiques RAN - Calcul et raisoemet

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

Été 2007 l Numéro 1. Division des enquêtes spéciales. Un mot de la rédactrice... 2. ELNEJ disponible en ligne!... 2. Coup d oeil sur les cycles

Été 2007 l Numéro 1. Division des enquêtes spéciales. Un mot de la rédactrice... 2. ELNEJ disponible en ligne!... 2. Coup d oeil sur les cycles Été 2007 l Numéro 1 Divisio des equêtes spéciales U mot de la rédactrice... 2 ELNEJ dispoible e lige!... 2 Coup d oeil sur les cycles.. Cycle 6...3.. Cycle 7...3.. Cycle 8... 3 Faits saillats.. La dispositio

Plus en détail