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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

. (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

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

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

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

3.1 Différences entre ESX 3.5 et ESXi 3.5 au niveau du réseau. Solution Cette section récapitule les différences entre les deux versions.

3.1 Différences entre ESX 3.5 et ESXi 3.5 au niveau du réseau. Solution Cette section récapitule les différences entre les deux versions. 3 Réseau Le réseau costitue u aspect essetiel d u eviroemet virtuel ESX. Il est doc importat de compredre la techologie, y compris ses différets composats et leur coopératio. Das ce chapitre, ous étudios

Plus en 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

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

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

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

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

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

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

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

Logiciel de synchronisation de flotte de baladeurs MP3 / MP4 ou tablettes Androïd

Logiciel de synchronisation de flotte de baladeurs MP3 / MP4 ou tablettes Androïd easylab Le logiciel de gestio de fichiers pour baladeurs et tablettes Visualisatio simplifiée de la flotte Gestio des baladeurs par idividus / classes / groupes / activités Activatio des foctios par simple

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

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

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

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

Sommaire Chapitre 1 - L interface de Windows 7 9

Sommaire Chapitre 1 - L interface de Windows 7 9 Sommaire Chapitre 1 - L iterface de Widows 7 9 1.1. Utiliser le meu Démarrer et la barre des tâches de Widows 7...11 Démarrer et arrêter des programmes...15 Épigler u programme das la barre des tâches...18

Plus en 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

[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

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

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

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

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

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

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

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

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

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

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 sera mis à dispositio des cadidats, si écessaire. Etat au 1er mars

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

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

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

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

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

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

Mobile Business. Communiquez efficacement avec vos relations commerciales 09/2012

Mobile Business. Communiquez efficacement avec vos relations commerciales 09/2012 Mobile Busiess Commuiquez efficacemet avec vos relatios commerciales 9040412 09/2012 U choix capital pour mes affaires Pour gérer efficacemet ses affaires, il y a pas de secret : il faut savoir predre

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

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

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

Simulations interactives de convertisseurs en électronique de puissance

Simulations interactives de convertisseurs en électronique de puissance Simulatios iteractives de covertisseurs e électroique de puissace Jea-Jacques HUSELSTEIN, Philippe ENII Laboratoire d'électrotechique de Motpellier (LEM) - Uiversité Motpellier II, 079, Place Eugèe Bataillo,

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

Compte Sélect Banque Manuvie Guide du débutant

Compte Sélect Banque Manuvie Guide du débutant GUIDE DU DÉBUTANT Compte Sélect Baque Mauvie Guide du débutat Besoi d aide? Preez quelques miutes pour lire attetivemet votre Guide du cliet. Le préset Guide du débutat vous facilitera l utilisatio de

Plus en 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

POLITIQUE ECONOMIQUE ET DEVELOPPEMENT

POLITIQUE ECONOMIQUE ET DEVELOPPEMENT POLTQU ONOMQU T DVLOPPMNT TRUTUR DU MAR NATONAL DU AF-AAO T PR AU PRODUTUR MALAN Beïla Beoit osultat PD N 06/008 ellule d Aalyse de Politiques coomiques du R Aée de pulicatio : Avril 009 Résumé e papier

Plus en 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

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

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

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

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

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

Lignes directrices applicables aux régimes de capitalisation

Lignes directrices applicables aux régimes de capitalisation Solutios Retraite collectives Liges directrices applicables aux régimes de capitalisatio RÉPONDEZ AUX EXIGENCES ÉNONCÉES DANS LES LIGNES DIRECTRICES GRÂCE AUX EXCELLENTS OUTILS DE LA FINANCIÈRE MANUVIE

Plus en détail

Les solutions mi-hypothécaires, mi-bancaires de Manuvie. Guide du conseiller

Les solutions mi-hypothécaires, mi-bancaires de Manuvie. Guide du conseiller Les solutios mi-hypothécaires, mi-bacaires de Mauvie Guide du coseiller 1 2 Table des matières Itroductio... 5 La Baque Mauvie...5 Le compte Mauvie U...5 Le compte Sélect Baque Mauvie...5 1. Les solutios

Plus en détail

Donnez de la liberté à vos données. BiBOARD. www.biboard.fr

Donnez de la liberté à vos données. BiBOARD. www.biboard.fr Doez de la liberté à vos doées BiBOARD www.biboard.fr Le décisioel pour tous Le décisioel évolue. L etreprise quelle que soit sa taille, a besoi de piloter so activité à l aide d outils simples, fiables,

Plus en détail

Faites prospérer vos affaires grâce aux solutions d épargne et de gestion des dettes

Faites prospérer vos affaires grâce aux solutions d épargne et de gestion des dettes Faites prospérer vos affaires grâce aux solutios d éparge et de gestio des dettes Quelques excelletes raisos d offrir des produits bacaires et de fiducie à vos cliets Vous avez la compétece écessaire pour

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

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

LE WMS EXPERT DE LA SUPPLY CHAIN DE DÉTAIL

LE WMS EXPERT DE LA SUPPLY CHAIN DE DÉTAIL LE WMS EXET DE LA SULY HAIN DE DÉTAIL QUELS SNT LES ENJEUX DE LA SULY HAIN? garatir la promesse cliet es derières aées, la distributio coaît ue véritable mutatio avec l évolutio des modes de cosommatio.

Plus en détail

Evaluation de la Délivrance de Méthadone en Belgique

Evaluation de la Délivrance de Méthadone en Belgique 1 SERVICE PUBLIC FEDERAL DE PROGRAMMATIO POLITIQUE SCIETIFIQUE rue de la Sciece 8 B-1000 BRUXELLES Tél. 02 238 34 11 Fax 02 230 59 12 URL : www.belspo.be Evaluatio de la Délivrace de Méthadoe e Belgique

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

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

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

Renseignements et monitoring. Renseignements commerciaux et de solvabilité sur les entreprises et les particuliers.

Renseignements et monitoring. Renseignements commerciaux et de solvabilité sur les entreprises et les particuliers. Reseigemets et moitorig. Reseigemets commerciaux et de solvabilité sur les etreprises et les particuliers. ENSEMBLE CONTRE LES PERTES. Reseigemets Creditreform. Pour plus de trasparece. Etreteir des rapports

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

Les algorithmes de tri

Les algorithmes de tri CONSERVATOIRE NATIONAL DES ARTS ET METIERS PARIS MEMOIRE POUR L'EXAMEN PROBATOIRE e INFORMATIQUE par Nicolas HERVE Les algorithmes de tri Souteu le mai JURY PRESIDENTE : Mme COSTA Sommaire Itroductio....

Plus en détail

Mécanismes de protection contre les vers

Mécanismes de protection contre les vers Mécaismes de protectio cotre les vers Itroductio Au cours de so évolutio, l Iteret a grademet progressé. Il est passé du réseau reliat quelques cetres de recherche aux États-Uis au réseau actuel reliat

Plus en 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

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

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

Création et développement d une fonction audit interne*

Création et développement d une fonction audit interne* Créatio et développemet d ue foctio audit itere* Ue démarche e 10 étapes [ Sommaire] Dix étapes pour réussir... 7 Étapes 1 à 4 Défiitio du cadre d itervetio... 9 1 Idetifier les attetes des parties preates...

Plus en détail

La fibre optique arrive chez vous Devenez acteur de la révolution numérique

La fibre optique arrive chez vous Devenez acteur de la révolution numérique 2 e éditio Edité par l Autorité de régulatio des commuicatios électroiques et des postes RÉPUBLIQUE FRANÇAISE DÉCEMBRE 2010 La fibre optique arrive chez vous Deveez acteur de la révolutio umérique Petit

Plus en détail

La maladie rénale chronique

La maladie rénale chronique La maladie réale chroique Qu est-ce que cela veut dire pour moi? Natioal Kidey Disease Educatio Program La maladie réale chroique: l essetiel Vous avez été iformé(e) que vous êtes atteit(e) de la maladie

Plus en détail

www.toyota-forklifts.fr SOLUTIONS DE FINANCEMENT 100 % Toyota Material Handling France

www.toyota-forklifts.fr SOLUTIONS DE FINANCEMENT 100 % Toyota Material Handling France www.toyota-forklifts.fr SOLUTIONS DE FINANCEMENT 100 % Toyota Material Hadlig Frace SOLUTIONS DE FINANCEMENT TOYOTA MATERIAL HANDLING Parce qu avat tout ous sommes Toyota NOS SOLUTIONS DE FINANCEMENT Coçues

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

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

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

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

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

One Office Voice Pack Vos appels fixes et mobiles en un seul pack

One Office Voice Pack Vos appels fixes et mobiles en un seul pack Uique! Exteded Fleet Appels illimités vers les uméros Mobistar et les liges fixes! Oe Office Voice Pack Vos appels fixes et mobiles e u seul pack Commuiquez et travaillez e toute liberté Mobistar offre

Plus en détail