8.1 INTRODUCTION CHAPITRE 10 ALGORITHMES PROBABILISTES. Exemple. 8.1 Introduction (10.1 à 10.4) Classification des algorithmes probabilistes 4

Dimension: px
Commencer à balayer dès la page:

Download "8.1 INTRODUCTION CHAPITRE 10 ALGORITHMES PROBABILISTES. Exemple. 8.1 Introduction (10.1 à 10.4) 2. 8.2 Classification des algorithmes probabilistes 4"

Transcription

1 8. INTRODUCTION CHAPITRE 0 ALGORITHMES PROBABILISTES Les uméros de sectio idiqués à droite et utilisés das ces trasparets correspodet à l aciee structuratio du coteu 8. Itroductio (0. à 0.4) Classificatio des algorithmes probabilistes Algorithmes probabilistes umériques (0.5) Approimatio de valeurs sigulières Epériece du comte de Buffo (0.5.) Jet de dards sur ue cible carrée Itégratio umérique (0.5.2) Comptage probabiliste (estimatio d ue valeur etière) (0.5.3) 8.4 Algorithmes de Sherwood (0.7, p. 353) La sélectio et le tri (0.7.2) Fouille das ue liste compacte triée (pb. 0.36) Algorithmes de Las Vegas (0.7) Problème des 8 reies (0.7.) Algorithmes de Mote-Carlo (0.6) Problème du tableau majoritaire Autres problèmes (0.6. et 0.6.2) 2 6 Aalyse d algorithmes 200 Chapitre 0 - ALGORITHMES PROBABILISTES Eemple Vous participez à u jeu questioaire; vous avez répodu correctemet à ue première questio. Cela vous doe droit à l ue des possibilités suivates: A vous arrêtez de jouer et vous vous cotetez d u gai de 00 $. B vous avez la possibilité de tirer à pile ou face; si vous tirez pile, vous gagez 500 $, sio, vous gagez u pri de cosolatio de 0 $. C U téléspectateur vous fait l offre suivate: il tire à pile ou face; s il tire pile, il vous remet la moitié des 500 $ du cas B, sio, il s egage à vous remettre les 00 $ du cas A. Que choisissez-vous? Répose Il fau maimiser l'espérace de gai. Celle-ci est de 00 $ das le cas A, ( ) / 2 = 255 $ das le cas B, et ( ) / 2 = 75 $ das le cas C. E e se fodat que sur la maimisatio du gai, il faut doc choisir le cas B. Das u cas plus gééral, soiet le gai fie du cas A, y le gros lot du cas B, et z le lot de cosolatio du cas B. Les espéraces de gai das les cas A, B et C sot respectivemet, (y + z) / 2, et y/4 + /2. Comme 2z < < y/2, le cas C est toujours meilleur que le cas A, qui peut doc être élimié. Le choi etre B et C dépedra des valeurs relatives de, y et z. Pricipe e algorithmique Lorsqu u algorithme se trouve devat ue alterative, il est parfois préférable de choisir aléatoiremet la prochaie actio à predre que de s efforcer à empruter la voie la plus rapide ou la meilleure. Critère de choi Le temps employé à détermier le choi optimal peut être prohibitif, comparé au temps qui sera écoomisé e moyee suite à ce choi. Par oppositio, l algorithme probabiliste peut être efficace das le ses de l espérace mathématique du temps d eécutio. 2 Chapitre 0 - ALGORITHMES PROBABILISTES 200 R. Lelouche

2 8. INTRODUCTION (suite) Eemples A Recherche du k e plus petit élémet das u tableau à élémets. Implique le choi d u pivot : - la médiae - le er élémet du tableau - u élémet aléatoire B Recherche d ue solutio au problème des 8 reies. Aspects particuliers d u algorithme probabiliste - E eécutat u même algorithme sur u même eemplaire, des solutios différetes peuvet être obteues. - L aalyse des algorithmes probabilistes est souvet complee. Distributios uiformes (otatios) Sur des réels a et b: uiforme (a, b) retoure u ombre réel choisi aléatoiremet, uiformémet, et idépedammet, tel que a < b, à u coût uitaire. Sur des etiers i et j, uiforme (i..j) retoure u etier k choisi aléatoiremet tel que i k j. Lie etre uiforme (etiers) et uiforme (réels): uiforme (i..j) = uiforme (i, j+) Sur u esemble fii o vide, uiforme(x) retoure u élémet choisi aléatoiremet das X. Géérateurs de ombres aléatoires. E pratique, o utilise plutôt des géérateurs de variables pseudo-aléatoires, capables de géérer ue chaîe d apparece aléatoire à partir d u germe. Aalyse d algorithmes 200 Chapitre 0 - ALGORITHMES PROBABILISTES CLASSIFICATION DES ALGORITHMES PROBABILISTES U algorithme probabiliste laisse au hasard le soi de predre certaies de ses décisios. Quatre grades catégories A) Solutio approimative de problèmes umériques La répose de l algorithme est toujours approimative, mais sa précisio est d autat meilleure e moyee que le temps dot l algorithme dispose est grad. Eemples: Techiques de simulatio. Estimatio d ue valeur umérique (valeur d ue itégrale, ombre d objets das u esemble très grad, ombre d objets disticts das u esemble très grad, etc.). Iterpolatio, etrapolatio. B) Algorithmes de Sherwood Retouret toujours ue répose, toujours eacte. - Il eiste u algorithme détermiiste déjà cou pour résoudre le problème, beaucoup plus rapide e moyee qu e pire cas. - L utilisatio du hasard permet de dimiuer cette différece etre bos et mauvais eemplaires. Eemple (rappel): le tri de Hoare pred u temps moye das O( log) u temps e pire cas das Ω( 2 ) 4 Chapitre 0 - ALGORITHMES PROBABILISTES 200 R. Lelouche

3 8.2 CLASSIFICATION DES ALGORITHMES PROBABILISTES (suite) Quatre grades catégories (suite) C ) Algorithmes de Las Vegas Ils e retouret jamais de répose ieacte mais ils peuvet e pas trouver de répose. La probabilité de succès d u tel algorithme est d autat meilleure que le temps dot il dispose est grad. La probabilité d échec peut être réduite arbitrairemet près de 0. Eemples : a) problème des 8 reies b) factorisatio d u etier D ) Algorithmes de Mote-Carlo Ils doet toujours ue répose, mais celle-ci est pas toujours eacte. Il est difficile de détermier si la répose obteue est correcte. Comme pour les algorithmes de Las Vegas, la probabilité de succès (c està-dire ici de répose correcte) d u tel algorithme est d autat meilleure que le temps dot il dispose est grad. Problème bie caractérisé. Défiitio : U problème est bie caractérisé s il est toujours possible de vérifier efficacemet l eactitude d ue solutio présumée. Eemple : trouver u diviseur d u ombre (bie caractérisé) trouver le plus petit diviseur d u ombre (pas bie caractérisé) Aalyse d algorithmes 200 Chapitre 0 - ALGORITHMES PROBABILISTES ALGORITHMES PROBABILISTES NUMÉRIQUES 8.3. Approimatio de valeurs sigulières Epériece du comte de Buffo Vous échappez sur votre placher de bois le coteu d ue boîte de cure-dets. Ceu-ci sot répadus e des positios et des agles aléatoires. Chaque cure-dets est 2 fois mois log que la largeur d ue latte du placher. Combie de cure-dets chevaucherot 2 lattes? latte A ß Probabilité qu u cure-det chevauche 2 lattes: (acie problème 8.3.) 2 arc cos d = 2π 0 π Par eemple, si la boîte coteait 355 cure-dets, le ombre moye de curedets qui chevauchet 2 lattes est 355 π 3 Voilà doc ue méthode pour estimer π! 6 Chapitre 0 - ALGORITHMES PROBABILISTES 200 R. Lelouche

4 8.3. Approimatio de valeurs sigulières (suite) Jet de dards sur ue cible carrée. L epériece cosiste à jeter dards sur ue cible carrée et à compter le ombre k d etre eu tombat à l itérieur du cercle iscrit das ce carré. Nombre moye de dards à l itérieur du cercle : k = πr 2 4r 2 = π 4 Par coséquet, π 4k. Cette epériece peut être simulée par l algorithme suivat: FONCTION Dards(): réel. k 0. POUR i JUSQU À FAIRE {Lacer u dard} uiforme (0,) y uiforme (0,) {Regarder s il est das le cercle} SI 2 + y 2 ALORS k k + RETOURNER 4k. FIN Dards. L approimatio de π retourée est d autat meilleure que est grad. Aalyse d algorithmes 200 Chapitre 0 - ALGORITHMES PROBABILISTES Itégratio umérique Itégratio de Mote-Carlo Soit f : [0, ] [0, ] ue foctio cotiue. Alors 0 f() d est ue mesure de l'aire située sous la courbe y = f(). y = f() 0 Évaluatio de cette itégrale FONCTION Calcul-Itégrale (f, ): réel. k 0 POUR i JUSQU À FAIRE { essais} uiforme (0, ) y uiforme (0, ) SI y f() ALORS {il est sous la courbe } k k + {o le compte} RETOURNER k/. FIN Calcul-Itégrale. Notes º 4 2 d = π 0 Doc f() = 4 2 peut être utilisée pour estimer la valeur de π. 2º (Acie pb ) Soit ue foctio f: [a, b] [c, d]. Évaluer a b f() d. b Répose: f() d = (b a) c + (b a) (d c) g() d a 0 où g() est f() rameée à : [0,] [0,], c est-à-dire: g() = d c (f(a + (b a)) c) 8 Chapitre 0 - ALGORITHMES PROBABILISTES 200 R. Lelouche

5 La surface sous la courbe est approimée par la jutapositio de trapèzes dot les sommets sot (i =, 2,..., ) : ( a + (i ) δ, 0 ), ( a + i δ, 0 ), ( a + (i ) δ, f(a + (i ) δ) ), ( a + i δ, f(a + i δ) ). où δ = b a Itégratio umérique (suite) Autre méthode pour estimer la valeur d ue itégrale défiie. Il eiste des maières probabilistes plus efficaces d estimer ue itégrale défiie. Das le cas le plus simple, o géère aléatoiremet et uiformémet u certai ombre de poits à l itérieur de l itervalle coceré. L estimatio est alors le produit de l itervalle par la moyee arithmétique de la valeur de la foctio e ces poits. FONCTION Calcul-Itégrale (f,, a, b): réel. {f = foctio à itégrer, = ombre d essais, (a, b) = itervalle d itégratio} Somme 0 POUR i JUSQU À FAIRE uiforme (a, b) Somme Somme + f() RETOURNER (b a) Somme {largeur de l itervalle moyee arithmétique} FIN Calcul-Itégrale. E [f()] = a b f() Doc, u estimateur de a b f() d est b a d f(i) i= b a Algorithme détermiiste (meilleur): méthode du trapèze. y=f() a b a+delta b-delta Aalyse d algorithmes 200 Chapitre 0 - ALGORITHMES PROBABILISTES Itégratio umérique (suite) Méthode du trapèze (calculs).. Aisi, l aire cherchée est: S = δ i= f(a+i δ) + f(a+(i )δ) 2 = δ f(a) + f(b) 2 + f(a+i δ) i= FONCTION Trapèze (f,, a, b): réel. Delta b a Somme (f(a) + f(b)) /2 {demi-somme au bores} POUR a + Delta PAS Delta JUSQU À b Delta FAIRE {demi-sommes itermédiaires} Somme Somme + f() RETOURNER Somme * Delta. FIN Trapèze. Notes : º Cette méthode de subdivisio (détermiiste) peut toutefois etraîer des erreurs. Par eemple, avec f() = si 2 (00! π), tout appel à Trapèze (f,, 0, ) avec 2 0 retoure la valeur 0 (vraie valeur = /2). 2º Les algorithmes probabilistes umériques sot surtout utilisés pour évaluer ue itégrale multiple (le ombre de poits écessaires augmete pas avec le ombre de dimesios d itégratio). Noter que le p.p.c.m. des cet premiers etiers suffirait. 0 Chapitre 0 - ALGORITHMES PROBABILISTES 200 R. Lelouche

6 8.3.3 Comptage probabiliste (estimatio d ue valeur etière) Problème : Détermier la cardialité (très élevée) d u esemble fii X, où ous pouvos puiser das X d ue faço aléatoire, uiforme et idépedate. Nombre de faços différetes de piger k objets disticts parmi :! ( ) ( 2)... ( k+) = ( k)! Nombre de faços différetes de piger k objets (répétitios permises) :... (k facteurs) = k Aisi, la probabilité pour que k objets tirés parmi, avec remise, de faço aléatoire, uiforme et idépedate soiet disticts, est égale à P(k, ) = ( ) ( 2)... ( k+) k =! k( k)! Eemple : (problème ou 0.) Ue salle cotiet 25 persoes choisies aléatoiremet, êtes-vous prêt à parier qu au mois deu d etre elles ot le même aiversaire? Calculos P(25, 365) = 0, La répose est doc OUI à 56,87%. Résultat (problème 8.3.4). Soit k le ombre de tirages avat l occurrece de la première répétitio. Alors: (problème 8.3.4) Lorsque est grad, E[k] ted vers π 2 Ce résultat peut être utilisé pour estimer la cardialité d u grad esemble: FONCTION Comptage (X : esemble): etier. k 0 S Ø a uiforme(x) RÉPÉTER k k + S S {a} a uiforme(x) JUSQU À CE QUE a S. RETOURNER 2k 2 π. FIN Comptage. Aalyse d algorithmes 200 Chapitre 0 - ALGORITHMES PROBABILISTES 8.4 ALGORITHMES DE SHERWOOD appelés algorithmes de Las Vegas du premier type das le ouveau livre (cf. p. 353, e particulier les trois deriers aliéas) Toute aalyse e moyee d u algorithme doit être basée sur ue hypothèse cocerat la distributio de probabilité des eemplaires à traiter. Cette hypothèse peut être satisfaite pour certaies applicatios, et pas pour d autres. Par eemple, ue applicatio qui géère des eemplaires presque triés e satisfait pas l hypothèse que les eemplaires à trier sot aléatoires. But d u algorithme de Sherwood : Uiformiser le temps requis pour les différets eemplaires d ue taille doée. Soiet : A u algorithme détermiiste, ta() le temps requis par l algorithme A pour résoudre l eemplaire, X l esemble des eemplaires de taille. Si chaque élémet X est équiprobable, le temps moye pris par A pour résoudre u eemplaire de taille est ta () = card(x) ta() X Mais il est possible qu il eiste u X pour lequel ta() >> ta (). C est pourquoi o cherche u algorithme probabiliste B tel que X : tb() ta () + s() où tb() est l espérace mathématique du temps pris par B pour résoudre, et s() est u coût à payer pour l uiformisatio du temps. Note : u mauvais temps pris par B e déped pas de, mais uiquemet des choi probabilistes faits par B. Soit tb () le temps espéré moye pris par B pour résoudre u eemplaire de taille. Alors et il est clair que tb () = card(x) tb() X tb () ta () + s(). Aisi, u algorithme de Sherwood B a presque le même comportemet que l algorithme détermiiste équivalet A si s() est égligeable. 2 Chapitre 0 - ALGORITHMES PROBABILISTES 200 R. Lelouche

7 8.4. La sélectio et le tri (sectio du ouveau livre) Positio du problème. Reveos au problème de la recherche du k me plus petit élémet d u tableau de élémets. Deu choi de pivot, deu algorithmes: A) Pseudo-médiae : temps liéaire e pire cas, costate cachée élevée. B) Premier élémet du tableau : temps liéaire e moyee, temps quadratique e pire cas (prohibitif), costate cachée beaucoup plus faible. E gééral, B est meilleur; mais, pour u eemplaire doé, B peut être désastreu cotrairemet à A. Stratégie de l algorithme probabiliste C : Choisir le pivot aléatoiremet parmi les élémets de T. FONCTION Sélectio-Sherwood (T[..], k): élémet de T. { Retoure le k me plus petit élémet de T; o suppose k } i ; j TANT QUE i < j faire m T[uiforme(i..j)] Partitioer (T, i, j, m, u, v) { pivot autour de m } SI k < u ALORS j u SINON SI k > v ALORS i v+ SINON i, j k FIN TANT QUE. RETOURNER T[i]. FIN Sélectio-Sherwood. Avatages de l algorithme C Algorithme simple : o évite le calcul de la pseudo-médiae. Algorithme o récursif : costate cachée faible. Surtout tc() O() X Grâce à l approche probabiliste, u algorithme efficace e moyee mais iefficace sur certais eemplaires a été trasformé e u algorithme efficace quel que soit l eemplaire Prétraitemet stochastique Après cette opératio, les élémets de T[i..u ] sot tous iférieurs à m, ceu de T[u..v] sot égau à m, et ceu de T[v+..j] sot supérieurs à m. Aalyse d algorithmes 200 Chapitre 0 - ALGORITHMES PROBABILISTES Fouille das ue liste compacte triée (simplemet problème 0.36 das le ouveau livre) Liste compacte = ses élémets sot compactés das u tableau. Soiet deu vecteurs Val [.. ], Ptr [.. ] et u etier Tête, les clefs sot triées e ordre croissat : Val[Tête], Val[Ptr(Tête)], etc. Ptr[i] = 0 désige la fi de la liste le rag d ue clef est égal au ombre de clefs das la liste. Eemple : i Val[i] Ptr[i] avec Tête = 4, représete la liste (, 2, 3, 5, 8, 3, 2). La recherche dichotomique e peut être appliquée (le milieu de la liste e peut être repéré). Algorithme A détermiiste FONCTION A(): positio. RETOURNER Chercher (, Tête). FIN A. avec FONCTION Chercher (, i): positio. { retrouve ue clef à partir d ue positio i e autat que Val[i] } TANT QUE > Val[i] FAIRE i Ptr[i] RETOURNER i. FIN Chercher. Problème Détermier ta^ (, k), le ombre eact d accès au tableau Val par A pour chercher ue clef de rag k parmi clefs ( k ) : ta^ (, k) = k Détermier pa ^ (), le ombre eact d accès e pire cas: pa ^ () = Ma {ta^ (, k) k } = Détermier ma ^ (), le ombre eact d accès e moyee: ma ^ () = k= ta^ (, k) = Chapitre 0 - ALGORITHMES PROBABILISTES 200 R. Lelouche

8 8.4.3 Fouille das ue liste compacte triée (suite) Algorithme probabiliste D FONCTION D(): positio. i uiforme (.. ) y Val[i] SELON < y : RETOURNER Chercher (, Tête) > y : RETOURNER Chercher (, Ptr[i]) AUTREMENT : RETOURNER i. { = y} FIN D. Problème Nombre eact d accès au tableau Val pour rechercher la clé de rag k : + k si < Val[i] (cas <) + k rag (Val[i]) si > Val[i] (cas >) si = Val[i] (cas =) Le problème est aisi d évaluer l espérace mathématique td^ (, k) de ce ombre e utilisat les probabilités p <, p >, et p = des différets cas. O a: td^ (; k) = i= { (+k) p < + (+k rag(val[i])) p > + () p = } Cepedat, même e supposat que tous les rags rag(val[i]) soiet équiprobables, il est FAUX de coclure ceci (voir eercice 8): td^ (, k) = ( + k) 2 + ( + k + 2 ) 2 + = 2 + 2k 2k ( 2 )/2 2 Pourquoi? Pire cas FAUX e découlat: pd ^ () = Ma { td^ (, k) k } = td^ (, ) = 22 ( 2 )/2 2 0,75 Cas moye FAUX e découlat: md ^ () = td^ (, k) = td^ (, k= 2 ) 0,25 Aalyse d algorithmes 200 Chapitre 0 - ALGORITHMES PROBABILISTES Fouille das ue liste compacte triée (fi) Algorithme B détermiiste FONCTION B (): positio. i Tête. Ma Val [i]. POUR j jusqu'à FAIRE y Val[j]. SI Ma < y ALORS i j. Ma y. FIN POUR. RETOURNER Chercher (, i). FIN B. Aalyse (problèmes et 8.4.9) Cet algorithme doe : mb ^ () O( ) pour le cas cas moye, ^ () = Ω() pour le pire cas. pb Doer u eemple eplicite de pire cas (problème 8.4.0). Algorithme de Sherwood C (à epliciter: l etrapoler de B) Aalyse (problèmes 8.4. et 8.4.2). Cet algorithme est efficace même e pire cas, puisque pc ^ () O( ) Adressage dispersé (hashig) uiversel 6 Chapitre 0 - ALGORITHMES PROBABILISTES 200 R. Lelouche

9 8.5 ALGORITHMES DE LAS VEGAS Caractéristiques. U algorithme de Las Vegas e retoure jamais de répose ieacte mais peut parfois e trouver aucue répose. Il peut résoudre certais problèmes pour lesquels aucu algorithme détermiiste efficace est cou. Bie que: - l espérace mathématique du temps soit boe pour chaque eemplaire, - la probabilité d u temps ecessif soit égligeable, il y a aucue limite sur le temps écessaire à l obtetio d ue solutio. U algorithme de Las Vegas peut s'eprimer par u e-tête à 3 paramètres LV(, var y, var Succès), où: désige l'eemplaire à résoudre, Succès vaut VRAI si ue solutio a été obteue, et FAUX sio, y est la solutio correspodat à si Succès = VRAI. Philosophie sous-jacete. Soiet: p() la probabilité de succès de LV pour l eemplaire, s() l espérace mathématique du temps requis par LV sur e cas de succès. e() l espérace mathématique du temps requis par LV sur e cas d échec. FONCTION Obstié(): solutio correspodat à. RÉPÉTER LV(, y, Succès) JUSQU À Succès RETOURNER y. FIN Obstié. Soit t() l espérace mathématique du temps pris par l algorithme Obstié pour résoudre. O a : t() = p() s() + ( p()) (e() + t()) d où : t() = s() + p() p() e() Aisi, la miimisatio de t() est ue affaire de compromis etre p, s, et e. Aalyse d algorithmes 200 Chapitre 0 - ALGORITHMES PROBABILISTES ALGORITHMES DE LAS VEGAS (suite) Problème (acie 8.5.) Soiet s() et e() les temps eacts pris par LV. Calculer la probabilité pour que l algorithme Obstié obtiee ue répose e u temps t. Le ombre de tours de boucle de la foctio Obstié est ue variable aléatoire de loi biomiale égative. La probabilité d obteir u succès après i échecs est ( p())i p(). Le temps de répose de LV est aisi : - après 0 échec : s() avec ue probabilité p() - après échec : s() + e() avec ue probabilité p() ( p()) - après 2 échecs : s() + 2 e() avec ue probabilité p() ( p()) après i échecs : s() + i e() avec ue probabilité p() ( p())i Soit i0 défii par: s() + i0 e() t < s() + (i0 + ) e(), soit i0 = t s() e() La probabilité pour que l algorithme LV fourisse ue répose e u temps au plus égal à t est doc : F (t) = Prob (ombre d échecs i0) = p() ( p())i. i=0 i0 8 Chapitre 0 - ALGORITHMES PROBABILISTES 200 R. Lelouche

10 8.5. Problème des 8 reies Stratégie : placer les reies aléatoiremet sur les liges successives, e s assurat que les reies déjà placées e soiet pas e prise les ues avec les autres. Avec l algorithme suivat, si Succès = VRAI alors Essai [.. 8] cotiet la solutio. PROCÉDURE ReiesLV (8, VAR Essai, VAR Succès). Col, Diag, Diag2 Ø {Col, Diag, Diag2 = coloes et diagoales couvertes} k 0 { k = ombre de liges dot la reie est placée } {Assert: Essai [.. k] est k-prometteur } RÉPÉTER {Assert: Essai [.. k] est k-prometteur } Nb 0 { Nb = ombre de coloes dispoibles sur la (k+) e lige } POUR i À 8 FAIRE SI i Col ET i k Diag ET i+k Diag2 ALORS { la coloe i est dispoible pour la (k+) e reie } Nb Nb+ SI uiforme(.. Nb) = ALORS j i. SI Nb > 0 { la coloe j a été choisie avec prob. /Nb parmi les Nb possibles} ALORS { o officialise le placemet de la (k+) e reie } Essai [k+] j {Assert.: Essai [.. k+] est (k+)-prometteur } Col Col {j} ; Diag Diag {j k} ; Diag2 Diag2 {j+k}. k k+. {Assert.: Essai [.. k] est k-prometteur } JUSQU À Nb = 0 OU k=8 Succès (Nb > 0). FIN ReiesLV. Par uiformité avec la théorie géérale, o a coservé le premier paramètre pour idiquer la taille de l eemplaire etré; ici, cette taille est ue costate (vous pouvez gééraliser l algorithme e paramétrat das cette variable le ombre de liges et de coloes de l échiquier). Aalyse d algorithmes 200 Chapitre 0 - ALGORITHMES PROBABILISTES Problème des 8 reies (suite) Statistiques obteues par cet algorithme. À l aide de plusieurs essais par ordiateur, o obtiet : Probabilité de succès de l algorithme : p(8) = 0,2934 Nombre moye de œuds eplorés e cas de succès : s(8) = 9 (costat) Nombre moye de œuds eplorés e cas d échec : e(8) = 6,97 ce qui ous permet de calculer: Espérace mathématique du ombre de œuds eplorés e répétat l algorithme jusqu à l obtetio d u succès : t(8) = s(8) + p(8) e(8) = 55,927 p(8) ce qui est mois de la moitié du ombre de œuds eplorés par l algorithme détermiiste avec retour arrière. Autre amélioratio Cet algorithme de Las Vegas abadoe tout dès qu u échec est recotré; il recommece à 0. D où ue autre stratégie combiat les deu approches (probabiliste et détermiiste): Jumeler cet algorithme de Las Vegas avec u algorithme par retour arrière. Placer quelques reies aléatoiremet et placer les autres par retour arrière, sas reveir sur la positio des reies placées aléatoiremet. (voir détails das le livre) Racies carrées modulo u premier Factorisatio etière Choi d u chef 20 Chapitre 0 - ALGORITHMES PROBABILISTES 200 R. Lelouche

11 8.6 ALGORITHMES DE MONTE-CARLO Caractéristiques. Le problème eige ue solutio eacte. U algorithme de Mote-Carlo doe toujours ue répose mais cette répose est pas toujours eacte. Il peut être difficile de détermier efficacemet si la répose est eacte. S adresse à des problèmes pour lesquels aucu algorithme efficace est cou pour trouver ue solutio à coup sûr. Défiitios Soit p u ombre réel etre 0,5 et. U algorithme de Mote-Carlo est p-correct s il retoure ue solutio correcte avec ue probabilité d au mois p, quel que soit l eemplaire. L avatage d'u tel algorithme est p 0,5. L algorithme est cosistat s il e retoure jamais deu solutios correctes distictes pour le même eemplaire. Stratégie pour augmeter la probabilité de succès d u algorithme cosistat et p-correct : º appliquer l algorithme plusieurs fois 2º choisir la répose la plus fréquete. Remarque. Pour amplifier l avatage d u algorithme, il faut l appliquer plusieurs fois, ce qui est coûteu (cf. livre sectio 0.6.4). Aalyse d algorithmes 200 Chapitre 0 - ALGORITHMES PROBABILISTES ALGORITHMES DE MONTE-CARLO (suite) Eercice (acie problème 8.6.) FONCTION Premier(): boolée. SI PGCD (, 30030) = ALORS RETOURNER VRAI. SINON { est pas premier avec 30030} RETOURNER FAUX. FIN Premier. L algorithme retoure vrai si et seulemet si e cotiet aucu des facteurs suivats : 2, 3, 5, 7, et 3 (30030 = ). º Motrer que l algorithme décide correctemet das plus de 80% des cas si u ombre est premier. Pour cela, il s agit de vérifier que plus de 80% des etiers cotieet l u de ces ombres e facteur. Pour tout premier i, la proportio des etiers possédat i comme facteur premier est /i. Soiet: pi la proportio des etiers possédat i comme facteur mais e possédat comme facteur aucu ombre premier iférieur à i ; r i la proportio des etiers e possédat comme facteur aucu ombre premier iférieur ou égal à i. Soit j le plus grad ombre premier iférieur à i (pour i 3). O a la relatio de récurrece: pi = i rj et ri = rj pi. avec les coditios iitiales immédiates: p 2 = r 2 = 2 i pi /2 /6 /5 4/05 8/385 6/00 % 50,0000 6,6667 6,6667 3,8095 2,0779,5984 ri /2 /3 4/5 8/35 6/77 92/00 % 50, , , ,857 20,7792 9,808 O a r 3 80,8% > 80%. 2º Quelle costate coduirait à ue probabilité de succès de plus de 85 %? Pour obteir ri > 0,85 avec i premier, il faut choisir i 37 (r 37 = 0,487). La costate deviet alors : = º Est-ce u algorithme de Mote-Carlo? 22 Chapitre 0 - ALGORITHMES PROBABILISTES 200 R. Lelouche

12 8.6 ALGORITHMES DE MONTE-CARLO (suite) Algorithmes de Mote-Carlo biaisés Défiitio U algorithme de Mote-Carlo est y0-biaisé ssi: il eiste u sous-esemble X d eemplaires, il eiste ue solutio coue y0 tels que l algorithme retoure la boe répose si l eemplaire est pas das X, la boe répose est y0 si l eemplaire est das X (mais l algorithme peut se tromper pour u tel eemplaire). E résumé: y0-biaisé si l algorithme retoure y0, c est la boe répose. Raisoemet de base Soit MC u algorithme de Mote-Carlo cosistat, y0-biaisé et p-correct. Soiet u eemplaire et y la valeur retourée par MC(). Deu cas: Cas : y = y0 X y0 est la boe répose X y0 est la boe répose Cas 2: y y0 X y est la boe répose X l algorithme s est trompé. (y0 est la solutio) (et la probabilité d erreur est d au plus p) Corollaire Répétos k fois l eécutio de MC(); o obtiet les réposes y, y2,..., yk: Si i tel que yi = y0 la solutio correcte est y0. Si i j tels que yi yj X y0 est la solutio correcte. Si les yi sot tous égau à ue même valeur y y0, de deu choses l ue: - ou bie X et y est la boe répose, - ou bie X et l algorithme s est trompé k fois, mais cela est possible qu avec ue probabilité d erreur (obstiée) de ( p) k. Aalyse d algorithmes 200 Chapitre 0 - ALGORITHMES PROBABILISTES Problème du tableau majoritaire (problème 0.26) Défiitios (rappel) Soit T[..] u tableau de élémets. U élémet est dit majoritaire das T ssi # {i T[i] = } > 2 Le tableau T est dit majoritaire s il cotiet u élémet majoritaire. Algorithme de base FONCTION Major (T[..]): boolée. {Tirer u élémet au hasard das T} i uiforme (..). T[i]. {Compter le ombre k d élémets égau à } k 0. POUR j à FAIRE SI T[j] = ALORS k k+. RETOURNER (k > /2). FIN Major. Si Major (T) = VRAI T est effectivemet majoritaire (doc Major est VRAI-biaisé). Si Major (T) = FAUX o e peut pas coclure, mais Prob( est mioritaire T est majoritaire) = ( p) < 2 Cet algorithme est doc 2 -correct et VRAI-biaisé avec X = { T T 'est pas majoritaire }. 24 Chapitre 0 - ALGORITHMES PROBABILISTES 200 R. Lelouche

13 8.6. Problème du tableau majoritaire (suite) Pour réduire cette probabilité d erreur de 50% à mois de 50%, o utilise cet algorithme répétitivemet. Le résultat est toujours u algorithme de Mote- Carlo biaisé. Avec deu iveau FONCTION Major2(T): boolée. SI Major(T) ALORS RETOURNER VRAI. SINON {échec au premier essai} RETOURNER Major(T). FIN Major2. Prob (Major2(T) = VRAI T est majoritaire) = Prob (Major(T) = VRAI T est majoritaire) + Prob (Major(T) = FAUX, Major2(T) = VRAI T est majoritaire) = p + ( p) p = ( p) 2 > 3 4. Aisi, Major2 est VRAI-biaisé et 3/4 -correct. Avec trois iveau De même, l algorithme FONCTION Major3(T): boolée. SI Major2(T) ALORS RETOURNER VRAI. SINON {échec au deu premiers essais} RETOURNER Major(T). FIN Major3. est VRAI-biaisé et 7/8 -correct. ( eercice 3, acie problème 8.6.5). Cas gééral FONCTION MajorMC(T, ε ): boolée. {dit si T est majoritaire avec ue probabilité d erreur < ε} k lg(/ε). POUR i JUSQU À k FAIRE SI Major(T) ALORS RETOURNER VRAI. {Assert.: tous les appels à Major ot retouré FAUX} RETOURNER FAUX. Fi MajorMC. Aalyse d algorithmes 200 Chapitre 0 - ALGORITHMES PROBABILISTES Autres problèmes Vérificatio d u produit matriciel (0.6.) Test de primalité d u grad etier (0.6.2) Voir livre, p Chapitre 0 - ALGORITHMES PROBABILISTES 200 R. Lelouche

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

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

[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

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

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

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

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

. (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

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

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

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

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

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

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

Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.

Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2. Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES PLAN DU CHAPITRE 2 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.1 Pla de sodage 2.2.2 Probabilités d iclusio 2.3 SONDAGE

Plus en détail

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

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

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

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

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

Suites et séries de fonctions

Suites et séries de fonctions [http://mp.cpgedupuydelome.fr] édité le 3 avril 5 Eocés Suites et séries de foctios Propriétés de la limite d ue suite de foctios Eercice [ 868 ] [correctio] Etablir que la limite simple d ue suite de

Plus en détail

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

Etude de la fonction ζ de Riemann

Etude de la fonction ζ de Riemann Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.

Plus en détail

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 : 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

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

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

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

* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable Eo7 Séries etières Eercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Eercice

Plus en détail

* 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

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

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

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

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

Probabilités et statistique pour le CAPES

Probabilités et statistique pour le CAPES Probabilités et statistique pour le CAPES Béatrice de Tilière Frédérique Petit 2 3 jui 205. Uiversité Pierre et Marie Curie 2. Uiversité Pierre et Marie Curie 2 Table des matières Modélisatio de phéomèes

Plus en détail

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Cours de Statistiques inférentielles

Cours de Statistiques inférentielles Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios

Plus en détail

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

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

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

Polynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes. Polyésie Septembre 2 - Exercice O peut traiter la questio 4 sas avoir traité les questios précédetes Pour u achat immobilier, lorsqu ue persoe emprute ue somme de 50 000 euros, remboursable par mesualités

Plus en détail

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

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

Baccalauréat S Asie 19 juin 2014 Corrigé

Baccalauréat S Asie 19 juin 2014 Corrigé Bcclurét S Asie 9 jui 24 Corrigé A. P. M. E. P. Exercice Commu à tous les cdidts 4 poits Questio - c. O peut élimier rpidemet les réposes. et d. cr les vecteurs directeurs des droites proposées e sot ps

Plus en détail

Module 3 : Inversion de matrices

Module 3 : Inversion de matrices Math Stat Module : Iversio de matrices M Module : Iversio de matrices Uité. Défiitio O e défiira l iverse d ue matrice que si est carrée. O appelle iverse de la matrice carrée toute matrice B telle que

Plus en 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

Statistique Numérique et Analyse des Données

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

Plus en détail

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

Terminale S. Terminale S 1 F. Laroche

Terminale S. Terminale S 1 F. Laroche Termiale S Exercices. Rappels et exercices de base 3.. QCM (P. Egel) 3.. QCM, Atilles 005 4. 3. QCM, Liba 009, 3 poits 4. 4. QCM, C. étragers 007. 5. QCM, Frace 007 5 6. 6. QCM, N. Calédoie 007 7. 7. QCM

Plus en 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

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

Exercices de mathématiques

Exercices de mathématiques MP MP* Thierry DugarDi Marc rezzouk Exercices de mathématiques Cetrale-Supélec, Mies-Pots, École Polytechique et ENS Coceptio et créatio de couverture : Atelier 3+ Duod, 205 5 rue Laromiguière, 75005 Paris

Plus en détail

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

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

Université Pierre et Marie Curie. Biostatistique PACES - UE4 2013-2014 Uiversité Pierre et Marie Curie Biostatistique PACES - UE4 2013-2014 Resposables : F. Carrat et A. Mallet Auteurs : F. Carrat, A. Mallet, V. Morice Mise à jour : 21 octobre 2013 Relecture : V. Morice,

Plus en détail

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

Neolane Message Center. Neolane v6.0

Neolane Message Center. Neolane v6.0 Neolae Message Ceter Neolae v6.0 Ce documet, aisi que le logiciel qu'il décrit, est fouri das le cadre d'u accord de licece et e peut être utilisé ou copié que das les coditios prévues par cet accord.

Plus en détail

Introduction : Mesures et espaces de probabilités

Introduction : Mesures et espaces de probabilités Itroductio : Mesures et espaces de probabilités Référeces : Poly cédric Berardi et Jea Michel Morel. J.-F. Le Gall, Itégratio, Probabilités et Processus Aléatoire J.-Y. Ouvrard, Probabilités 2, maîtrise-agrégatio,

Plus en détail

Neolane Leads. Neolane v6.0

Neolane Leads. Neolane v6.0 Neolae Leads Neolae v6.0 Ce documet, aisi que le logiciel qu'il décrit, est fouri das le cadre d'u accord de licece et e peut être utilisé ou copié que das les coditios prévues par cet accord. Cette publicatio

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

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

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

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

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

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

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

Solutions particulières d une équation différentielle...

Solutions particulières d une équation différentielle... Solutios particulières d ue équatio différetielle......du premier ordre à coefficiets costats O cherche ue solutio particulière de y + ay = f, où a est ue costate réelle et f ue foctio, appelée le secod

Plus en détail

Chaînes de Markov. Arthur Charpentier

Chaînes de Markov. Arthur Charpentier Chaîes de Markov Arthur Charpetier École Natioale de la Statistique et d Aalyse de l Iformatio - otes de cours à usage exclusif des étudiats de l ENSAI - - e pas diffuser, e pas citer - Quelques motivatios.

Plus en détail

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

Télé OPTIK. Plus spectaculaire que jamais.

Télé OPTIK. Plus spectaculaire que jamais. Télé OPTIK Plus spectaculaire que jamais. Vivez toute la puissace de la télévisio sur IP grâce au réseau OPTIK 1 de TELUS et découvrez-e l extraordiaire potetiel. Télé OPTIK MC vous doe la parfaite maîtrise

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

Augmentation de la demande du produit «P» Prévision d accroître la capacité de production (nécessité d investir) Investissement

Augmentation de la demande du produit «P» Prévision d accroître la capacité de production (nécessité d investir) Investissement Augmetatio de la demade du produit «P» Prévisio d accroître la capacité de productio (écessité d ivestir) Ivestissemet Etude de retabilité du produit «P» Jugemet de l opportuité et de la retabilité du

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

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

Réseaux d ondelettes et réseaux de neurones pour la modélisation statique et dynamique de processus Réseaux d odelettes et réseaux de euroes pour la modélisatio statique et dyamique de processus Yacie Oussar To cite this versio: Yacie Oussar. Réseaux d odelettes et réseaux de euroes pour la modélisatio

Plus en 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

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

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

Une action! Un message!

Une action! Un message! Ue actio! U message! Cotact Master est u service exclusif de relaces automatiques de vos actes vers vos cliets, par SMS, messages vocaux, e-mails, courrier... Il se décleche lorsque vous réalisez ue actio

Plus en 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

Guide des logiciels de l ordinateur HP Media Center

Guide des logiciels de l ordinateur HP Media Center Guide des logiciels de l ordiateur HP Media Ceter Les garaties des produits et services HP sot exclusivemet présetées das les déclaratios expresses de garatie accompagat ces produits et services. Aucu

Plus en détail

RECHERCHE DE CLIENTS simplifiée

RECHERCHE DE CLIENTS simplifiée RECHERCHE DE CLIENTS simplifiée Nous ous occupos d accroître votre clietèle avec le compte Avatage d etreprise Pour trouver des cliets potetiels grâce à u simple compte bacaire Vous cherchez des idées

Plus en détail

DETERMINANTS. a b et a'

DETERMINANTS. a b et a' 2003 - Gérard Lavau - http://perso.waadoo.fr/lavau/idex.htm Vous avez toute liberté pour télécharger, imprimer, photocopier ce cours et le diffuser gratuitemet. Toute diffusio à titre oéreux ou utilisatio

Plus en détail

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

Tempêtes : Etude des dépendances entre les branches Automobile et Incendie à l aide de la théorie des copulas Topic 1 Risk evaluation Tempêtes : Etude des dépedaces etre les braches Automobile et Icedie à l aide de la théorie des copulas Topic Risk evaluatio Belguise Olivier Charles Levi ACM Guy Carpeter 34 rue du Wacke 47/53 rue Raspail

Plus en détail

Résolution numérique des équations aux dérivées partielles (PDE)

Résolution numérique des équations aux dérivées partielles (PDE) Résolutio umérique des équatios au dérivées partielles (PDE Sébastie Charoz & Adria Daerr iversité Paris 7 Deis Diderot CEA Saclay Référeces : Numerical Recipes i Fortra, Press. Et al. Cambridge iversity

Plus en 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

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

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

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

PROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS J. L. NICOLAS

PROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS J. L. NICOLAS PROBLEMES DIOPTIMISATION EN NOMBRES ENTIERS ET APPROXIMATIONS DIOPHANTIENNES J. L. NICOLAS Cet article expose sup 3 e quelques iter'f~reces etre les pr'obl~res dloptimisatio e hombres etiers et la th~or-ie

Plus en détail