CONVERGENCE ET APPROXIMATION
|
|
- Florentin Beaudin
- il y a 7 ans
- Total affichages :
Transcription
1 J.F.C. Cov. p. 1 CONVERGENCE ET APPROXIMATION I CONVERGENCE EN PROBABILITÉ 1. Défiitio 2. Ue coditio suffisate de covergece e probabilité 3. La loi faible des grads ombres 4. Ue coséquece de la loi faible des grads ombres II CONVERGENCE EN LOI 1. Défiitio 2. Pratiquemet 3. Comparaiso des deux covergeces 4. Ue difficulté à surmoter III CONVERGENCE EN LOI : DU DISCRET AU DISCRET 1. Quelques caractérisatios 2. Pratiquemet 3. Approximatio 1 : approximatio d ue loi hypergéométrique par ue loi biômiale 4. Approximatio 2 : approximatio d ue loi biômiale par ue loi de Poisso 5. Ue remarque du programme à propos des approximatios IV THÉORÈME DE LA LIMITE CENTRÉE 1. Deux éocés du théorème de la limite cetrée 2. Approximatio 3 : approximatio d ue loi biômiale par ue loi ormale 3. Approximatio 4 : approximatio d ue loi de Poisso par ue loi ormale V COMPLÉMENTS 1. De l uicité de la limite das le covergece e probabilité. 2. Covergece presque sûre. 3. Loi forte des grads ombres. 4. Covergece e probabilité et opératios.
2 J.F.C. Cov. p. 2 P metioe des résultats particulièremet utiles et souvet oubliés das la pratique de la covergece. metioe des erreurs à e pas faire où des hypothèses importates ou des mises e garde. SD metioe des résultats qu il serait bo de savoir démotrer.! Notios ou résultats qui e semblet pas toujours très importats mais qui figuret explicitemet das le programme doc qui sot exigibles. Das la suite les variables aléatoires cosidérées le sot sur l espace probabilisé (Ω, A, P (sauf metio du cotraire. I CONVERGENCE EN PROBABILITÉ 1. Défiitio. Déf. 1 (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. O dit que (X 0 coverge e probabilité vers X si pour tout réel ε strictemet positif : Nous écriros alors X P X. lim P ({ X X ε} = 0. Th. 1 (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. (X 0 coverge e probabilité vers X si et seulemet si, pour tout réel ε strictemet positif : lim P ({ X X > ε} = 0. Ce résultat est e fait la défiitio du programme pour la covergece e probabilité. Qu o se le dise et que l o se le démotre. O peut ecore remplacer lim P ({ X X ε} = 0 ou lim P ({ X X > ε} = 0 par lim P ({ X X < ε} = 1 ou lim P ({ X X ε} = 1. Notos que la covergece e probabilité est ue otio relativemet cotraigate. Il est pas toujours facile de calculer la probabilité iterveat d autat qu elle e résulte pas de maière immédiate des lois de X et de X puisqu elle fait iterveir la loi de X X. Les deux coditios suffisates qui suivet sot doc les bieveues. La covergece e loi égalemet...
3 J.F.C. Cov. p Ue coditio suffisate de covergece e probabilité. Th. 2 Complémet SD Soit (X 0 ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. Si lim E(X X = 0 et lim V (X X = 0 alors la suite (X 0 coverge e probabilité vers X. Th. 3 PP SD Soit (X 0 ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. O suppose que, pour assez grad, E(X X = 0 (ou que E(X = E(X, ce qui est pas tout à fait la même chose... Alors si lim V (X X = 0, la suite (X 0 coverge e probabilité vers X. Le secod théorème est de toute évidece u corollaire du premier au détail près que sa démostratio peut s obteir e deux liges avec l iégalité de Bieaymé-Tchebychev. Qu o se le dise, qu o se le démotre, que l o se l utilise et que l o e se l oublie pas au iveau des estimateurs... Les coditios coteues das ces théorèmes sot suffisates pour avoir la covergece e probabilité mais pas écessaires. 3. Loi faible des grads ombres. Th. 4 (X 1 est ue suite de variables aléatoires réelles ayat même espérace m et même variace σ 2 (σ > 0. O suppose que les variables aléatoires réelles de cette suite sot (deux à deux idépedates. Alors la suite de terme gééral X 1 + X X coverge e probabilité vers la variable aléatoire réelle certaie égale à m. ( X 1 + X X Notos que sous les hypothèses du théorème précédet : P m ε σ2 ε 2 Cor. (X 1 est ue suite de variables aléatoires réelles suivat ue loi de Beroulli de paramètre p. O suppose que les variables aléatoires réelles de cette suite sot deux à deux idépedates (resp. idépedates. La suite de terme gééral certaie égale à p. X 1 + X X coverge e probabilité vers la variable aléatoire réelle ( X 1 + X X Notos que sous les hypothèses du résultat précédet : P p ε p(1 p ε 2 1 4ε 2 Déf. 2 (X 1 est ue suite de variables aléatoires réelles sur (Ω, A, P. La variable aléatoire X 1 + X X est la moyee empirique d ordre de la suite.
4 J.F.C. Cov. p Ue coséquece de la loi faible des grads ombres. Illustros le derier résultat. probabilité de sa réalisatio. Cosidéros u évéemet A associé à ue expériece aléatoire et otos p la Itéros cette expériece aléatoire de maière à ce que les itératios soiet idépedates. Pour tout das N, otos X la variable aléatoire qui vaut 1 si A se réalise à la ème itératio et 0 sio. Pour tout das N, X suit ue loi de Beroulli de paramètre p et (X 1 est ue suite de variables aléatoires mutuellemet idépedates. Pour tout das N, Y = X 1 + X X itératios. est la fréquece de réalisatio de A au cours des premières Le résultat précédet idique que (Y 1 coverge e probabilité vers la variable aléatoire certaie égale à p. Doc, pour tout réel strictemet positif ε, la probabilité pour que Y pree des valeurs à l extérieur de l itervalle ] ε, ε[ ted vers zéro lorsque ted vers l ifii, c est à dire lorsque l o réalise u grad ombre de fois l expériece. Ceci légitime otre modèle probabiliste ispiré des fréqueces statistiques. A l iverse il permet ecore d estimer la valeur de p à partir de la fréquece de réalisatio de A. II CONVERGENCE EN LOI 1. Défiitio. Déf. 3 (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. O dit que (X 0 coverge e loi vers X si pour tout réel x où F X est cotiue : lim F X (x = F X (x ou lim P (X x = P (X x. 2. Pratiquemet. PP Soit (X 0 ue suite de variables aléatoires réelles sur (Ω, A, P. Pour motrer que cette suite coverge e loi il est pas utile de trouver ue variable aléatoire X telle que (X 0 coverge e loi vers X. E gros, il coviet avat tout de trouver lim F X (x, pour tout x das R et de motrer que l applicatio F : x lim F X (x est la foctio de répartitio d ue variable aléatoire. Alors deux rappels s imposet. Th. 5 Soit F ue applicatio de R das [0, 1] ou das R... (voir les deux premiers poits. F est la foctio de répartitio d ue variable aléatoire réelle si et seulemet si : F est croissate sur R. lim F (x = 0 et lim F (x = 1. x x + F est cotiue à droite e tout poit de R.
5 J.F.C. Cov. p. 5 Th. 6 Soit F ue applicatio de R das [0, 1] ou das R... (voir les deux premiers poits. F est la foctio de répartitio d ue variable aléatoire réelle à desité si et seulemet si : 1. F est croissate sur R ; 2. lim F (x = 0 et lim F (x = 1 ; x x + 3. F est cotiue sur R ; 4. Il existe u esemble fii évetuellemet vide D, coteu das R et tel que F soit de classe C 1 sur R - D. 3. Comparaiso des deux covergeces. Th. 7 (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. Si (X 0 coverge e probabilité vers X alors (X 0 coverge e loi vers X. La réciproque est fausse. 4. Ue difficulté à surmoter. PP Soit (X 0 ue suite de variables aléatoires réelles sur (Ω, A, P. O souhaite motrer que cette suite coverge e loi vers ue variable aléatoire. Comme ous l avos dit plus haut il coviet e gros de trouver lim F X (x pour x das R. Le problème se complique lorsque F X est défiie par itervalles et que des bores de ses itervalles cotieet. Doos deux exemples. (1 e x si x [ l, + [ ex. 1. x R, F (x =. 0 sio ] ex. 2. x, 2 ], F (x = 0 et x [2, + [, F (x = 1. [ 2 Si x est élémet de, [ Et (x (Et (x 1 : F (x = 2 2 Si x est élémet de [1 + 1 [, 2 : F (x = 1 ( 2 2 (4 + 1 Et (x ( Et (x Das le premier cas il est pas questio de passer à la limite pour x das [ l, + [ puis pour x das ], l [!! Même type de remarque pour le deuxième exemple. Le bo algorithme cosiste à fixer x das u itervalle idépedat de qui permet de passer aisémet à la limite. Das le premier cas o fixe x das R et o remarque que pour assez grad x est das [ l, + [. Das le secod cas o coclut aisémet pour x das ], 0] et das [2, + [. Puis o fixe x das ]0, 1] et o remarque que pour assez grad x est das [ 2, [. Puis o fixe x das ]1, 2[ et o remarque que pour assez grad x est das [ 1 + 1, 2[.
6 J.F.C. Cov. p. 6 III CONVERGENCE EN LOI : DU DISCRET AU DISCRET 1. Quelques caractérisatios. Th. 8 (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. O suppose que toutes ses variables aléatoires preet leurs valeurs das N. (X 0 coverge e loi vers X si et seulemet si pour tout élémet k de N : lim P (X = k = P (X = k. Ceci est le résultat du programme. C est bie maigre et impose sas doute de savoir démotrer les quelques résultats complémetaires qui suivet. Th. 9 Complémet (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. O suppose que toutes ses variables aléatoires preet leurs valeurs das u esemble fii {x 1, x 2,..., x r }. (X 0 coverge e loi vers X si et seulemet si pour tout élémet k de [1, r ] : lim P (X = x k = P (X = x k. Cor. Complémet (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. O suppose que toutes ses variables aléatoires preet leurs valeurs das [a, b] (a et b sot deux élémets de Z tels que a b. (X 0 coverge e loi vers X si et seulemet si pour tout élémet k de [a, b] : lim P (X = k = P (X = k. Th. 10 Complémet (x k k 0 est ue suite strictemet croissate de réels. (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. O suppose que toutes ses variables aléatoires preet leurs valeurs das l esemble déombrable {x k k N}. (X 0 coverge e loi vers X si et seulemet si pour tout élémet k de N : lim P (X = x k = P (X = x k.
7 J.F.C. Cov. p. 7 Cor. Complémet (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. O suppose que toutes ses variables aléatoires preet leurs valeurs das [r, + [ (r est u élémet de Z. (X 0 coverge e loi vers X si et seulemet si pour tout élémet k de [r, + [ : lim P (X = k = P (X = k. 2. Pratiquemet. PP Soit (X 0 est ue suite de variables aléatoires discrètes réelles sur (Ω, A, P. Pour motrer que cette suite coverge e loi il est pas utile de trouver ue variable aléatoire X telle que (X 0 coverge e loi vers X. Deux voies sot à explorer car la limite peut être discrète ou o discrète. Das le secod cas reveir à ce qui a été dit plus haut. Das le premier cas il coviet, e gros, de trouver ue partie fiie ou déombrable D de R telle que, pour tout élémet d de D la suite de terme gééral P (X = d coverge et de motrer que d lim P (X = d est ue loi de probabilité discrète. Ici ecore u rappel s impose. Déf. 4 O appelle loi de probabilité discrète toute applicatio d ue partie fiie ou déombrable D de R das [0, 1] ou das [0, + [ telle que : f(d = 1 d D Prop. 1 Toute loi de probabilité discrète est la loi de probabilité d ue variable aléatoire réelle discrète. 3. Approximatio 1. Approximatio d ue loi hypergéométrique par ue loi biômiale. Th. 11 p est u élémet de ]0, 1[, est u élémet de N et (N m m 0 est ue suite d élémets de [, + [ telle que : lim m + N m = + et m N, N m p N. O cosidère ue suite (X m m 0 de variables aléatoires réelles sur (Ω, A, P telle que pour tout m apparteat à N, X m H(N m,, p. (X m m 0 coverge e loi vers ue variable aléatoire réelle suivat ue loi biômiale de paramètres et p. ( Autremet dit pour tout élémet k de [0, ] : lim P ({X m = k} = p k (1 p k. m + k PP Ce résultat théorique coduit das la pratique à approximer ue variable aléatoire réelle X suivat ue loi hypergéométrique de paramètres N, et p, par ue variable aléatoire réelle suivat ue loi biômiale de paramètres et p lorsque N est sesiblemet supérieur à 10. Si k est u élémet de X(Ω, o pred ( p k (1 p k comme valeur approchée de P ({X = k} = k Ceci a e outre comme avatage de faire passer de trois paramètres à deux. ( Np k ( N(1 p k ( N
8 J.F.C. Cov. p Approximatio 2. Approximatio d ue loi biômiale par ue loi de Poisso. Th. 12! λ est u réel strictemet positif. Pour tout élémet de N, X est ue variable aléatoire réelle sur (Ω, A, P qui suit ue loi biômiale de paramètres et λ Alors la suite (X 1 coverge e loi vers ue variable aléatoire réelle suivat ue loi de Poisso de paramètre λ. Autremet dit pour tout élémet k de N : lim P ({X = k} = λk k! e λ. Th. 13 Complémet Pour tout élémet de [ 0, + [, p est u élémet de [0, 1] et X ue variable aléatoire réelle sur (Ω, A, P qui suit ue loi biômiale de paramètres et p. O suppose de plus que la suite (p 0 coverge vers u réel strictemet positif λ. Alors la suite (X 0 coverge e loi vers ue variable aléatoire réelle suivat ue loi de Poisso de paramètre λ. Autremet dit pour tout élémet k de N : lim P ({X = k} = λk k! e λ. PP Ce résultat théorique coduit das la pratique à approximer ue variable aléatoire réelle X suivat ue loi biômiale de paramètres et p par ue variable aléatoire réelle suivat ue loi de Poisso de paramètre p lorsque 30, p 0, 1 et p 15 (attetio il y a autat de coditios que d auteurs, mais voir plus bas... Si k est u élémet de X(Ω, o pred (pk e p comme valeur approchée de P ({X = k}. k! Ceci a, e outre, comme avatage de faire passer de deux paramètres à u. 5. Ue remarque du programme à propos des approximatios. Le programme dit que : toutes idicatios devrot être fouries aux cadidats quat à la justificatio des approximatios
9 J.F.C. Cov. p. 9 IV THÉORÈME DE LA LIMITE CENTRÉE 1. Deux éocés du théorème de la limite cetrée. Th. 14 (X 1 est ue suite de variables aléatoires réelles mutuellemet idépedates suivat la même loi ayat ue espérace m et ue variace σ 2 (σ > 0 O pose pour tout élémet de N, S = X 1 + X X. La suite de terme gééral S = S E(S = S E(S V (S σ(s aléatoire réelle suivat ue loi ormale cetrée réduite. = S m σ Aisi, pour tout réel x : lim F S (x = lim P (S x = Φ(x = x coverge e loi vers ue variable 1 2 π e t2 2 dt. Th. 15 (X 1 est ue suite de variables aléatoires réelles mutuellemet idépedates suivat la même loi ayat ue espérace m et ue variace σ 2 (σ > 0 O pose pour tout élémet de N, F = X 1 + X X. La suite de terme gééral F = F E(F = F E(F V (F σ(f aléatoire réelle suivat ue loi ormale cetrée réduite. = F m σ Aisi, pour tout réel x : lim F F (x = lim P (F x = Φ(x = x coverge e loi vers ue variable 1 2 π e t Approximatio 3. Approximatio d ue loi biômiale par ue loi ormale. dt. Th. 16 (X 1 est ue suite de variables aléatoires réelles de beroulli de paramètre p (p ]0, 1[ mutuellemet idépedates. q = 1 p. O pose pour tout élémet de N, S = X 1 + X X. a Pour tout élémet de N, S suit ue loi biômiale de paramètres et p. b La suite de terme gééral S = S p pq ormale cetrée réduite. Aisi, pour tout réel x : lim P ( S p pq coverge e loi vers ue variable aléatoire réelle suivat ue loi x = Φ(x = x 1 2 π e t2 2 dt. Cor. p est u élémet de ]0, 1[. (T 1 est ue suite de variables aléatoires réelles sur (Ω, A, P telle que pour tout das N, T suit ue loi biômiale de paramètres et p. La suite de terme gééral T = T p pq ormale cetrée réduite. Aisi, pour tout réel x : lim P ( T p pq coverge e loi vers ue variable aléatoire réelle suivat ue loi x = Φ(x = x 1 2 π e t2 2 dt. Observos que le corollaire e cotiet pas de coditio d idépedace. Il coviet de savoir le démotrer propremet à partir du théorème.
10 J.F.C. Cov. p. 10 PP Ce résultat théorique coduit das la pratique à approximer ue variable aléatoire réelle X suivat ue loi biômiale de paramètres et p par ue variable aléatoire réelle Y suivat ue loi ormale d espérace p et d écart-type pq (q = 1 p lorsque 20 ou 30, p pas trop petit (!, p 10 et q 10. Das ces coditios Pour tout réel x, o approxime P (X x par P (Y x = F Y (x ; doc ( x p P (X x Φ pq Pour k das [0, ], o approxime P (X = k par P (k 1/2 Y k + 1/2 = F Y (k + 1/2 F Y (k 1/2 ; doc ( k + 1/2 p ( k 1/2 p P (X = k Φ Φ pq pq 3. Approximatio 4. Approximatio d ue loi de Poisso par ue loi ormale. Th. 17 (X 1 est ue suite de variables aléatoires réelles mutuellemet idépedates. O suppose que pour tout élémet de N, X suit ue loi de Poisso de paramètre µ (µ > 0 a S = X 1 + X X suit ue loi de Poisso de paramètre µ. b La suite de terme gééral S = S µ µ loi ormale cetrée réduite. Aisi, pour tout réel x : lim P ( S µ µ coverge e loi vers ue variable aléatoire réelle suivat ue x = Φ(x = x 1 2 π e t2 2 dt. Cor. µ est u élémet de ]0, + [. (T 1 est ue suite de variables aléatoires réelles sur (Ω, A, P telle que pour tout das N, T suit ue loi de Poisso de paramètre µ. La suite de terme gééral T = T µ µ ormale cetrée réduite. Aisi, pour tout réel x : lim P ( T µ µ coverge e loi vers ue variable aléatoire réelle suivat ue loi x = Φ(x = x 1 2 π e t2 2 dt. Observos que le corollaire e cotiet pas de coditio d idépedace. Il coviet de savoir le démotrer propremet à partir du théorème. PP Ce résultat théorique coduit das la pratique à approximer ue variable aléatoire réelle X suivat ue loi de Poisso de paramètre λ par ue variable aléatoire réelle Y suivat ue loi ormale d espérace λ et d écart-type λ lorsque λ > 10.
11 J.F.C. Cov. p. 11 Das ces coditios Pour tout réel x, o approxime P (X x par P (Y x = F Y (x ; doc ( x λ P (X x Φ λ Pour tout élémet k de N, o approxime P (X = k par P (k 1/2 Y k+1/2 = F Y (k+1/2 F Y (k 1/2 ; doc ( k + 1/2 λ ( k 1/2 λ P (X = k Φ Φ λ λ V COMPLÉMENTS 1. De l uicité de la limite das le covergece e probabilité. Th. 18 (X 0 est ue suite de variables aléatoires réelles sur (Ω, A, P. X et X deux variables aléatoires réelles sur (Ω, A, P. Si la suite (X 0 coverge e probabilité vers X et X, alors X et X sot presque sûremet égales, c est à dire que P (X = X = Covergece presque sûre. Déf. 5 Soit (X 0 ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. La suite (X 0 coverge presque sûremet vers X s il existe u évéemet égligeable A de A (P (A = 0 tel que : ω Ω A, lim X (ω = X(ω. O écrit alors : X P S X. Déf. 6 Soit (X 0 ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. Si la suite (X 0 coverge presque sûremet vers X alors la suite (X 0 coverge e probabilité vers X. La réciproque est fausse. 3. Loi forte des grads ombres. Th. 19 (X 1 est ue suite de variables aléatoires réelles suivat la même loi ayat ue espérace m et ue variace σ 2. O suppose que les variables aléatoires réelles de cette suite sot deux à deux idépedates. Alors la suite de terme gééral X 1 + X X réelle certaie égale à m. coverge presque sûremet vers la variable aléatoire
12 J.F.C. Cov. p Covergece e probabilité et opératios. Prop. 2 Théorème de Slutsky Soit (X 0 ue suite de variables aléatoires réelles sur (Ω, A, P et X ue variable aléatoire réelle sur (Ω, A, P. Soit g ue applicatio cotiue de R das R. Si la suite (X 0 coverge e probabilité vers X alors la suite (g X 0 coverge e probabilité vers g X Facile à prouver pourvu que l o sache qu ue foctio cotiue sur u segmet y est uiformémet cotiue. Prop. 3 Soiet (X 0 et (Y 0 deux suites de variables aléatoires réelles sur (Ω, A, P. Soiet X et Y deux variables aléatoires réelles sur (Ω, A, P. a est u réel. O suppose que (X 0 et (Y 0 coverget e probabilité respectivemet vers X et Y. Alors les suites de terme gééraux a X, X + Y et X Y coverget e probabilité respectivemet vers a X, X + Y et X Y.
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. (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 détailChapitre 3 : Fonctions d une variable réelle (1)
Uiversités Paris 6 et Paris 7 M1 MEEF Aalyse (UE 3) 2013-2014 Chapitre 3 : Foctios d ue variable réelle (1) 1 Lagage topologique das R Défiitio 1 Soit a u poit de R. U esemble V R est u voisiage de a s
Plus en détailLimites des Suites numériques
Chapitre 2 Limites des Suites umériques Termiale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Limite fiie ou ifiie d ue suite. Limites et comparaiso. Opératios sur les ites. Comportemet
Plus en détailx +1 + ln. Donner la valeur exacte affichée par cet algorithme lorsque l utilisateur entre la valeur n =3.
EXERCICE 3 (6 poits ) (Commu à tous les cadidats) Il est possible de traiter la partie C sas avoir traité la partie B Partie A O désige par f la foctio défiie sur l itervalle [, + [ par Détermier la limite
Plus en détailProcessus et martingales en temps continu
Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de
Plus en détailCours de Statistiques inférentielles
Licece 2-S4 SI-MASS Aée 2015 Cours de Statistiques iféretielles Pierre DUSART 2 Chapitre 1 Lois statistiques 1.1 Itroductio Nous allos voir que si ue variable aléatoire suit ue certaie loi, alors ses réalisatios
Plus en détailSTATISTIQUE : TESTS D HYPOTHESES
STATISTIQUE : TESTS D HYPOTHESES Préparatio à l Agrégatio Bordeaux Aée 203-204 Jea-Jacques Ruch Table des Matières Chapitre I. Gééralités sur les tests 5. Itroductio 5 2. Pricipe des tests 6 2.a. Méthodologie
Plus en détail1 Mesure et intégrale
1 Mesure et itégrale 1.1 Tribu boréliee et foctios mesurables Soit =[a, b] u itervalle (le cas où b = ou a = est pas exclu) et F ue famille de sous-esembles de. OditqueF est ue tribu sur si les coditios
Plus en détailCHAPITRE 2 SÉRIES ENTIÈRES
CHAPITRE 2 SÉRIES ENTIÈRES 2. Séries etières Défiitio 2.. O appelle série etière toute série de foctios ( ) f dot le terme gééral est de la forme f ()=a, où (a ) désige ue suite réelle ou complee et R.
Plus en détailFEUILLE D EXERCICES 17 - PROBABILITÉS SUR UN UNIVERS FINI
FEUILLE D EXERCICES 7 - PROBABILITÉS SUR UN UNIVERS FINI Exercice - Lacer de dés O lace deux dés à 6 faces équilibrés. Calculer la probabilité d obteir : u double ; ue somme des deux dés égale à 8 ; ue
Plus en détailSéries réelles ou complexes
6 Séries réelles ou complexes Comme pour le chapitre 3, les suites cosidérées sot a priori complexes et les résultats classiques sur les foctios cotiues ou dérivables d ue variable réelle sot supposés
Plus en détailComportement d'une suite
Comportemet d'ue suite I) Approche de "ses de variatio et de ite d'ue suite" : 7 Soit la suite ( ) telle que = 5 ( + ) 2 Représetos graphiquemet la suite das u pla mui d' u repère. Il suffit de placer
Plus en détailEtude de la fonction ζ de Riemann
Etude de la foctio ζ de Riema ) Défiitio Pour x réel doé, la série de terme gééral,, coverge si et seulemet si x >. x La foctio zeta de Riema est la foctio défiie sur ], [ par : ( x > ), = x. Remarque.
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Exo7 Topologie Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Exercice **
Plus en détailSuites et séries de fonctions
[http://mp.cpgedupuydelome.fr] édité le 3 avril 5 Eocés Suites et séries de foctios Propriétés de la limite d ue suite de foctios Eercice [ 868 ] [correctio] Etablir que la limite simple d ue suite de
Plus en détailCours 5 : ESTIMATION PONCTUELLE
Cours 5 : ESTIMATION PONCTUELLE A- Gééralités B- Précisio d u estimateur C- Exhaustivité D- iformatio E-estimateur sas biais de variace miimale, estimateur efficace F- Quelques méthode s d estimatio A-
Plus en détailConvergences 2/2 - le théorème du point fixe - Page 1 sur 9
Au sommaire : Suites extraites Le théorème de Bolzao-Weierstrass La preuve du théorème de Bolzao-Weierstrass3 Foctio K-cotractate4 Le théorème du poit fixe5 La preuve du théorème du poit fixe6 Utilisatios
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable
Eo7 Séries etières Eercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable Eercice
Plus en détailLes Nombres Parfaits.
Les Nombres Parfaits. Agathe CAGE, Matthieu CABAUSSEL, David LABROUSSE (2 de Lycée MONTAIGNE BORDEAUX) et Alexadre DEVERT, Pierre Damie DESSARPS (TS Lycée SUD MEDOC LETAILLAN MEDOC) La première partie
Plus en détail14 Chapitre 14. Théorème du point fixe
Chapitre 14 Chapitre 14. Théorème du poit fixe Si l o examie de plus près les méthodes de Lagrage et de Newto, étudiées au chapitre précédet, elles revieet das leur pricipe à remplacer la résolutio de
Plus en détailII LES PROPRIETES DES ESTIMATEURS MCO 1. Rappel : M1 LA REGRESSION : HYPOTHESES ET TESTS Avril 2009
M LA REGRESSION : HYPOTHESES ET TESTS Avril 009 I LES HYPOTHESES DE LA MCO. Hypothèses sur la variable explicative a. est o stochastique. b. a des valeurs xes das les différets échatillos. c. Quad ted
Plus en détailSTATISTIQUE AVANCÉE : MÉTHODES
STATISTIQUE AVANCÉE : MÉTHODES NON-PAAMÉTIQUES Ecole Cetrale de Paris Arak S. DALALYAN Table des matières 1 Itroductio 5 2 Modèle de desité 7 2.1 Estimatio par istogrammes............................
Plus en détailBaccalauréat S Asie 19 juin 2014 Corrigé
Bcclurét S Asie 9 jui 24 Corrigé A. P. M. E. P. Exercice Commu à tous les cdidts 4 poits Questio - c. O peut élimier rpidemet les réposes. et d. cr les vecteurs directeurs des droites proposées e sot ps
Plus en détailDénombrement. Chapitre 1. 1.1 Enoncés des exercices
Chapitre 1 Déombremet 1.1 Eocés des exercices Exercice 1 L acie système d immatriculatio fraçais était le suivat : chaque plaque avait 4 chiffres, suivis de 2 lettres, puis des 2 uméros du départemet.
Plus en détailProbabilités et statistique pour le CAPES
Probabilités et statistique pour le CAPES Béatrice de Tilière Frédérique Petit 2 3 jui 205. Uiversité Pierre et Marie Curie 2. Uiversité Pierre et Marie Curie 2 Table des matières Modélisatio de phéomèes
Plus en détail[http://mp.cpgedupuydelome.fr] édité le 10 juillet 2014 Enoncés 1. Exercice 6 [ 02475 ] [correction] Si n est un entier 2, le rationnel H n =
[http://mp.cpgedupuydelome.fr] édité le 1 juillet 14 Eocés 1 Nombres réels Ratioels et irratioels Exercice 1 [ 9 ] [correctio] Motrer que la somme d u ombre ratioel et d u ombre irratioel est u ombre irratioel.
Plus en détailExercices de mathématiques
MP MP* Thierry DugarDi Marc rezzouk Exercices de mathématiques Cetrale-Supélec, Mies-Pots, École Polytechique et ENS Coceptio et créatio de couverture : Atelier 3+ Duod, 205 5 rue Laromiguière, 75005 Paris
Plus en détailDénombrement. Introduction. 1 Cardinaux d'ensembles nis. ECE3 Lycée Carnot. 12 novembre 2010. 1.1 Quelques dénitions
Déombremet ECE3 Lycée Carot 12 ovembre 2010 Itroductio La combiatoire, sciece du déombremet, sert comme so om l'idique à compter. Il e s'agit bie etedu pas de reveir au stade du CP et d'appredre à compter
Plus en détailSéquence 5. La fonction logarithme népérien. Sommaire
Séquece 5 La foctio logarithme épérie Objectifs de la séquece Itroduire ue ouvelle foctio : la foctio logarithme épérie. Coaître les propriétés de cette foctio : sa dérivée, ses variatios, sa courbe, sa
Plus en détailIntroduction : Mesures et espaces de probabilités
Itroductio : Mesures et espaces de probabilités Référeces : Poly cédric Berardi et Jea Michel Morel. J.-F. Le Gall, Itégratio, Probabilités et Processus Aléatoire J.-Y. Ouvrard, Probabilités 2, maîtrise-agrégatio,
Plus en détailLES ÉCLIPSES. Éclipser signifie «cacher». Vus depuis la Terre, deux corps célestes peuvent être éclipsés : la Lune et le Soleil.
Qu appelle-t-o éclipse? Éclipser sigifie «cacher». Vus depuis la Terre, deu corps célestes peuvet être éclipsés : la Lue et le Soleil. LES ÉCLIPSES Pour qu il ait éclipse, les cetres de la Terre, de la
Plus en détailExercice I ( non spé ) 1/ u 1 = 3 4. 2 3 u 2 4 + 3 9. 19 4 2/ Soit P la propriété : u n + 4. > 0 pour n 1. P est vraie au rang 1 car u 1
Bac blac TS Correctio Exercice I ( Spé ) / émotros par récurrece que 5x y = pour tout etier aturel 5x y = 5 8 = La propriété est doc vraie au rag = Supposos que la propriété est vraie jusqu au rag, o a
Plus en détailUNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 4
UNVERSTE MONTESQUEU BORDEAUX V Licece 3 ère aée Ecoomie - Gestio Aée uiversitaire 2006-2007 Semestre 2 Prévisios Fiacières Travaux Dirigés - Séaces 4 «Les Critères Complémetaires des Choix d vestissemet»
Plus en détailUV SQ 20. Automne 2006. Responsable d Rémy Garandel ( m.-el. remy.garandel@utbm.fr ) page 1
UV SQ 0 Probabilités Statistiques UV SQ 0 Autome 006 Resposable d Rémy Garadel ( m.-el. remy.garadel@utbm.fr ) page SQ-0 Probabilités - Statistiques Bibliographie: Titre Auteur(s) Editios Localisatio Niveau
Plus en détailEXERCICES : DÉNOMBREMENT
Chapitre 7 ECE 1 - Grad Nouméa - 015 EXERCICES : DÉNOMBREMENT LISTES / ARRANGEMENTS Exercice 1 : Le code ativol Pour so vélo, Toto possède u ativol a code. Le code est ue successio de trois chiffres compris
Plus en détailStatistique descriptive bidimensionnelle
1 Statistique descriptive bidimesioelle Statistique descriptive bidimesioelle Résumé Liaisos etre variables quatitatives (corrélatio et uages de poits), qualitatives (cotigece, mosaïque) et de types différets
Plus en détailExo7. Déterminants. = 4(b + c)(c + a)(a + b). c + a c + b 2c Correction. b + a 2b b + c. Exercice 2 ** X a b c a X c b b c X a c b a X
Exo7 Détermiats Exercices de Jea-Louis Rouget Retrouver aussi cette fiche sur wwwmaths-fracefr * très facile ** facile *** difficulté moyee **** difficile ***** très difficile I : Icotourable T : pour
Plus en détail4 Approximation des fonctions
4 Approximatio des foctios Ue foctio f arbitraire défiie sur u itervalle I et à valeur das IR peut être représetée par so graphe, ou de maière équivalete par la doée de l esemble de ses valeurs f(t) pour
Plus en détailGroupe orthogonal d'un espace vectoriel euclidien de dimension 2, de dimension 3
1 Groupe orthogoal d'u espace vectoriel euclidie de dimesio, de dimesio Voir le chapitre 19 pour l'étude des espaces euclidies et des isométries. État doé u espace euclidie E de dimesio 1, o rappelle que
Plus en détailChaînes de Markov. Arthur Charpentier
Chaîes de Markov Arthur Charpetier École Natioale de la Statistique et d Aalyse de l Iformatio - otes de cours à usage exclusif des étudiats de l ENSAI - - e pas diffuser, e pas citer - Quelques motivatios.
Plus en détailUniversité Pierre et Marie Curie. Biostatistique PACES - UE4 2013-2014
Uiversité Pierre et Marie Curie Biostatistique PACES - UE4 2013-2014 Resposables : F. Carrat et A. Mallet Auteurs : F. Carrat, A. Mallet, V. Morice Mise à jour : 21 octobre 2013 Relecture : V. Morice,
Plus en détailPROMENADE ALÉATOIRE : Chaînes de Markov et martingales
PROMENADE ALÉATOIRE : Chaîes de Markov et martigales Thierry Bodieau École Polytechique Paris Départemet de Mathématiques Appliquées thierry.bodieau@polytechique.edu Novembre 2013 2 Table des matières
Plus en détailTerminale S. Terminale S 1 F. Laroche
Termiale S Exercices. Rappels et exercices de base 3.. QCM (P. Egel) 3.. QCM, Atilles 005 4. 3. QCM, Liba 009, 3 poits 4. 4. QCM, C. étragers 007. 5. QCM, Frace 007 5 6. 6. QCM, N. Calédoie 007 7. 7. QCM
Plus en détailChapitre 3 : Transistor bipolaire à jonction
Chapitre 3 : Trasistor bipolaire à joctio ELEN075 : Electroique Aalogique ELEN075 : Electroique Aalogique / Trasistor bipolaire U aperçu du chapitre 1. Itroductio 2. Trasistor p e mode actif ormal 3. Courats
Plus en détailUNIVERSITÉ DE SFAX École Supérieure de Commerce
UNIVERSITÉ DE SFAX École Supérieure de Commerce Aée Uiversitaire 2003 / 2004 Auditoire : Troisième Aée Études Supérieures Commerciales & Scieces Comptables DÉCISIONS FINANCIÈRES Note de cours N 3 Première
Plus en détailStatistiques appliquées à la gestion Cours d analyse de donnés Master 1
Aalyse des doées Statistiques appliquées à la gestio Cours d aalyse de doés Master F. SEYTE : Maître de coféreces HDR e scieces écoomiques Uiversité de Motpellier I M. TERRAZA : Professeur de scieces écoomiques
Plus en détailSÉRIES STATISTIQUES À DEUX VARIABLES
1 ) POSITION DU PROBLÈME - VOCABULAIRE A ) DÉFINITION SÉRIES STATISTIQUES À DEUX VARIABLES O cosidère deux variables statistiques umériques x et y observées sur ue même populatio de idividus. O ote x 1
Plus en détailStatistique 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 détail55 - EXEMPLES D UTILISATION DU TABLEUR.
55 - EXEMPLES D UTILISATION DU TABLEUR. CHANTAL MENINI 1. U pla possible Les exemples qui vot suivre sot des pistes possibles et e aucu cas ue présetatio exhaustive. De même je ai pas fait ue étude systématique
Plus en détailChapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES. 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.
Chapitre 2 SONDAGE ALEATOIRE SIMPLE OU A PROBABILITES EGALES PLAN DU CHAPITRE 2 2.1 DEFINITIONS 2.2 SONDAGE ALEATOIRE SIMPLE SANS REMISE (PESR) 2.2.1 Pla de sodage 2.2.2 Probabilités d iclusio 2.3 SONDAGE
Plus en détailLE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE
LE PRINCIPE DU RAISONNEMENT PAR RÉCURRENCE. Exemple troductf (Les élèves qu coasset déà be le prcpe peuvet sauter ce paragraphe) Cosdéros la sute (u ), défe pour tout, par : u u u 0 0 Cette sute est défe
Plus en détail20. Algorithmique & Mathématiques
L'éditeur L'éditeur permet à l'utilisateur de saisir les liges de codes d'u programme ou de défiir des foctios. Remarque : O peut saisir directemet des istructios das la cosole Scilab, mais il est plus
Plus en détailProcessus géométrique généralisé et applications en fiabilité
Processus géométrique gééralisé et applicatios e fiabilité Lauret Bordes 1 & Sophie Mercier 2 1,2 Uiversité de Pau et des Pays de l Adour Laboratoire de Mathématiques et de leurs Applicatios - Pau UMR
Plus en détailTRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 )
RAIRO Operatios Research RAIRO Oper. Res. 34 (2000) 99-129 TRANSFERT DE CHARGE DANS UN RÉSEAU DE PROCESSEURS TOTALEMENT CONNECTÉS (*) par Maryse BÉGUIN ( 1 ) Commuiqué par Berard LEMAIRE Résumé. L étude
Plus en détailConsolidation. C r é e r un nouveau classeur. Créer un groupe de travail. Saisir des données dans un groupe
Cosolidatio La société THEOS, qui commercialise des vis, exerce so activité das trois villes : Paris, Nacy et Nice. Le directeur de la société souhaite cosolider les résultats de ses vetes par ville das
Plus en détailPrincipes et Méthodes Statistiques
Esimag - 2ème aée 0 1 2 3 4 5 6 7 0 5 10 15 x y Pricipes et Méthodes Statistiques Notes de cours Olivier Gaudoi 2 Table des matières 1 Itroductio 7 1.1 Défiitio et domaies d applicatio de la statistique............
Plus en détail16.1 Convergence simple et convergence uniforme. une suite de fonctions de I dans R ou C.
16 Suites de foctios Suf précisio cotrire, I est u itervlle réel o réduit à u poit et les foctios cosidérées sot défiies sur I à vleurs réelles ou complexes. 16.1 Covergece simple et covergece uiforme
Plus en détailUniversité Victor Segalen Bordeaux 2 Institut de Santé Publique, d Épidémiologie et de Développement (ISPED) Campus Numérique SEME
Uiversité Victor Segale Bordeaux Istitut de Saté Publique, d Épidémiologie et de Développemet (ISPED) Campus Numérique SEME MODULE Pricipaux outils e statistique Versio du 8 août 008 Écrit par : Relu par
Plus en détailDes résultats d irrationalité pour deux fonctions particulières
Collect. Math. 5, 00, 0 c 00 Uiversitat de Barceloa Des résultats d irratioalité pour deux foctios particulières Richard Choulet 7, Rue du 4 Août, 40 Aveay, Frace E-mail: richardchoulet@waadoo.fr Received
Plus en détailLa France, à l écoute des entreprises innovantes, propose le meilleur crédit d impôt recherche d Europe
1/5 Trois objectifs poursuivis par le gouveremet : > améliorer la compétitivité fiscale de la Frace > péreiser les activités de R&D > faire de la Frace u territoire attractif pour l iovatio Les icitatios
Plus en détailPolynésie Septembre 2002 - Exercice On peut traiter la question 4 sans avoir traité les questions précédentes.
Polyésie Septembre 2 - Exercice O peut traiter la questio 4 sas avoir traité les questios précédetes Pour u achat immobilier, lorsqu ue persoe emprute ue somme de 50 000 euros, remboursable par mesualités
Plus en détailc. Calcul pour une évolution d une proportion entre deux années non consécutives
Calcul des itervalles de cofiace our les EPCV 996-004 - Cas d u ourcetage ou d ue évolutio e oit das la oulatio totale des méages - Cas d u ourcetage ou d ue évolutio das ue sous oulatio das les méages
Plus en détailINTRODUCTION AUX MATRICES ALÉATOIRES. par. Djalil Chafaï
INTRODUCTION AUX MATRICES ALÉATOIRES par Djalil Chafaï Résumé. E cocevat les mathématiques comme u graphe, où chaque sommet est u domaie, la théorie des probabilités et l algèbre liéaire figuret parmi
Plus en détailDeuxième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES
DEUXIEME PARTIE Deuième partie : LES CONTRATS D ASSURANCE VIE CLASSIQUES Chapitre. L assurace de capital différé Chapitre 2. Les opératios de retes Chapitre 3. Les assuraces décès Chapitre 4. Les assuraces
Plus en détailLe 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 détailTélé 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 détailTempêtes : Etude des dépendances entre les branches Automobile et Incendie à l aide de la théorie des copulas Topic 1 Risk evaluation
Tempêtes : Etude des dépedaces etre les braches Automobile et Icedie à l aide de la théorie des copulas Topic Risk evaluatio Belguise Olivier Charles Levi ACM Guy Carpeter 34 rue du Wacke 47/53 rue Raspail
Plus en détailUniversité de Bordeaux - Master MIMSE - 2ème année. Scoring. Marie Chavent http://www.math.u-bordeaux.fr/ machaven/ 2014-2015
Uiversité de Bordeaux - Master MIMSE - 2ème aée Scorig Marie Chavet http://www.math.u-bordeaux.fr/ machave/ 2014-2015 1 Itroductio L idée géérale est d affecter ue ote (u score) global à u idividu à partir
Plus en détail3.1 Différences entre ESX 3.5 et ESXi 3.5 au niveau du réseau. Solution Cette section récapitule les différences entre les deux versions.
3 Réseau Le réseau costitue u aspect essetiel d u eviroemet virtuel ESX. Il est doc importat de compredre la techologie, y compris ses différets composats et leur coopératio. Das ce chapitre, ous étudios
Plus en détailGérer 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 détail2 ième partie : MATHÉMATIQUES FINANCIÈRES
2 ième partie : MATHÉMATIQUES FINANCIÈRES 1. Défiitios L'itérêt est l'idemité que doe au propriétaire d'ue somme d'arget celui qui e a joui pedat u certai temps. Divers élémets itervieet das le calcul
Plus en détailInitiation à l analyse factorielle des correspondances
Fiche TD avec le logiciel : tdr620b Iitiatio à l aalyse factorielle des correspodaces A.B. Dufour & M. Royer & J.R. Lobry Das cette fiche, o étudie l Aalyse Factorielle des Correspodaces. Cette techique
Plus en détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
1 / 9 Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Le cycle d exploitatio des etreprises (achats stockage productio stockage vetes) peut etraîer des décalages de trésorerie plus
Plus en détailEtude Spéciale SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT?
Etude Spéciale o. 7 Javier 2003 SCORING : UN GRAND PAS EN AVANT POUR LE MICROCRÉDIT? MARK SCHNEIDER Le CGAP vous ivite à lui faire part de vos commetaires, de vos rapports et de toute demade d evoid autres
Plus en détailMESURE DE L'INFORMATION
MESURE DE L'INFORMATION Marc URO TABLE DES MATIÈRES INTRODUCTION... 3 INCERTITUDE D'UN ÉVÉNEMENT (OU SELF-INFORMATION)... 7 INFORMATION MUTUELLE DE DEUX ÉVÉNEMENTS... 9 ENTROPIE D'UNE VARIABLE ALÉATOIRE
Plus en détailChap. 6 : Les principaux crédits de trésorerie et leur comptabilisation
Chap. 6 : Les pricipaux crédits de trésorerie et leur comptabilisatio Les etreprises ot souvet besoi de moyes de fiacemet à court terme : elles ot alors recours aux crédits bacaires (découverts bacaires
Plus en détailNous imprimons ce que vous aimez!
Nous imprimos ce que vous aimez! Persoalisé simple différet Catalogue de produits Tapis stadard tapis logo tapis publicitaire Nous imprimos ce que vous aimez! 2 I JOBET JOBET Vous et vos cliets serez coquis...
Plus en détailRESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *)
RESOLUTION DES FLOW SHOP STOCHASTIQUES PAR LES ORDRES STOCHASTIQUES. DERBALA Ali *) *) Uiversité de Blida Faculté des scieces Départemet de Mathématiques. BP 270, Route de Soumaa. Blida, Algérie. Tel &
Plus en détailLa spirale de Théodore bis, et la suite «somme=produit».
Etde d e vrite de l spirle de Théodore, dot issce à e site dot les sommes prtielles sot égles x prodits prtiels. Mots clés : spirle de Théodore, théorème de Pythgore, site, série, polyôme. L spirle de
Plus en détailSéries numériques. Chap. 02 : cours complet.
Séris méris Cha : cors comlt Séris d réls t d comlxs Défiitio : séri d réls o d comlxs Défiitio : séri corgt o dirgt Rmar : iflc ds rmirs trms d séri sr la corgc Théorèm : coditio écssair d corgc Théorèm
Plus en détailSommaire Chapitre 1 - L interface de Windows 7 9
Sommaire Chapitre 1 - L iterface de Widows 7 9 1.1. Utiliser le meu Démarrer et la barre des tâches de Widows 7...11 Démarrer et arrêter des programmes...15 Épigler u programme das la barre des tâches...18
Plus en détailDETERMINANTS. 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 détailGUIDE METHODOLOGIQUE INDUSTRIES, OUVREZ VOS PORTES
GUIDE METHODOLOGIQUE INDUSTRIES, OUVREZ VOS PORTES SOMMAIRE Les visites d etreprises : pourquoi ouvrir ses portes?.... 8 1.1 Des motivatios variées pour les etreprises... 8 1.2 Les freis à l ouverture
Plus en détailContribution à la théorie des entiers friables
UFR STMIA École Doctorale IAE + M Uiversité Heri Poicaré - Nacy I DFD Mathématiques THÈSE présetée pour l obtetio du titre de Docteur de l Uiversité Heri Poicaré, Nacy-I e Mathématiques par Bruo MARTIN
Plus en détailModule 3 : Inversion de matrices
Math Stat Module : Iversio de matrices M Module : Iversio de matrices Uité. Défiitio O e défiira l iverse d ue matrice que si est carrée. O appelle iverse de la matrice carrée toute matrice B telle que
Plus en détailMUTUELLE D&O MUTUELLE D&O. Copilote de votre santé. AGECFA-Voyageurs CARCEPT CARCEPT-Prévoyance CRC CRIS CRPB-AFB
MUTUELLE D&O MUTUELLE D&O Copilote de votre saté AGECFA-Voyageurs CARCEPT CARCEPT-Prévoyace CRC CRIS CRPB-AFB DOMISSIMO-Assuraces DOMISSIMO-Services FONGECFA-Trasport IPRIAC MUTUELLE D&O OREPA-Prévoyace
Plus en détailII - Notions de probabilité. 19/10/2007 PHYS-F-301 G. Wilquet 1
II - Notos de probablté 9/0/007 PHYS-F-30 G. Wlquet Ue varable aléatore est ue varable dot la valeur e peut être prédte avec certtude mas dot la probablté d occurrece d ue valeur (varable dscrète) ou d
Plus en détailDares Analyses. Plus d un tiers des CDI sont rompus avant un an
Dares Aalyses javier 2015 N 005 publicatio de la directio de l'aimatio de la recherche, des études et des statistiques Plus d u tiers des CDI sot rompus avat u a Le cotrat de travail à durée idétermiée
Plus en détailS-PENSION. Constituez-vous un capital retraite complémentaire pour demain tout en bénéficiant d avantages fiscaux dès aujourd hui.
S-PENSION Costituez-vous u capital retraite complémetaire pour demai tout e bééficiat d avatages fiscaux dès aujourd hui. Sommaire 1. Il est temps de predre l iitiative 4 2. Profitez dès aujourd hui des
Plus en détailIntégrales généralisées
3 Iégrles géérlisées Pour ce chpire, les focios cosidérées so priori défiies sur u iervlle réel I o rédui à u poi, à vleurs réelles ou complees e coiues pr morceu. L défiiio e les propriéés de l iégrle
Plus en détailLes études. Recommandations applicables aux appareils de levage "anciens" dans les ports. Guide Technique
es Cetre d Etudes Techiques Maritimes et Fluviales Les études Recommadatios applicables aux appareils de levage "acies" das les ports Guide Techique PM 03.01 Cetre d Etudes Techiques Maritimes et Fluviales
Plus en détailCompte Sélect Banque Manuvie Guide du débutant
GUIDE DU DÉBUTANT Compte Sélect Baque Mauvie Guide du débutat Besoi d aide? Preez quelques miutes pour lire attetivemet votre Guide du cliet. Le préset Guide du débutat vous facilitera l utilisatio de
Plus en détailRégulation 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 détailWorking Paper RETAIL RÉGIONAL RESPONSABLE
«BANQUE DE DÉTAIL DE MASSE» : COMMENT LES CAISSES D ÉPARGNE EN AFRIQUE, ASIE ET AMÉRIQUE LATINE PEUVENT FOURNIR DES SERVICES ADAPTÉS AUX BESOINS DES POPULATIONS DÉFAVORISÉES Travailler avec les caisses
Plus en détailLa tarification hospitalière : de l enveloppe globale à la concurrence par comparaison
ANNALES D ÉCONOMIE ET DE STATISTIQUE. N 58 2000 La tarificatio hospitalière : de l eveloppe globale à la cocurrece par comparaiso Michel MOUGEOT * RÉSUMÉ. Cet article cosidère différetes politiques de
Plus en détailn tr tr tr tr tr tr tr tr tr tr n tr tr tr Nom:... Prénom :...
Nom:... Préom :... Chaque répose peut valoir : c) 2 poits si le choix est totalemet exact + poit si le choix est partiellemet exact + 0 poit si le choix est erroé + -i poit si le choix est u coeses Ue
Plus en détailLe marché du café peut être segmenté en fonction de deux modes de production principaux : la torréfaction et la fabrication de café soluble.
II LE MARCHE DU CAFE 1 L attractivité La segmetatio selo le mode de productio Le marché du café peut être segmeté e foctio de deux modes de productio pricipaux : la torréfactio et la fabricatio de café
Plus en détailRenseignements 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 détailRÈGLES ORDINALES : UNE GÉNÉRALISATION DES RÈGLES D'ASSOCIATION
RÈGLES ORDIALES : UE GÉÉRALISATIO DES RÈGLES D'ASSOCIATIO SYLVIE GUILLAUME ALI KHECHAF 2 RÉSUMÉ: La plupart des mesures des règles cocere les variables biaires et écessite pour les autres types de variables
Plus en détail