Partie I. Les données quantitatives
|
|
- Marie-Claude Boulet
- il y a 8 ans
- Total affichages :
Transcription
1 Variables quantitatives : analyse en composantes principales Jean-Marc Lasgouttes Partie I Les données quantitatives Description de données quantitatives On appelle «variable» un vecteur x de taille n Chaque coordonnée x i correspond à un individu On s intéresse ici à des valeurs numériques Poids Chaque individu peut avoir un poids p i, tel que p + + p n =, notamment quand les individus n ont pas la même importance (échantillons redressés, données regroupées,) On a souvent p = /n Résumés on dispose d une série d indicateurs qui ne donne qu une vue partielle des données : effectif, moyenne, médiane, variance, écart type, minimum, maximum, étendue, er quartile (25% inférieurs), 4ème quartile (25% supérieurs), Ces indicateurs mesurent principalement la tendance centrale et la dispersion On utilisera principalement la moyenne, la variance et l écart type Moyenne arithmétique On note x = n ou pour des données pondérés x = x i, p i x i Propriétés la moyenne arithmétique est une mesure de tendance centrale qui dépend de toutes les observations et est sensible aux valeurs extrêmes Elle est très utilisée à cause de ses bonnes propriétés mathématiques Variance et écart-type var(x) = σ 2 x = n la variance de x est définie par (x i x) 2 ou var(x) = p i (x i x) 2 Propriétés La variance satisfait la formule suivante var(x) = p i x 2 i ( x) 2 La variance est «la moyenne des carrés moins le carré de la moyenne» L écart-type, qui a la même unité que x, est une mesure de dispersion Attention! les calculatrices utilisent l estimateur sans biais de la variance dans lequel le /n est remplacé par /(n ) Mesure de liaison entre deux variables s et y est cov(x, y) = σ xy = la covariance observée entre deux variables x p i (x i x)(y i ȳ) = p i x i y i xȳ et le coefficient de r de Bravais-Pearson ou coefficient de corrélation est donné par cor(x, y) = r xy = σ xy cov(x, y) = σ x σ y var(x) var(y) Ces deux grandeurs sont symétriques : cov(x, y) = cov(y, x) et cor(x, y) = cor(y, x) Propriétés du coefficient de corrélation Borne On a toujours (inégalité de Cauchy-Schwarz) cor(x, y) Variables liées cor(x, y) = si et seulement si x et y sont linéairement liées : ax i + by i = c, pour tout i n En particulier, cor(x, x) = Variables décorrélées si cor(x, y) =, on dit que les variables sont décorrélées Cela ne veut pas dire qu elles sont indépendantes! L écart-type σ x est la racine carrée de la variance
2 y Le coefficient de corrélation par l exemple x x x3 5 5 Interprétation on a 4 variables numériques avec 3 individus Les variables et 2 sont «indépendantes» ; les variables et 3 ont une relation linéaire ; les variables 2 et 4 ont une relation non-linéaire Que signifie une corrélation linéaire? Qu est ce qui est significatif? si on a assez de données, on peut considérer qu une corrélation supérieure à, 5 est forte, et une corrélation entre, 3 et, 5 est moyenne Une corrélation égale à un indique que les deux variables sont équivalentes Qu est-ce que cela veut dire? une corrélation significative indique une liaison entre deux variables, mais pas nécessairement un lien de causalité Exemple : Le nombre de pompiers présents pour combattre un incendie est corrélé aux dégâts de l incendie Mais ce ne sont pas les pompiers qui causent les dégâts Et une décorrélation? voici un exemple ou cor(x, y) = x Cas particuliers matrices zéro et identité de taille n n et vecteur unité de taille n : n =, I n =, n = Addition Possible quand les dimensions sont égales ; on ajoute les coefficients A + B = B + A, A + = A Produit Contrainte lignes/colonnes : A B = (n p) (p k) C (n k) Nombre de colonnes de la première matrice égal au nombre de lignes de la seconde AB BA, I n A = AI p = A Pense-bête matrices (2/2) (A + B)C = AC + BC A(BC) = (AB)C Transposition échange des lignes et des colonnes d une matrice ; on note A la transposée de A (A ) = A, (A + B) = A + B, (AB) = B A Trace la trace d une matrice carrée est la somme des termes de sa diagonale Inverse Tr(AB) = Tr(BA), Tr(ABC) = Tr(CAB) = Tr(BCA) Tr(CBA) si A et B sont carrées de taille n, alors AB = I n = BA = I n On note B = A (inverse de A) Partie II Formulation matricielle Pense-bête matrices (/2) x Tableau de données On note x j i la valeur de la variable x j pour le i-ème individu X = (x,, x p ) est une matrice rectangulaire à n lignes et p colonnes x j = x j x j 2 x j n, X = x x 2 x p x 2 x 2 2 x n Un individu est représenté par x j i e i = [x i,, x j i,, xp i ] x p n Matrice tableau de données, noté par un lettre majuscule grasse (ex : A) Vecteur matrice à une seule colonne, noté par une lettre minuscule grasse (ex : x) 2 Cours d analyse de données Jean-Marc Lasgouttes année 24-25
3 La matrice des poids on associe aux individus un poids p i tel que p + + p n = que l on représente par la matrice diagonale de taille n p p 2 D p = p n Cas uniforme tous les individus ont le même poids p i = /n et D p = n I n Point moyen et tableau centré Point moyen c est le vecteur g des moyennes arithmétiques de chaque variable : g = ( x,, x p ), où x j = On peut écrire sous forme matricielle g = X D p n p i x j i Tableau centré il est obtenu en centrant les variables autour de leur moyenne ou, en notation matricielle, y j i = xj i xj Y = X n g = (I n n nd p )X Matrice de variance-covariance c est une matrice carrée de dimension p σ 2 σ 2 σ p σ 2 V =, σ p où σ kl est la covariance des variables x k et x l et σj 2 est la variance de la variable x j Formule matricielle σ 2 p V = X D p X gg = Y D p Y Matrice de corrélation p p Si l on note r kl = σ kl /σ k σ l, c est la matrice r 2 r p r 2 R =, r p Formule matricielle D/σ = R = D/σVD/σ, où σ σ p Partie III Géométrie des nuages de points L analyse de composantes principales (ACP) Contexte chaque individu est considéré comme un point d un espace vectoriel F de dimension p L ensemble des individus est un nuage de points dans F et g est son centre de gravité Principe on cherche à réduire le nombre p de variables tout en préservant au maximum la structure du problème Pour cela on projette le nuage de points sur un sous-espace de dimension inférieure Distance entre individus Motivation afin de pouvoir considérer la structure du nuage des individus, il faut définir une distance, qui induira une géométrie Distance euclidienne classique la distance la plus simple entre deux points de R p est définie par d 2 (u, v) = (u j v j ) 2 = u v 2 j= Généralisation simple on donne un poids m j > à la variable j d 2 (u, v) = m j (u j v j ) 2 j= Utiliser ce poids est équivalent à multiplier la coordonnée j par m j Métrique soit M = diag(m j ), où m,, m p sont des réels strictement positifs On pose Espace métrique u 2 M = u Mu = d 2 M(u, v) = u v 2 M m j u 2 j, j= il est défini par le produit scalaire u, v M = u Mv = On notera que u 2 M = u, u M m j u j v j j= Cours d analyse de données Jean-Marc Lasgouttes année
4 Orthogonalité u, v M = on dit que u et v sont M-orthogonaux si Propriétés du produit scalaire Le produit scalaire est commutatif u, v M = v, u M Le produit scalaire est linéaire u, v + w M = u, v M + u, w M, Identité remarquable u, λv M = λ u, v M pour tout λ R u + v 2 M = u 2 M + v 2 M + 2 u, v M Le cas de la métrique D /σ 2 Pourquoi cette métrique? pour que les distances soient indépendantes des unités de mesure pour qu elles ne privilégient pas les variables dispersées Équivalence avec les données réduites on a D/σ 2 = et donc D/σD/σ u, v D/σ 2 = D/σu, D/σv Travailler avec la métrique D/σ 2 est équivalent à diviser chaque variable par son écart-type et à utiliser la métrique I Données centrées réduites les données z j i = xj i xj σ j, c est le tableau Z contenant qui se calcule matriciellement comme Z = YD/σ Utilisation des métriques Utiliser une métrique est donc équivalent à «tordre» les données, par exemple pour les rendre comparables Inertie totale puisque c est I g, qui est la plus petite inertie possible, I v = I g + v g 2 M Autres relations I g mesure la moyenne des carrés des distances entre les individus 2I g = j= p i p j e i e j 2 M L inertie totale est aussi donnée par la trace de la matrice VM (ou MV) I g = Tr(VM) = Tr(MV), la trace d une matrice étant la somme de ses éléments diagonaux Métriques particulières Métrique usuelle usuel et M = I p correspond au produit scalaire I g = Tr(V) = j= Métrique réduite obtenue quand M = D/σ 2 = D2 /σ I g = Tr(D/σ 2V) = Tr(D /σvd/σ) = Tr(R) = p L analyse de composantes principales (version 2) Principe on cherche à projeter le nuage de points sur un espace F k de dimension k < p Critère on veut que la moyenne des carrés des distances entre les points projetés soit maximale (elle est toujours plus petite que pour le nuage original) Pour cela on cherche F k, sous espace de dimension k de F p, tel que l inertie du nuage projeté sur F k soit maximale σ 2 i x2 x2 x x Exemple utiliser la métrique réduite est équivalent à travailler sur les données centrées réduites Z = YD/σ Inertie l inertie en un point v du nuage de points est I v = p i e i v 2 M = p i (e i v) M(e i v) 4 Cours d analyse de données Jean-Marc Lasgouttes année 24-25
5 Partie IV Approche matricielle du problème Rappels : valeurs propres et vecteurs propres un vecteur v de taille p est un vecteur propre d une matrice A de taille p p s il existe λ C telle que Av = λv λ est une valeur propre de A associée à v Domaine En général, les vecteurs propres et valeurs propres sont complexes ; dans tous les cas qui nous intéressent, ils seront réels Interprétation des vecteurs propres dans lesquelles la matrice agit ce sont les directions Interprétation des valeurs propres c est le facteur multiplicatif associé à une direction donnée Non unicité des vecteur propres Si v est un vecteur propre de A associé la valeur propre λ, alors, pour tout α C, αv est aussi vecteur propre de A : A(αv) = αav = αλv = λ(αv) Valeurs et vecteurs propres : un exemple concret La matrice a pour vecteurs propres v =, v 2 =, v 3 = On vérifie facilement que les valeurs propres associées sont λ = 2, λ 2 = 4, λ 3 = 6 Valeurs et vecteurs propres : cas particuliers Matrice nulle sa seule valeur propre est, et tout vecteur est vecteur propre Matrice identité tout vecteur est vecteur propre de I avec valeur propre, puisque Iv = v Matrice diagonale si D λ est une matrice diagonale avec les coefficients λ,, λ p, alors le i-ème vecteur coordonnée est vecteur propre de D λ associé à la valeur propre λ i L action d une matrice diagonale est de multiplier chacune des coordonnées d un vecteur par la valeur propre correspondante Matrice diagonalisable c est une matrice dont les vecteurs propres forment une base de l espace vectoriel : tout vecteur peut être représenté de manière unique comme combinaison linéaire des vecteurs propres Une matrice A de taille p p qui a p valeurs propres distinctes est diagonalisable et Tr(A) = λ + λ λ p Quelques matrices diagonalisables Matrice symétrique une matrice symétrique réelle (A = A) possède une base de vecteurs propres orthogonaux réels et ses valeurs propres sont elles aussi réelles v i, v j = si i j, et λ i R Matrice M-symétrique une matrice M-symétrique réelle (A M = MA) possède une base de vecteurs propres M- orthogonaux réel et ses valeurs propres sont elles aussi réelles v i, v j M = si i j, et λ i R Matrice définie positive c est une matrice symétrique dont les valeurs propres sont strictement positives Analyse de VM v i, v j = si i j, et λ i > Valeurs propres la matrice VM est M-symétrique : elle est donc diagonalisable et ses valeurs propres λ,, λ p sont réelles Axes principaux d inertie tels que VMa k = λ k a k, Ils sont M-orthonormaux ce sont les p vecteurs a,, a p avec a k, a l M = si k = l, sinon Signe des valeurs propres les valeurs propres de VM sont positives et on peut les classer par ordre décroissant Résultat principal Théorème principal λ λ 2 λ 3 λ p (Admis) le sous-espace F k de dimension k portant l inertie maximale est engendré par les k vecteurs propres de VM associés aux k plus grandes valeurs propres ; 2 Les solutions sont «emboîtées» : F k+ = F k f k+, où f k+ est le sous espace de dimension M-orthogonal à F k portant l inertie maximale Interprétation du théorème l ACP sur k variables est obtenue en se limitant aux k plus grandes valeurs propres Le calcul ne dépend pas du nombre de variables qu on veut Cours d analyse de données Jean-Marc Lasgouttes année
6 Idée du lien avec l inertie on sait que Tr(VM) = λ + +λ p Si on ne garde que les données relatives à a,, a q, on gardera l inertie λ + + λ q, et c est le mieux qu on puisse faire Partie V Les éléments de l ACP Les composantes principales Coordonnées des individus supposons que e i g = p l= c ila l, alors e i g, a k M = c il a l, a k M = c ik l= La coordonnée de l individu centré e i g sur l axe principal a k est donc donné par la projection M-orthogonale c ik = e i g, a k M = (e i g) Ma k Composantes principales ce sont les variables c k = (c k,, c nk ) de taille n définies par c k = YMa k Chaque c k contient les coordonnées des projections M- orthogonales des individus centrés sur l axe défini par les a k Représentation des individus dans un plan principal Qu est-ce que c est? pour deux composantes principales c et c 2, on représente chaque individu i par un point d abscisse c i et d ordonnée c i2 e6 e4 e5 Axe 2 e7 e8 e2 e e3 Axe Covariance de même, pour k l, cov(c k, c l ) = c kd p c l = = λ l a kma l = Les composantes principales ne sont pas corrélées entre elles Interprétation dans l espace des variables On peut transposer le tableau de données et étudier un nuage de p points de R n où chaque point est une variable Métrique D p il faut munir l espace des variables d une métrique raisonnable On choisit toujours la métrique D p des poids : x, y Dp = x D p y, x 2 D p = x D p x pour deux variables cen- Covariance et produit scalaire trées x et y, on a cov(x, y) = x, y Dp, var(x) = x 2 D p, cor(x, y) = x, y D p = cos( xy) x Dp y Dp Exemple les vecteurs c k / λ k forment une base D p - orthonormale { ck c l, si k = l,, = cor(c k, c l ) = λk λl D p, sinon Facteurs principaux on associe à un axe principal a k le facteur principal u k = Ma k de taille p C est un vecteur propre de MV car MVu k = MVMa k = λ k Ma k = λ k u k Calcul en pratique, on calcule les u k par diagonalisation de MV, puis on obtient les c k = Yu k Les a k ne sont pas intéressants Interprétation Si on pose u k = (u k,, u pk ), on voit que la matrice des u jk sert de matrice de passage entre la nouvelle base et l ancienne Quand? Elle est utile pour des individus discernables c ik = y j i u jk c est-à-dire c k = y j u jk j= j= Propriétés des composantes principales Moyenne arithmétique centrées : les composantes principales sont c k = c kd p n = a kmy D p n = car Y D p n = (les colonnes de Y sont centrées) Variance la variance de c k est λ k car var(c k ) = c kd p c k = a kmy D p YMa k = a kmvma k = λ k a kma k = λ k 6 Cours d analyse de données Jean-Marc Lasgouttes année 24-25
7 Formules de reconstitution Reconstitution Les c k et a k permettent de retrouver les coordonnées centrées par les formules équivalentes y j i = c ik a kj, e i g = k= c ik a k, y j = k= c k a kj k= ou matriciellement Y = p k= c ka k Les a kj forment de matrice de passage entre l ancienne base et la nouvelle Preuve il suffit de calculer n c ik a k, a l = c ik ak, a l = c M il = e i g, a l M k= M k= Comme les a k forment une base, on obtient la seconde formule Approximation Les k premiers termes fournissent la meilleure approximation de Y par une matrice de rang k au sens des moindres carrés (théorème de Eckart-Young) Critère de Kaiser (variables centrées-réduites) on ne retient que les axes associés à des valeurs propres supérieures à, c est-à-dire dont la variance est supérieure à celle des variables d origine Une autre interprétation est que la moyenne des valeurs propres étant, on ne garde que celles qui sont supérieures à cette moyenne Nombre d axes à retenir (suite) Éboulis des valeurs propres on cherche un «coude» dans le graphe des valeurs propres Partie VI Aspects pratiques L ACP sur les données centrées réduites c est la matrice de corré- Matrice de variance-covariance lation car Z D p Z = D/σY D p YD /σ = D/σVD/σ = R Métrique on prend la métrique M = I p ce sont les p vecteurs propres ortho- Facteurs principaux normés de R, Ru k = λ k u k, avec u k, u l = si k = l, sinon dont les valeurs propres vérifient λ +λ 2 +λ 3 + +λ p = p et λ λ 2 λ 3 λ p Composantes principales elles sont données par c k = Zu k Nombre d axes à retenir Dimension de l espace des individus L ACP visant à réduire la dimension de l espace des individus, on veut conserver aussi peu d axes que possible Il faut pour cela que les variables d origine soient raisonnablement corrélées entre elles Les seuls critères utilisables sont empiriques Interprétation des axes on s efforce de ne retenir que des axes à propos desquels une forme d interprétation est possible (soit directement, soit en terme des variables avec lesquels ils sont très corrélés) On donnera des outils à cet effet plus loin dans le cours Corrélation entre composantes et variables initiales Sur les variables centrées-réduites, cette corrélation s écrit ( p ) cov(z j, c k ) = cov a lj c l, c k = a lj cov(c l, c k ) = λ k a kj l= cor(z j, c k ) = cov(zj, c k ) var(ck ) = λ ka kj λk l= = λ k u jk Position dans un plan On sait que var(z j ) =, mais on peut aussi écrire ( ) var(z j ) = cov(z j, z j ) = cov z j, a kj c k = a kj cov(z j, c k ) = λ k a 2 kj = k= k= [ cor(z j, c k ) ] 2 k= k= Par conséquent, les 2 premières coordonnées sont dans un disque de rayon, puisque [ cor(z j, c ) ] 2 + [ cor(z j, c 2 ) ] 2 Le cercle des corrélations Qu est-ce que c est? c est une représentation où, pour deux composantes principales, par exemple c et c 2, on représente chaque variable z j par un point d abscisse cor(z j, c ) et d ordonnée cor(z j, c 2 ) Cours d analyse de données Jean-Marc Lasgouttes année
8 Le cercle des corrélations (suite) Interprétation Les variables qui déterminent les axes sont celles dont la corrélation est supérieure en valeur absolue à une certaine limite (, 9,, 8 selon les données) ; on essaie d utiliser la même limite pour tous les axes Remarques les points sont la projection orthogonale dans D p des variables dans le plan défini par les composantes principales c et c 2 Il ne faut interpréter la proximité des points que s ils sont proches de la circonférence Effet «taille» quand toutes les variables ont le même signe de corrélation avec la première composante principale (positif ou négatif) Cette composante est alors appelée «facteur de taille», la seconde «facteur de forme» un effet de taille indique un consensus sur une variable Le facteur correspondant ne nous apprend pas toujours quelque chose il n y a effet de taille que sur le premier axe! il n y a pas d «effet de forme»! Contribution d un individu à une composante On sait que var(c k ) = λ k = n p ic 2 ik La contribution de l individu i à la composante k est donc p i c 2 ik λ k Interprétation la contribution d un individu est importante si elle excède d un facteur α le poids p i de l individu concerné, c est-à-dire Partie VII Qualité de l analyse Qualité globale de la représentation Calcul de l inertie on se souvient que I g = Tr(VM) ; comme la trace d une matrice est la somme de ses valeurs propres, on a I g = λ + λ λ p la qualité de la représentation obtenue par k valeurs propres est la proportion de l inertie expliquée λ + λ λ k λ + λ λ p Si par exemple λ + λ 2 est égal 9% de I g, le nuage de points est aplati autour du premier plan principal Variables centrées réduites On a I g = Tr(R) = p : la somme des valeurs propres est le nombre de variables Utilisation cette valeur sert seulement à évaluer la projection retenue, pas à choisir le nombre d axes à garder Qualité locale de la représentation But on cherche à déterminer si le nuage de points est très aplati par la projection sur les sous-espaces principaux Dans ce cas, deux individus éloignés pourraient artificiellement sembler proches les uns des autres ou de manière équivalente p i c 2 ik λ k αp i, c ik αλ k Choix de α selon les données, on se fixe en général une valeur de l ordre de 2 à 4, que l on garde pour tous les axes Individus sur-représentés Qu est-ce que c est? c est un individu qui joue un rôle trop fort dans la définition d un axe, par exemple p i c 2 ik λ k >, 25 Effet il «tire à lui» l axe k et risque de perturber les représentations des autres points sur les axes de rang k Il est donc surtout problématique sur les premiers axes Un tel individu peut être le signe de données erronées Solution on peut le retirer de l analyse et le mettre en «individu supplémentaire» Angle entre un individu et un axe principal Il est défini par son cosinus carré Le cosinus de l angle entre l individu centré i et l axe principal k est cos(ê i, a k ) = e i g, a k M e i g M car les a k forment une base orthonormale Comme e i g, a k M = c ik, cos 2 (ê i, a k ) = c 2 ik p l= c2 il Cette grandeur mesure la qualité de la représentation de l individu i sur l axe principal a j 8 Cours d analyse de données Jean-Marc Lasgouttes année 24-25
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailStatistique Descriptive Élémentaire
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Élémentaire (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219 Université Paul Sabatier
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détail1S Modèles de rédaction Enoncés
Par l équipe des professeurs de 1S du lycée Parc de Vilgénis 1S Modèles de rédaction Enoncés Produit scalaire & Corrigés Exercice 1 : définition du produit scalaire Soit ABC un triangle tel que AB, AC
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailReprésentation géométrique d un nombre complexe
CHAPITRE 1 NOMBRES COMPLEXES 1 Représentation géométrique d un nombre complexe 1. Ensemble des nombres complexes Soit i le nombre tel que i = 1 L ensemble des nombres complexes est l ensemble des nombres
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailExtraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailSéries Statistiques Simples
1. Collecte et Représentation de l Information 1.1 Définitions 1.2 Tableaux statistiques 1.3 Graphiques 2. Séries statistiques simples 2.1 Moyenne arithmétique 2.2 Mode & Classe modale 2.3 Effectifs &
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailLE PRODUIT SCALAIRE ( En première S )
LE PRODUIT SCALAIRE ( En première S ) Dernière mise à jour : Jeudi 4 Janvier 007 Vincent OBATON, Enseignant au lycée Stendhal de Grenoble ( Année 006-007 ) 1 Table des matières 1 Grille d autoévaluation
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailChapitre 2. Matrices
Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce
Plus en détail1 radian. De même, la longueur d un arc de cercle de rayon R et dont l angle au centre a pour mesure α radians est α R. R AB =R.
Angles orientés Trigonométrie I. Préliminaires. Le radian Définition B R AB =R C O radian R A Soit C un cercle de centre O. Dire que l angle géométrique AOB a pour mesure radian signifie que la longueur
Plus en détailAngles orientés et trigonométrie
Chapitre Angles orientés et trigonométrie Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Trigonométrie Cercle trigonométrique. Radian. Mesure d un angle orienté, mesure principale.
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailCorrigé du baccalauréat S Asie 21 juin 2010
Corrigé du baccalauréat S Asie juin 00 EXERCICE Commun à tous les candidats 4 points. Question : Le triangle GBI est : Réponse a : isocèle. Réponse b : équilatéral. Réponse c : rectangle. On a GB = + =
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailTOUT CE QU IL FAUT SAVOIR POUR LE BREVET
TOUT E QU IL FUT SVOIR POUR LE REVET NUMERIQUE / FONTIONS eci n est qu un rappel de tout ce qu il faut savoir en maths pour le brevet. I- Opérations sur les nombres et les fractions : Les priorités par
Plus en détailI. Ensemble de définition d'une fonction
Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailSi deux droites sont parallèles à une même troisième. alors les deux droites sont parallèles entre elles. alors
N I) Pour démontrer que deux droites (ou segments) sont parallèles (d) // (d ) (d) // (d ) deux droites sont parallèles à une même troisième les deux droites sont parallèles entre elles (d) // (d) deux
Plus en détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailIntroduction. Préambule. Le contexte
Préambule... INTRODUCTION... BREF HISTORIQUE DE L ACP... 4 DOMAINE D'APPLICATION... 5 INTERPRETATIONS GEOMETRIQUES... 6 a - Pour les n individus... 6 b - Pour les p variables... 7 c - Notion d éléments
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailGéométrie dans l espace Produit scalaire et équations
Chapitre 11. 2ème partie Géométrie dans l espace Produit scalaire et équations Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES 2ème partie Produit scalaire Produit scalaire
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailStatistique Descriptive Multidimensionnelle. (pour les nuls)
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Multidimensionnelle (pour les nuls) (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailProgramme de la classe de première année MPSI
Objectifs Programme de la classe de première année MPSI I - Introduction à l analyse L objectif de cette partie est d amener les étudiants vers des problèmes effectifs d analyse élémentaire, d introduire
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailQuelques contrôle de Première S
Quelques contrôle de Première S Gilles Auriol auriolg@free.fr http ://auriolg.free.fr Voici l énoncé de 7 devoirs de Première S, intégralement corrigés. Malgré tout les devoirs et 5 nécessitent l usage
Plus en détailCours3. Applications continues et homéomorphismes. 1 Rappel sur les images réciproques
Université de Provence Topologie 2 Cours3. Applications continues et homéomorphismes 1 Rappel sur les images réciproques Soit une application f d un ensemble X vers un ensemble Y et soit une partie P de
Plus en détailNotion de fonction. Résolution graphique. Fonction affine.
TABLE DES MATIÈRES 1 Notion de fonction. Résolution graphique. Fonction affine. Paul Milan LMA Seconde le 12 décembre 2011 Table des matières 1 Fonction numérique 2 1.1 Introduction.................................
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
Plus en détaila et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe le nombre ax + b
I Définition d une fonction affine Faire l activité 1 «une nouvelle fonction» 1. définition générale a et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe
Plus en détailDOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.
A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur
Plus en détailAnalyses multivariées avec R Commander (via le package FactoMineR) Qu est ce que R? Introduction à R Qu est ce que R?
Analyses multivariées avec R Commander Analyses multivariées avec R Commander (via le package FactoMineR) Plate-forme de Support en Méthodologie et Calcul Statistique (SMCS) - UCL 1 Introduction à R 2
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailDeux disques dans un carré
Deux disques dans un carré Table des matières 1 Fiche résumé 2 2 Fiche élève Seconde - version 1 3 2.1 Le problème............................................... 3 2.2 Construction de la figure avec geogebra...............................
Plus en détailUn K-espace vectoriel est un ensemble non vide E muni : d une loi de composition interne, c est-à-dire d une application de E E dans E : E E E
Exo7 Espaces vectoriels Vidéo partie 1. Espace vectoriel (début Vidéo partie 2. Espace vectoriel (fin Vidéo partie 3. Sous-espace vectoriel (début Vidéo partie 4. Sous-espace vectoriel (milieu Vidéo partie
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Plus en détailExercices - Nombres complexes : corrigé. Formes algébriques et trigonométriques, module et argument
Formes algébriques et trigonométriques, module et argument Exercice - - L/Math Sup - On multiplie le dénominateur par sa quantité conjuguée, et on obtient : Z = 4 i 3 + i 3 i 3 = 4 i 3 + 3 = + i 3. Pour
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
Plus en détailAC AB. A B C x 1. x + 1. d où. Avec un calcul vu au lycée, on démontre que cette solution admet deux solutions dont une seule nous intéresse : x =
LE NOMBRE D OR Présentation et calcul du nombre d or Euclide avait trouvé un moyen de partager en deu un segment selon en «etrême et moyenne raison» Soit un segment [AB]. Le partage d Euclide consiste
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailCalcul intégral élémentaire en plusieurs variables
Calcul intégral élémentaire en plusieurs variables PC*2 2 septembre 2009 Avant-propos À part le théorème de Fubini qui sera démontré dans le cours sur les intégrales à paramètres et qui ne semble pas explicitement
Plus en détailIntroduction. Mathématiques Quantiques Discrètes
Mathématiques Quantiques Discrètes Didier Robert Facultés des Sciences et Techniques Laboratoire de Mathématiques Jean Leray, Université de Nantes email: v-nantes.fr Commençons par expliquer le titre.
Plus en détailLa géométrie du triangle III IV - V Cercles remarquables - Lieux géométriques - Relations métriques
La géométrie du triangle III IV - V Cercles remarquables - Lieux géométriques - Relations métriques III. Cercles 1. Cercle d'euler 2. Droite d'euler 3. Théorème de Feuerbach 4. Milieux des segments joignant
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailCours de Mécanique du point matériel
Cours de Mécanique du point matériel SMPC1 Module 1 : Mécanique 1 Session : Automne 2014 Prof. M. EL BAZ Cours de Mécanique du Point matériel Chapitre 1 : Complément Mathématique SMPC1 Chapitre 1: Rappels
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailL'analyse des données à l usage des non mathématiciens
Montpellier L'analyse des données à l usage des non mathématiciens 2 ème Partie: L'analyse en composantes principales AGRO.M - INRA - Formation Permanente Janvier 2006 André Bouchier Analyses multivariés.
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailEnoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé.
Enoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé. I- ACTIVITES NUMERIQUES (12 points) Exercice 1 (3 points) On considère
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détail