LE PROCESSUS DE POISSON

Porcessus de Poisson Exercices solutionnés

16 oct. 2000 Exercice. Considérons un processus de Poisson ' ? &' (/) : / # 0' ayant une intensité de ? 2. Déterminez la distribution conditionnelle de.

Processus aléatoires et applications

2 janv. 2010 2.2 Généralités sur les processus stochastiques . ... 5 Le processus ponctuel de Poisson ... A Solution de quelques exercices.

Processus de Poisson Exercice 1: On sintéresse au nombre de

processus de Poisson homogène d'intensité ? = 5. Exercice 2: (Paradoxe de l'autobus) Pierre prend tous les matins le bus pour se rendre à l'université.

MAT-3071 Processus Stochastiques

Séance d'exercices : Jeudi 10h30-12h30 (local SH-2420) Poisson Processus de Poisson composé

EXERCICES DE CALCUL STOCHASTIQUE M2IF Evry

Equations différentielles stochastiques Corrigés. 129. 5.1 Equation Linéaire . Exercice 8.1.1 Montrer que si N est un processus de Poisson standard

MASTER ISIFAR 2`eme année Bases mathématiques de l

18 nov. 2009 Exercice 1. ... Corrigé La fonction génératrice est définie pour tout t ? 0 et vaut ... Corrigé Le processus de Poisson est un processus `a ...

Processus de Poisson

Comme nous le verrons dans la suite les processus de Poisson temporels se subdivisent en plusieurs types. La première partie de ce travail reprend les aspects

Exercices corrigés

Quelle est la valeur de la moyenne E[N] d'une variable aléatoire N qui suit une loi Poisson(?)?. 2. On observe des clients à l'entrée d'un système. Le processus

Correction de la PC2

Processus Aléatoires. MA 202. Correction de la PC2. Exercice loi de Poisson de paramètre ? i.e. pour tout n ? N

PROCESSUS DE POISSON : Corrigé des exercices

PROCESSUS DE POISSON : Corrigé des exercices. 1. Les arrivées d'autobus `a une station forment un processus de Poisson d'intensité.

Porcessus de Poisson Exercices solutionnØs - HEC

Porcessus de Poisson Exercices solutionnØs Genevi?ve Gauthier derni?re mise à jour : 16 octobre 2000 Exercice ConsidØrons un processus de Poisson N = fN (t) : t 0g ayant une intensitØ de = 2 DØterminez la distribution conditionnelle de l™instant ? 1 auquel survient le premier ØvØnement Øtant donnØ qu™au temps

Processus de Poisson

Recalculer les propriet´ es classiques des processus de Poisson :´ 1 Soient (N t) t 0 et (M t) t 0 deux processus de Poisson independants de param´ etres` et Montrer que (N t+M t) t 0 est un processus de Poisson de parametre` + 2 Soit (X n) n 1 une suite de variables de Bernoulli independantes de param´ etre` pet (N t) t 0

Feuille de TD n 12 : Le processus de Poisson Le mouvement

t 0 deux processus de Poisson ind ependants d’intensit es respectives et 0 D eterminer la loi du processus (N(t) + N0(t)) t 0 2 Soient (Y n) n 1 une suite de variables i i d de loi de Bernoulli de param etre p et (N(t)) t 0 un processus de Poisson d’intensit e ind ependant de ces variables D eterminer la loi du processus (N0(t)) t 0 d

Universit e de Bordeaux Processus de Poisson 2015/16

t) sont deux processus de Poisson ind ependants d’intensit es respectives p et (1 p) Exercice 12 A l’arr^et Peixotto il passe 6 bus de la liane 10 et 2 bus de la liane 20 en une heure On suppose que les passages de ces bus forment deux processus de Poisson ind ependants 1 Donner les intensit es des deux processus de Poisson 2

LE PROCESSUS DE POISSON - univ-rennes1fr

File d’attente M=M=1 et processus de Poisson Dans la cadre d’une ?le d’attente M=M=1 la loi des inter-arrivées est E( ) et celle des temps de service est E( ) Le processus d’arrivée des clients au serveur est donc un processus de Poisson simple de paramètre De plus en régime stationnaire le processus de sortie du système est

Processus de Poisson

Processus de Poisson 1 Introduction au processus de Poisson Soit (Xn) une suite de variables al eatoires ind ep endantes et identiquement distribu ees de loi exponentielle E( ) avec > 0 Si Sn = X1 +X2 + +Xn N0 = 0 et pour tout t > 0 Nt = X1 n=1 1I(S n t); (Nt) est un processus de Poisson d’intensit e Exercice 1

Processus ponctuel de Poisson - École Polytechnique

Th´eor`eme 1 2 Sous les conditions pr´ec´edentes le processus de pointage (T n) n d´e?ni par la r´eunion de {T1 n; n ? 1} et {T2 n; n ? 1} est un processus de pointage associ´e a un processus de Poisson de param`etre ?= ? 1 +? 2 D´emonstration Il su?t de remarquer que le processus de comptage Nassoci´e au processus de

Feuille d’exercices (cours 9 et 10 Mesures aleatoires de Poisson´

t= M([0t]) t?0 le processus de comptage associe´ a` M Montrer que Nestun processus de Poisson d’intensite´ 1 En deduire que´ Mestune mesure de Poisson d’intensite´ ?(dx) Exercice 6 Trouver une tribu Esur [01] et une mesure de probabilit´e µsur ([01]E) telle que µ(B) ? {01}pour tout B?Emais telle que µne soit pas

Convergence de mesures processus de Poisson et de Lévy Examen

Convergence de mesures processus de Poisson et de Lévy – Examen 14-12-2018 Durée : 3 heures Les documents sont autorisés mais sont interdits : livres calculatrices téléphones ordi-nateurs ou objets apparentés Toutes les réponses doivent être justi?ées et la rédaction sera prise en compte

Correction de l’exercice 34 : processus de Poisson et

tsuit la loi de Poisson de param etre t 5 On commence par d e nir T 0 pour que les relations W t = t T N t et Z t = T N t+1 td e nissent bien deux variables al eaoires sur tout : conform ement a l’intuition on prendra T 0 = 0 Pour cette question trois fa?cons possibles de mener les calculs : { On peut calculer la fonction de r epartition

Processus de Poisson - Université Grenoble Alpes

Processus de Poisson Leçons : 263 264 Soit (FP) un espace probabilisé Dé?nition 1 Un processus de comptage est une suite de variables aléatoires réelles (N(t))t¾0 telles que 1 N(0) = 0 2 8t ¾ 0N(t) 2N 3 t 7!N(t) est croissante Du point de vue de la modélisation 80 ¶ a ¶ b N(b) N(a) représente le nombre de

Searches related to exercices corrigés processus de poisson filetype:pdf

superposition de plusieurs processus de Poisson et de l’amincissement d’un tel processus Commence alors la seconde et dernière partie Elle est consacrée à l’application sur des

Comment calculer le processus de poisson d’intensité?

Si on pose M(u) = N(m?1(u)), alors le processus {M(u),u? 0} est un processus de Poisson d’intensité ?= 1. Démonstration. Comme cela a été expliqué avant, on ne considère le processus que pour des valeurs plus petites que la valeur critique uc. Soient 0 ? u1

Qu'est-ce que le processus de Poisson d'intensité?

Dans les conditions de la dé?nition 5.3, le processus {N(t),t? 0} est un processus de Poisson d’intensité ?= Xr i=1 ?i. Démonstration. La première chose dont il faut s’assurer est que le processus superposé n’est pas composé, c-à-d qu’en un temps tquelconque il n’est pas possible d’avoir une occurrence pour plusieurs des processus {Nj(t),t? 0}.

Quelle est la différence entre le processus de poisson et les autres processus?

Pour le processus de Poisson qui est un processus homogµene, ces variables (al¶eatoires) sont ind¶ependantes et de loi une exponentielle de paramµetre‚. Mais pour les autres processus (qui ne v¶eri?ent plus l’hypothµese d’homog¶en¶eit¶e), ces variables ne sont ind¶ependantes que conditionellement au nombre d’¶ev¶enementsNi.

Comment calculer l’intensité d’un processus dé-poisson?

Soit {X(t),t ? 0} un processus de Poisson composé d’intensité ? dé- ?ni au moyen du processus de Poisson {N(t),t? 0} et de la famille de variables aléatoires {Yn,n= 0,1,2,...}. Les temps d’inter-arrivées sont indépendants et identiquement distribués selon une loi exponentielle de paramètre ?.

1 Préparation à l"agrégation externe de Mathématiques de l"université Rennes 1

Année 2008/2009

1. LE PROCESSUS DE POISSON SIMPLE

[Réf. : toutes]

A titre d"exemple, considérons les phénomènes suivants : émission de particules radioactives, appels dans un central

téléphonique, ou bien arrivées de clients devant un guichet. En terme de modélisation, ce qui caractérise ces phénomènes

-considérés comme aléatoires-, c"est une répartition dans le temps d"instants aléatoires où se produisent certains

événements spécifiques. Un premier modèle est fournit par la famille desprocessus de comptage:

Définition 1.1Soit(Xt)t0un processus stochastique à valeurs réelles. On dit que(Xt)t0est un processus de

comptage si, pourIP-p.t.!2 , la trajectoiret7!Xt(!)est croissante par sauts d"amplitude 1, continue à droite et telle queX0(!) = 0.

Par exemple,Xtreprésente le nombre de clients arrivés devant un guichet donné dans l"intervalle de temps[0;t]. Une

telle famille de modèles est en fait beaucoup trop générale pour pouvoir prétendre être étudiée. Dans les 3 exemples

présentés ci-dessus, on peut imposer des hypothèses supplémentaires, qui restent compatibles avec une modélisation

raisonnable, et qui permettront au modélisateur de fournir des réponses quantitatives. Définition 1.2Un processus de comptage(Nt)t0est appelé processus de Poisson simple si : (i) pour touss;t0,Nt+sNs??(Nu;us);[accroissements indépendants] (ii) pour touss;t0,Nt+sNsNt.[stationnarité]

Modèles.

Guichet.Ici,Ntreprésente le nombre de clients qui sont arrivés au guichet avant l"instantt. L"hypothèse sur

les sauts d"amplitude 1 exprime le fait que les clients arrivent un par un au guichet. En revanche, les hypothèses

(i) et (ii), qui posent des conditions surNt+sNs(le nombre de clients arrivés au guichet dans l"intervalle de

temps]s;t+s]), sont plus discutables. Malgré cela, une telle modélisation est une approximation raisonnable de

la réalité, qui a en plus la vertu de pouvoir donner des solutions quantitatives simples.

Désintégration de l"uranium.Le processus de Poisson modélise de manière très convenable les émissions

radioactives de l"uranium 235 : l"observation de son processus de désintégration -très lent- montre qu"il est

stationnaire et à accroissements indépendants.

Existence du processus de Poisson.Soit(Dn)n1une suite de v.a.i.i.d. de loiE(). Le processus défini pour

chaquet0parX n11 fD1++Dntg; t0:(?)

est un processus de Poisson simple. C"est d"ailleurs une autre définition du processus de Poisson simple.

2. LOI D"UN PROCESSUS DE POISSON ET DE SES INTER-ARRIVEES

[Réf. : toutes]

Expliquons rapidemment de quelle manière on peut retrouver la loi marginale du processus de Poisson simple(Nt)t0,

lorsqueNts"exprime par (?). CommeSn:=D1++Dn (n;)etfSntg=fNtng, on a :

IP(Nt=n) =IP(Snt)IP(Sn+1t) = exp(t)(t)nn!;

i.e.Nt P(t). Avec la définition 1.2, on peut établir (plus difficile) :

Théorème 2.1Soit(Nt)t0est un processus de Poisson simple. Il existe0tel que pour chaquet0,NtP(t).

Le paramètre, appelé intensité du processus de Poisson, le caractérise entièrement.1

Benoît Cadre - ENS Cachan Bretagne

Remarques 2.1

(a) Le caractère "simple" de ce processus de Poisson tient essentiellement au fait qu"il est stationnaire, une pro-

priété dont on a vu les limites en matière de modélisation. De manière plus générale, plutôt que l"hypothèse de

stationnarité, on suppose queNt+sNs PRt+s s(u)du, où(:)est localement intégrable et strictement positive. La fonctionm(t) =Rt

0(u)duest alors inversible, et le processus(Nm1(t))t0est un processus de

comptage, qui est de surcroît à accroissements indépendants et stationnaires : c"est donc un processus de Poisson

simple (d"intensité 1).

(b) Le processus(Nt)t2INest une chaîne de Markov homogène d"espace d"étatsINet matrice de transitionP=

(pij)i;j2IN, oùpij= 0sij < iet, dans le casji: p ij= exp()ji(ji)!: De plus,(Nt)t0est une sous-martingale, et(Ntt)t0est une martingale. En effet, pour tous0st: IE(NttjNu;us) =IE(NtNsjNu;us) +Nst=IE(Nts) +Nst=Nss: Si0 =T0< T1< T2< :::sont les instants de sauts du processus de Poisson simple(Nt)t0: N t=X n11 fTntg; t0:

Théorème 2.2Les instants d"inter-arrivées(TnTn1)n1du processus de Poisson simple d"intensitésont des

v.a.r. indépendantes et de même loiE(). De plus,(T1;;Tn)possède une densitéfndéfinie par

f n(t1;;tn) =nexp(tn)si0< t1<< tn;

0sinon.

PreuveCasn= 2. Soient0s1< t1< s2< t2etA=]s1;t1]]s2;t2]. En utilisant les propriétés de stationnarité et

d"indépendance des accroissements d"un processus de Poisson, on obtient successivement : IP((T1;T2)2A) =IP(Ns1= 0;Nt1Ns1= 1;Ns2Nt1= 0;Nt2Ns21) =IP(Ns1= 0)IP(Nt1s1= 1)IP(Ns2t1= 0)IP(Nt2s21):

Avec le théorème 2.1, cela donne finalement

IP((T1;T2)2A) =Z

2exp(x2)dx1dx2:

NotonsAla famille des pavés du typeA=]s1;t1]]s2;t2]avect1< s2etG=f(x1;x2) : 0< x1< x2g. Alors,Aest

un-système et(A) =B(G)donc, d"après le théorème de Dynkin, la formule ci-dessus est vraie pour toutA2 B(G).

Les lois deT1et deT2T1s"en déduisent aussitôt, de même que leur indépendance.

File d"attenteM=M=1et processus de Poisson.Dans la cadre d"une file d"attenteM=M=1, la loi des inter-

arrivées estE(), et celle des temps de service estE(). Le processus d"arrivée des clients au serveur est donc un

processus de Poisson simple de paramètre. De plus, en régime stationnaire, le processus de sortie du système est

aussi un processus de Poisson simple d"intensité(la loi stationnaire du processus décrivant l"évolution de la taille du

système à l"instantt, qui existe lorsque:== <1, est(1)(1;;2;)).

Amnésie de la loi exponentielle.Dans le cadre d"une modélisation des arrivées de clients à un guichet,Tn

représente l"instant d"arrivée du clientnau guichet, et(TnTn1)représente le temps qui s"est écoulé entre les

arrivées du(n1)-ème et dun-ème client au guichet. La loi exponentielle des instants d"inter-arrivées des clients

au guichet est héritée notamment de la propriété d"indépendance des accroissements du processus de Poisson. Rien

d"étonnant à cela : l"indépendance des accroissements du processus de Poisson traduit un comportement "amnésique"

des clients, et l"amnésie est précisémment ce qui caractérise la loi exponentielle. Rappelons en effet qu"une v.a.r.Z

possédant une densité suit une loi exponentielle si, et seulement si, pour tousx;y0:

IP(Z > x+yjZ > x) =IP(Z > y):

Autrement dit -une fonction de répartition caractérisant la loi-, la loi exponentielle se caractérise par son absence de

mémoire :

8x0 :L(ZxjZ > x) =L(Z):

Cette propriété traduit bien le comportement du temps d"arrivée du prochain client dans une file d"attente (mais aussi

de la durée de vie des ampoules, ...). SiZ1;;Znsont des v.a.r. indépendantes de lois exponentielles de paramètres

1;;n, on montre quemin(Z1;;Zn) E(1++n)etIP(Zi= min(Z1;;Zn)) =i=(1++n). Ainsi,

dans le cadre d"une modélisation des arrivées des clients au guichet par un processus de Poisson simple d"intensité

, la probabilité que le temps écoulé entre l"arrivée du(i1)-ème et dui-ème client soit la plus petite parmis les

inter-arrivées desnpremiers clients est indépendante de, et vaut1=n. De plus, parmis lesnpremiers clients, le

temps minimum entre l"arrivée de 2 clients consécutifs suit une loiE(n).

3. ESTIMATION DE L"INTENSITE

[Réf. : Foata et Fuchs]

Reprenons le modèle poissonnien des clients arrivant à une caisse. Soit(Nt)t0un processus de Poisson simple, dont

l"intensité >0est donc le seul paramètre du modèle. En pratique,est inconnu et afin de connaître entièrement

son modèle, le gérant du magasin doit donner une valeur pour. Dès lors, comment estimer? Comment construire

un intervalle de confiance pour? Quel type de test statistique utiliser?

3.1 Cas où le processus est observé jusqu"à un instantt

On peut écrireNtcomme une somme de v.a.r. indépendantes (et majoritairement de même loi) :Nt=NtN[t]+P[t]1

i=0(Ni+1Ni):On peut alors montrer le résultat suivant :

Théorème 3.1Lorsquet! 1:

N tt p:s:! etrt Ntt

L!N(0;1):

Si le processus de Poisson a été observé jusqu"à l"instantt(suffisamment grand), l"estimateur naturel deest donc

t=t, et il l"estime sans biais. En pratique, il suffira au gérant du magasin de compter le nombre de clients qui arrivent

à la caisse avant un instanttsuffisamment grand pour en déduire une estimation de. La construction de l"intervalle

de confiance asymptotique (ou le test statistique) pourest basé sur la partie (ii) du théorème précédent. Notons

1=2le quantile d"ordre1=2de la loiN(0;1). Un intervalle de confiance (asymptotique) pourau niveau1

est u1=2pN tt +Ntt ; u1=2pN tt +Ntt

Remarque 3.1Cet estimateur de l"intensité est aussi l"estimateur du maximum de vraisemblance : ayant observé

le processus jusqu"à l"instantt, on dispose d"une part du nombre de sautsnet d"autre part des instants de sauts

0< t1<< tntde la trajectoire de(Nt)t0. La vraisemblance de ces observations est

L(n;t1;;tn;) =f(t1;;tn)IP(Nt=n);

oùfdésigne la densité deL(T1;;TnjNt=n). On vérifie quef(u1;;un) =n!=tn1f0 n= 2, on a d"après le théorème 2.2, pour tous0< s1< u1< s2< u2< t, IP s

1T1u1;s2T2u2jNt= 2

=IP s

1T1u1;s2T2u2;T3> tIP(Nt= 2)=2!t

2(u1s1)(u2s2):

On conclut, comme dans la preuve du théorème 2.2, en utilisant le théorème de Dynkin. La vraisemblance s"écrit donc :

L(n;t1;;tn;) = exp(t)(t)nn!n!t

n=nexp(t):

La valeur qui maximise cette expression estn=t, i.e. l"estimateur du maximum de vraisemblance deestNt=t.

3.2 Cas où le processus est observé jusqu"à sonn-ième saut

Notons0< t1<< tnles instants de saut observés. La vraisemblance de ces observations est

L(t1;;tn;) =nexp(tn):

La valeur qui maximise cette expression estn=tn, et l"estimateur du maximum de vraisemblance est doncn=Tn. En

écrivantTnsous la forme d"une somme de v.a.i.i.d. :Tn=Pn1 i=1(Ti+1Ti);on démontre le résultat suivant, qui, tout

comme le théorème précédent, permet de construire des intervalles de confiance et des tests statistiques pour la valeur

de.

Théorème 3.2Lorsquen! 1:

nT np:s:! etpn Tnn

1L!N(0;1):

4. UN PROCESSUS DE NAISSANCE ET DE MORT

[Réf. : Dacunha-Castelle et Duflo, Foata et Fuchs, Grimmett et Stirzacker] On veut décrire l"évolution, en fonction du temps, de la taille d"une population.

Modélisation.

Chaque saut du processus de Poisson(Nt)t0d"intensitéest interprété comme étant la naissance d"un individu;

Chaque individu a une durée de vie de fonction de répartitionF, et les durées de vie des individus sont des

v.a.i.i.d. et indépendantes du processus(Nt)t0.

SoientTkla date de naissance de l"individuketXksa durée de vie. Le nombre d"individus en vie à l"instantt0,

notéQ(t), vaut alors (avec la convention habituelle"P0 k=1= 0") :

Q(t) =N

tX k=11 fTk+Xktg:

Loi deQ(t).Pour toutu2IR:

Q(t)(u) :=IE

exp(iuQ(t)) =X n0IP(Nt=n)IE exp(iunX k=11 fTk+Xktg)Nt=n

Or, la loi conditionnelle de(T1;;Tn)sachantNt=na pour densitén!=tn1f0

L(T1;;TnjNt=n) =L(U(1);;U(n)), oùU1;;Unsont des v.a.i. de même loiU([0;t]). De l"égalité en loi

n X k=11 fU(k)+XktgnX k=11 fUk+Xktg; on déduit que :

Q(t)(u) =X

n0IP(Nt=n) IE exp(iu1fU1+X1tg) n:

De plus,

IP(U1+X1t) =1t

Z t 0

IP(U1+X1tjU1=s)ds=1t

Z t 0 (1F(u))du: On conclut à l"aide de ces observations queQ(t) PRt

0(1F(u))du. Dans cette modélisation, on a ainsi, lorsque

t! 1:Q(t)L! P(IE(X)). Cette conclusion est-elle conforme à la réalité? Quelles simulations proposer?

REFERENCES

P. Billingsley,Probability and Measure. Wiley Series in Probability and Mathematical Statistics, 1995.

D. Dacunha-Castelle et M. Duflo,Probabilités et statistiques - Tome 2 : Problèmes à temps mobile (Cours et

Exercices), Masson, 1993.

D. Foata et A. Fuchs,Processus stochastiques - Processus de Poisson, chaînes de Markov et martingales, Dunod,

2002.
G.R. Grimmett et D. StirzakerProbability and Random Processes. Oxford Science Publications, 1992. J.-Y. Ouvrard,Probabilités 2 : maîtrise agrégation, Cassini, 2001. 4quotesdbs_dbs14.pdfusesText_20

[PDF] LE PROCESSUS DE POISSON - univ-rennes1fr

Comment calculer le processus de poisson d’intensité?

Qu'est-ce que le processus de Poisson d'intensité?

Quelle est la différence entre le processus de poisson et les autres processus?

Comment calculer l’intensité d’un processus dé-poisson?

LE PROCESSUS DE POISSON

Année 2008/2009

1. LE PROCESSUS DE POISSON SIMPLE

Modèles.

2. LOI D"UN PROCESSUS DE POISSON ET DE SES INTER-ARRIVEES

IP(Nt=n) =IP(Snt)IP(Sn+1t) = exp(t)(t)nn!;

Benoît Cadre - ENS Cachan Bretagne

Remarques 2.1

0(u)duest alors inversible, et le processus(Nm1(t))t0est un processus de

0sinon.

Avec le théorème 2.1, cela donne finalement

IP((T1;T2)2A) =Z

2exp(x2)dx1dx2:

IP(Z > x+yjZ > x) =IP(Z > y):

8x0 :L(ZxjZ > x) =L(Z):

1;;n, on montre quemin(Z1;;Zn) E(1++n)etIP(Zi= min(Z1;;Zn)) =i=(1++n). Ainsi,

3. ESTIMATION DE L"INTENSITE

3.1 Cas où le processus est observé jusqu"à un instantt

Théorème 3.1Lorsquet! 1:

L!N(0;1):

1=2le quantile d"ordre1=2de la loiN(0;1). Un intervalle de confiance (asymptotique) pourau niveau1

0< t1<< tntde la trajectoire de(Nt)t0. La vraisemblance de ces observations est

L(n;t1;;tn;) =f(t1;;tn)IP(Nt=n);

1T1u1;s2T2u2jNt= 2

1T1u1;s2T2u2;T3> tIP(Nt= 2)=2!t

2(u1s1)(u2s2):

L(n;t1;;tn;) = exp(t)(t)nn!n!t

3.2 Cas où le processus est observé jusqu"à sonn-ième saut

L(t1;;tn;) =nexp(tn):

Théorème 3.2Lorsquen! 1:

1L!N(0;1):

4. UN PROCESSUS DE NAISSANCE ET DE MORT

Modélisation.

Q(t) =N

Loi deQ(t).Pour toutu2IR:

Q(t)(u) :=IE

Q(t)(u) =X

De plus,

IP(U1+X1t) =1t

IP(U1+X1tjU1=s)ds=1t

0(1F(u))du. Dans cette modélisation, on a ainsi, lorsque

REFERENCES

Exercices), Masson, 1993.