Cours de Statistiques Inférentielles PDF

Introduction à la statistique inférentielle

Connaissant les valeurs prises par une variable sur un échantillon la statistique inférentielle essaie de préciser la distribution de la.

Cours de Statistiques inférentielles

x est un entier positif ou nul est remplacé par P(X ? x + 0 5). Définition 8 On appelle statistique sur un n-échantillon une fonction de (X1

STATISTIQUE INFERENTIELLE

probabilité : La répartition d'une variable statistique X sur la population est décrite par une loi de probabilité : - Qui est caractérisée par une densité de

Statistique Inférentielle

STATISTIQUE INFERENTIELLE POUR L'ECONOMIE ET LA GESTION Axiome 2: La probabilité associée à l'événement A est un nombre positif ou nul. Pour tout A:.

Cours 4: Statistique inférentielle Échantillonnage

La valeur prise par la variable statistique X pour un individu donné de la population ne peut pas être déterminée a priori et dépend d'un grand nombre de

Cours de Statistiques (L1 – MAP 201)

14 févr. 2018 Premiers textes connus sur le calcul des hasards (ou des chances) au ... Statistique inférentielle : elle a pour but de faire des prévisions ...

1. Statistiques inférentielles

La population P ne peut pas être étudiée dans son entier. – soit la population est de très grande taille (onéreux long de faire une étude sur tous les

Statistique Inférentielle

Modèle Statistique. Estimateurs - Propriétés. Construction d'estimateurs. Estimation par intervalles. Bibliographie. • Pagès J. Statistique générale pour

CTU Licence de Mathématiques Statistique Inférentielle Jean-Yves

consiste à pouvoir se donner des outils statistiques pour décider entre deux hypothèses contient que le vecteur nul de Rn on parle de modèle échelle.

Cours de Statistiques Inférentielles

6 janv. 2016 Remarque sur l'intervalle de confiance pour une variance hors du cadre normal . ... principale de la statistique inférentielle.

[PDF] Cours de Statistiques inférentielles

LOIS STATISTIQUES 1 1 2 Grandeurs observées sur les échantillons L'espérance E(X) d'une variable aléatoire discrète X est donnée par la formule

[PDF] Introduction à la statistique inférentielle - Jonathan Lenoir

La statistique inférentielle s'appuie sur la théorie des probabilités Connaissant les valeurs prises par une variable sur un échantillon la statistique

[PDF] Cours de Statistiques Inférentielles

6 jan 2016 · (qui concerne la majorité du cours) est la statistique inférentielle mathématique ou inductive On va encore restreindre la définition pour

[PDF] STATISTIQUE INFERENTIELLE - FSEGSO -

Statistique descriptive et Statistique inférentielle La statistique descriptive s'intéresse à la sous-population formée par l'échantillon Elle a pour

[PDF] Statistique Inférentielle

La statistique inférentielle a un aspect décisionnel et le calcul des probabilités y joue un rôle fondamental en particulier pour calculer

[PDF] Statistiques Inférentielles

Le problème c'est qu'on ne connaît ni µ ni µx et idem pour les écarts-type Il va donc falloir faire des estimations II - Estimation ponctuelle On ne

[PDF] Méthodes de statistique inférentielle

19 mai 2016 · Une estimation pour la population est 36 000 heures 2 Le responsable du parti Il constitue un échantillon de taille 400 Parmi les personnes

[PDF] Statistique Inférentielle

Une statistique utilisée pour estimer un paramètre ? est appelée estimateur et souvent Si le biais est nul on dira que T est un estimateur sans biais

[PDF] Statistique Inférentielle - Pages personnelles Université Rennes 2

Modèle Statistique Estimateurs - Propriétés Construction d'estimateurs Estimation par intervalles Bibliographie • Pagès J Statistique générale pour

[PDF] Statistique Inférentielle

liser les principales méthodes de la statistique inférentielle suites de variables aléatoires) constitue un passage obligé pour donner des bases rigou-

Comment comprendre la statistique inférentielle ?
Nous allons chercher à faire l'inverse : l'inférence statistique consiste à induire les caractéristiques in- connues d'une population à partir d'un échantillon issu de cette population. Les caractéristiques de l'échantillon, une fois connues, reflètent avec une certaine marge d'erreur possible celles de la population.
Quel est le but des statistiques inférentielles ?
IV La statistique inférentielle. Son but est d'étendre (d'inférer) les propriétés constatées sur l'échantillon (gr? l'analyse exploratoire par exemple) `a la population toute enti`ere, et de valider ou d'infirmer des hypoth`eses._{6 jan. 2016}
Quelle est l'importance de la statistique inférentielle dans la société ?
Le but de la statistique inférentielle est de savoir dans quelle mesure les résultats obtenus sur un échantillon convenablement choisi apportent une connaissance fiable des caractéristiques de la population d'origine.
En d'autres termes, une analyse inférentielle utilise un échantillon aléatoire de données provenant d'une population afin de décrire et d'inférer la population. En effet, cette analyse est pertinente lorsqu'il est difficile ou impossible d'examiner chacun des membres d'une population entière.

Cours de Statistiques Inferentielles

P. Ribereau

6 janvier 2016

Table des matieres

1 Introduction Generale 7

I Intro generale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 II Le recueil des donnees. . . . . . . . . . . . . . . . . . . . . . . . . . . 9 III La statistique exploratoire ou descriptive. . . . . . . . . . . . . . . . . 9 IV La statistique inferentielle. . . . . . . . . . . . . . . . . . . . . . . . . 9 V La modelisation statistique. . . . . . . . . . . . . . . . . . . . . . . . 10 VI Un exemple simple en assurance automobile . . . . . . . . . . . . . . 1 0

2 Statistiques descriptives 13

I Generalites / denitions de base . . . . . . . . . . . . . . . . . . . . . 13 II Resumes numeriques pour des variables quantitatives . . . . . . . . . 14 III Resumes graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 IV Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 0

3 Echantillonage 23

I Modele statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

1 Generalites . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2 Modele d'echantillonage. . . . . . . . . . . . . . . . . . . . . .

3 Modele domine, vraisemblance . . . . . . . . . . . . . . . . . .

2 5 II Denition d'une statistique . . . . . . . . . . . . . . . . . . . . . . . . 2 5

1 Notions d'estimation et de test d'hypotheses . . . . . . . . . .

26
III Quelques notions de base sur les estimateurs . . . . . . . . . . . . . . 2 7

1 Denition d'un estimateur . . . . . . . . . . . . . . . . . . . .

2 7

2 Notion de biais . . . . . . . . . . . . . . . . . . . . . . . . . .

3 Convergence d'un estimateur . . . . . . . . . . . . . . . . . . .

2 7

4 Comparaisons des estimateurs . . . . . . . . . . . . . . . . . .

5 Moyenne aleatoire, variance aleatoire . . . . . . . . . . . . . .

28
IV Rappels sur les vecteurs gaussiens . . . . . . . . . . . . . . . . . . . . 29

1 Vecteurs gaussiens et lois du2. . . . . . . . . . . . . . . . . .31

V Application a l'estimation dans un cadre normal . . . . . . . . . . . . 3 2

4 Estimation 35

I Hypotheses fondamentales sur la densitef(x;) . . . . . . . . . . . .3 5 II Information . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 6

1 Information de Fisher . . . . . . . . . . . . . . . . . . . . . . .

2 Proprietes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

37
3

4TABLE DES MATIERES

III Inegalite de Cramer-Rao . . . . . . . . . . . . . . . . . . . . . . . . . 37

1 Hypotheses supplementaires . . . . . . . . . . . . . . . . . . .

3 7

2 Relation entre estimateurs ecaces . . . . . . . . . . . . . . .

3 Degradation de l'information . . . . . . . . . . . . . . . . . . .

3 9 IV Notion d'exhaustivite . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 0 V Exhaustivite et estimateurs ecaces; la famille exponentielle . . . . . 4 1

1 Le modele exponentiel . . . . . . . . . . . . . . . . . . . . . .

4 1

2 Theoreme sur l'ecacite . . . . . . . . . . . . . . . . . . . . .

42
VI Quelques methodes usuelles d'estimation . . . . . . . . . . . . . . . . 4 3

1 Methode empirique . . . . . . . . . . . . . . . . . . . . . . . .

4 3

2 Methode des moindres carres . . . . . . . . . . . . . . . . . .

3 Methode des moments . . . . . . . . . . . . . . . . . . . . . .

4 4

4 Methode du maximum de vraisemblance : principe . . . . . .

45
VII Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 6 VIII Generalisation au cas d'un parametre multidimensionnel . . . . . . . 47

1 Generalisation des denitions sur les estimateurs . . . . . . . .

4 7

2 Generalisation de l'inegalite de Cramer-Rao . . . . . . . . . .

3 Generalisation de la methode du maximum de vraisemblance .

5 0

5 Comportement asymptotique des estimateurs 53

I Proprietes asymptotiques de l'EMV . . . . . . . . . . . . . . . . . . . 5 3

1 En dimension 1 . . . . . . . . . . . . . . . . . . . . . . . . . .

5 3

2 En dimension superieure . . . . . . . . . . . . . . . . . . . . .

54
II Denitions / outils . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 4

1 Normalite et ecacite asymptotique . . . . . . . . . . . . . .

2 Proprietes de convergence . . . . . . . . . . . . . . . . . . . .

3 Methode Delta . . . . . . . . . . . . . . . . . . . . . . . . . .

55
III Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

6 Estimation par intervalle de conance 57

I Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 7 II I.C. pour les parametres de la loi normale . . . . . . . . . . . . . . . 5 9 III I.C. pour une proportion (parametre de la loi binomiale) . . . . . . . 6 0 IV Construction d'I.C. asymptotiques . . . . . . . . . . . . . . . . . . . . 6 1

1 Utilisation du theoreme central limite . . . . . . . . . . . . . .

6 1

2 Application a la loi binomiale. . . . . . . . . . . . . . . . . . .

3 Utilisation de la convergence de l'EMV . . . . . . . . . . . . .

4 Remarque sur l'intervalle de conance pour une variance hors

du cadre normal . . . . . . . . . . . . . . . . . . . . . . . . . . 6 2 V Recherche de regions de conance . . . . . . . . . . . . . . . . . . . . 64
VI Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 4

7 Generalites sur les tests 67

I Problemes de test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 7 II Tests uniformement plus puissants . . . . . . . . . . . . . . . . . . . . 68
III Tests fondes sur le rapport du maximum de vraisemblance . . . . . . 7 1 IV Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2

TABLE DES MATI

ERES5

1 Adequation d'une moyenne pour un echantillon gaussien . . .

7 2

2 Comparaison de deux moyennes . . . . . . . . . . . . . . . . .

7 3

3 Un exemple avec une loi discrete . . . . . . . . . . . . . . . .

74
V Tests asymptotiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 5

1 Proprietes asymptotiques des tests du maximum de vraissem-

blance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

2 Tests de Wald et du score . . . . . . . . . . . . . . . . . . . .

7 7

8 Tests parametriques classiques 79

I Tests gaussiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 9 II Tests asymptotiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 1

9 Quelques tests non parametriques 83

I Tests du2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .8 3

1 Loi multin^omiale . . . . . . . . . . . . . . . . . . . . . . . . .

2 Loi asymptotique . . . . . . . . . . . . . . . . . . . . . . . . .

3 Test du2d'adquation a une loi . . . . . . . . . . . . . . . .8 5

4 Test du2d'independance . . . . . . . . . . . . . . . . . . . .8 6

II Test de Kolmogorov-Smirnov . . . . . . . . . . . . . . . . . . . . . . 88
III Test de Shapiro-Wilk . . . . . . . . . . . . . . . . . . . . . . . . . . . 89

1 Droite de Henry . . . . . . . . . . . . . . . . . . . . . . . . . .

2 Test de Shapiro-Wilk . . . . . . . . . . . . . . . . . . . . . . .

9 0 IV Tests de rang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9 2

1 Statistiques de l'ordre, de rang . . . . . . . . . . . . . . . . . .

2 Le test de Wilcoxon . . . . . . . . . . . . . . . . . . . . . . .

9 3

10 Exemples d'estimation non parametrique 95

I Estimation d'une densite de probabilite . . . . . . . . . . . . . . . . . 95

1 Histogramme empirique . . . . . . . . . . . . . . . . . . . . .

9 5

2 Fen^etres mobiles . . . . . . . . . . . . . . . . . . . . . . . . .

3 Versions lisses . . . . . . . . . . . . . . . . . . . . . . . . . . .

9 6

4 Un exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . .

9 6 II Estimation des quantiles . . . . . . . . . . . . . . . . . . . . . . . . . 99

1 Quantiles empiriques . . . . . . . . . . . . . . . . . . . . . . .

9 9

2 Lien avec les statistiques d'ordre . . . . . . . . . . . . . . . . .

3 Resultats asymptotiques . . . . . . . . . . . . . . . . . . . . .

6TABLE DES MATIERES

Chapitre 1

Introduction Generale

I Intro generale

Denition 1.1 (Premiere denition d'un probl

~Ame statistique)On dira qu'on se trouve devant un probleme statistique si on est c onfronte ades eventualites(en nomb reni ou inni) dont on sait q ue certaines sont vrais sans savoir lesquelles, on doit choisir une de c es eventualites, en s'appuyant sur le r esultatd'une exp erienceal eatoire, eventuellement a denir. La derniere partie de la denition par le d'experience aleatoire. Cette partie la (qui concerne la majorite du cours) est la statistique inferentielle, mathematique ou inductive. On va encore restreindre la denition pour denir le champs du cours et introduire la notion de modele statistique. Pour pouvoir tirer quelque chose du resul- tat de l'experience aleatoire, il faut qu'a chaque eventualite, on fasse correspondre une famille de probabilite a laquelle la proba qui regit l'experience appartient (si cette eventualite est vraie). On notePl'ensemble de toutes les probas possibles. Denition 1.2On appelle modele statistique le triplet(X;A;P)ou : |Xest l'ensemble appele ensemble fondamental ou espace des resultats, |Aest une tribu de partie deX, |Pest une famille de probabilites sur l'espace mesurable(X;A). Denition 1.3On appelle modele statistique parametrique un modele statistique (X;A;P)tel que

9p2N:P=fP;2Rpg

est appele l'espace des parametres. Le modele est aussi note(X;A;P;) Les grands problemes statistiques les plus frequents sont : d ansl em odelest atistiquep arametrique,l es\ eventualites"so ntr epresentees par le parametrelui m^eme. Comment choisir le? C'est l'estimation ponc- tuelle. Probleme d'identiabilite (si1et2sont tels queP1=P2alors on ne pourra jamais choisir entre les deux) : il faut que l'application!Psoit injective. 7

8CHAPITRE 1. INTRODUCTION GENERALE

Probleme statistique

Utilisant unmodele aleatoireX

XXXXXXXXXz

N'utilisant pas un

modele aleatoire- Stat. desc.- Analyse des donnees...?

Avant le choix del'experience et du

modele- Plans d'experiences - sondages...X

XXXXXXXXXz

Apres le choix de

l'experience et du modeleX

XXXXXXXXXz

Modele non parametrique?

Modele parametrique

(identication)X

XXXXXXXXXz

Decisions multiples@

@@R Test?

Estimationensembliste

EstimationponctelleQ

QQQQQQs?

Modele lineaireGLM...Figure1.1 { Approche d'un probleme statistique

II. LE RECUEIL DES DONN

EES.9 T oujoursd ansce m odele,l 'ensembled eseventualitesest l 'ensembled esp arties de . Estimation ensembliste. on a d eux eventualitesd ontu neseu lees tv raie.Pr oblemed et ests! Pour en revenir au probleme statistique, commentons la Figure 1.1 : La demarche statistique consiste a traiter et a interpreter les informations recueillies par le biais de donnees. Elle comporte quatre grands aspects : le recueil des donnees, l'aspect descriptif ou exploratoire, l'aspect inferentiel ou decisionnel et la modelisa- tion statistique.

II Le recueil des donnees.

Cette etape est importante car elle doit permettre d'obtenir des donnees de \bonne qualite" en un certain sens. Contrairement a ce qu'indique le vocabulaire, les informations dont a besoin le statisticien ne sont pourtant pas \donnees" et la qualite des resultats obtenus dependra autant de la maniere dont les donnees ont ete collectees que de la methode statistique utilisee ensuite. La theorie des sondages et celle des plans d'experiences fournissent un cadre theorique pour une collecte optimale de donnees.

III La statistique exploratoire ou descriptive.

Une fois les donnees collectees, il convient de synthetiser et de resumer l'in- formation contenue dans ces donnees. On utilise pour cela des representations des donnees sous forme de tableaux, de graphiques ou d'indicateurs numeriques (tels que la moyenne, la variance, la correlation lineaire, ...pour des variables quantitatives). Cette phase est connue sous le nom destatistique descriptive. On parle de statistique descriptiveunivarieelorsque l'on regarde une seule variable, de statis- tique descriptivebivarieelorsque l'on regarde simultanement deux variables, et de statistique descriptivemultidimensionnellelorsque l'on regarde simultanementpva- riables. Dans ce dernier cas, on parle aussi d'analyse des donnees.

IV La statistique inferentielle.

Son but est d'etendre (d'inferer) les proprietes constatees sur l'echantillon (gr^ace l'analyse exploratoire par exemple) a la population toute entiere, et de valider ou d'inrmer des hypotheses. Contrairement a la statistique exploratoire, des hypotheses probabilistes sont ici necessaires : elle suppose un modele probabiliste. L'estimation ponctuelle ou parquotesdbs_dbs35.pdfusesText_40

[PDF] statistique inférentielle cours et exercices corrigés pdf

[PDF] exercice corrigé echantillonnage estimation

[PDF] entrainement 800m natation

[PDF] oral natation bac

[PDF] temps moyen 800m nage libre

[PDF] 800m crawl bac

[PDF] filières énergétiques natation

[PDF] echauffement gym college

[PDF] séquence acrosport cycle 2

[PDF] échauffement acrosport en musique

[PDF] exercice d'échauffement musculaire

[PDF] brouette acrosport

[PDF] entrée dans l activité acrosport

[PDF] échauffement de danse classique

[PDF] échauffement danse hip hop

[PDF] Cours de Statistiques Inférentielles

Comment comprendre la statistique inférentielle ?

Quel est le but des statistiques inférentielles ?

Quelle est l'importance de la statistique inférentielle dans la société ?

Cours de Statistiques Inferentielles

P. Ribereau

6 janvier 2016

Table des matieres

1 Introduction Generale 7

2 Statistiques descriptives 13

3 Echantillonage 23

1 Generalites . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2 Modele d'echantillonage. . . . . . . . . . . . . . . . . . . . . .

3 Modele domine, vraisemblance . . . . . . . . . . . . . . . . . .

1 Notions d'estimation et de test d'hypotheses . . . . . . . . . .

1 Denition d'un estimateur . . . . . . . . . . . . . . . . . . . .

2 Notion de biais . . . . . . . . . . . . . . . . . . . . . . . . . .

3 Convergence d'un estimateur . . . . . . . . . . . . . . . . . . .

4 Comparaisons des estimateurs . . . . . . . . . . . . . . . . . .

5 Moyenne aleatoire, variance aleatoire . . . . . . . . . . . . . .

1 Vecteurs gaussiens et lois du2. . . . . . . . . . . . . . . . . .31

4 Estimation 35

1 Information de Fisher . . . . . . . . . . . . . . . . . . . . . . .

2 Proprietes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4TABLE DES MATIERES

1 Hypotheses supplementaires . . . . . . . . . . . . . . . . . . .

2 Relation entre estimateurs ecaces . . . . . . . . . . . . . . .

3 Degradation de l'information . . . . . . . . . . . . . . . . . . .

1 Le modele exponentiel . . . . . . . . . . . . . . . . . . . . . .

2 Theoreme sur l'ecacite . . . . . . . . . . . . . . . . . . . . .

1 Methode empirique . . . . . . . . . . . . . . . . . . . . . . . .

2 Methode des moindres carres . . . . . . . . . . . . . . . . . .

3 Methode des moments . . . . . . . . . . . . . . . . . . . . . .

4 Methode du maximum de vraisemblance : principe . . . . . .

1 Generalisation des denitions sur les estimateurs . . . . . . . .

2 Generalisation de l'inegalite de Cramer-Rao . . . . . . . . . .

3 Generalisation de la methode du maximum de vraisemblance .

5 Comportement asymptotique des estimateurs 53

1 En dimension 1 . . . . . . . . . . . . . . . . . . . . . . . . . .

2 En dimension superieure . . . . . . . . . . . . . . . . . . . . .

1 Normalite et ecacite asymptotique . . . . . . . . . . . . . .

2 Proprietes de convergence . . . . . . . . . . . . . . . . . . . .

3 Methode Delta . . . . . . . . . . . . . . . . . . . . . . . . . .

6 Estimation par intervalle de conance 57

1 Utilisation du theoreme central limite . . . . . . . . . . . . . .

2 Application a la loi binomiale. . . . . . . . . . . . . . . . . . .

3 Utilisation de la convergence de l'EMV . . . . . . . . . . . . .

4 Remarque sur l'intervalle de conance pour une variance hors

7 Generalites sur les tests 67

TABLE DES MATI

1 Adequation d'une moyenne pour un echantillon gaussien . . .

2 Comparaison de deux moyennes . . . . . . . . . . . . . . . . .

3 Un exemple avec une loi discrete . . . . . . . . . . . . . . . .

1 Proprietes asymptotiques des tests du maximum de vraissem-

2 Tests de Wald et du score . . . . . . . . . . . . . . . . . . . .

8 Tests parametriques classiques 79

9 Quelques tests non parametriques 83

1 Loi multin^omiale . . . . . . . . . . . . . . . . . . . . . . . . .

2 Loi asymptotique . . . . . . . . . . . . . . . . . . . . . . . . .

3 Test du2d'adquation a une loi . . . . . . . . . . . . . . . .8 5

4 Test du2d'independance . . . . . . . . . . . . . . . . . . . .8 6

1 Droite de Henry . . . . . . . . . . . . . . . . . . . . . . . . . .

2 Test de Shapiro-Wilk . . . . . . . . . . . . . . . . . . . . . . .

1 Statistiques de l'ordre, de rang . . . . . . . . . . . . . . . . . .

2 Le test de Wilcoxon . . . . . . . . . . . . . . . . . . . . . . .

10 Exemples d'estimation non parametrique 95

1 Histogramme empirique . . . . . . . . . . . . . . . . . . . . .

2 Fen^etres mobiles . . . . . . . . . . . . . . . . . . . . . . . . .

3 Versions lisses . . . . . . . . . . . . . . . . . . . . . . . . . . .

4 Un exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1 Quantiles empiriques . . . . . . . . . . . . . . . . . . . . . . .

2 Lien avec les statistiques d'ordre . . . . . . . . . . . . . . . . .

3 Resultats asymptotiques . . . . . . . . . . . . . . . . . . . . .

6TABLE DES MATIERES

Chapitre 1

Introduction Generale

I Intro generale

Denition 1.1 (Premiere denition d'un probl

9p2N:P=fP;2Rpg

8CHAPITRE 1. INTRODUCTION GENERALE