Vous êtes sur la page 1sur 97

BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191

omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014

Méthodes Thème
Économétrie I
Quantitatives ❹

Rappel de cours

Le modèle de régression linéaire simple


𝓐– 𝟏 • 𝑰𝒏𝒕𝒓𝒐𝒅𝒖𝒄𝒕𝒊𝒐𝒏 ∶

𝑼𝒏 𝒎𝒐𝒅è𝒍𝒆 é𝒄𝒐𝒏𝒐𝒎𝒊𝒒𝒖𝒆 𝒆𝒔𝒕 𝒍’𝒆𝒙𝒑𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒎𝒂𝒕𝒉é𝒎𝒂𝒕𝒊𝒒𝒖𝒆 𝒅’𝒖𝒏𝒆 𝒄𝒆𝒓𝒕𝒂𝒊𝒏𝒆 𝒕𝒉é𝒐𝒓𝒊𝒆 é𝒄𝒐𝒏𝒐𝒎𝒊𝒒𝒖𝒆.

𝑳’𝒆𝒙𝒆𝒎𝒑𝒍𝒆 𝒅𝒆 𝒍𝒂 𝒍𝒐𝒊 𝒑𝒔𝒚𝒄𝒉𝒐𝒍𝒐𝒈𝒊𝒒𝒖𝒆 𝒇𝒐𝒏𝒅𝒂𝒎𝒆𝒏𝒕𝒂𝒍𝒆 𝒅𝒆 𝑲𝒆𝒚𝒏𝒆𝒔 𝒆𝒔𝒕 𝒂𝒔𝒔𝒆𝒛 𝒑𝒆𝒓𝒕𝒊𝒏𝒆𝒏𝒕 à 𝒄𝒆𝒕 𝒆𝒇𝒇𝒆𝒕.

𝑫’𝒂𝒑𝒓è𝒔 𝒄𝒆𝒕𝒕𝒆 𝒍𝒐𝒊, 𝒆𝒏 𝒎𝒐𝒚𝒆𝒏𝒏𝒆 𝒆𝒕 𝒍𝒂 𝒑𝒍𝒖𝒑𝒂𝒓𝒕 𝒅𝒖 𝒕𝒆𝒎𝒑𝒔 𝒍𝒐𝒓𝒔𝒒𝒖𝒆 𝒍𝒆 𝒓𝒆𝒗𝒆𝒏𝒖 𝒅’𝒖𝒏 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖

𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒆, 𝒊𝒍 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒆 𝒂𝒖𝒔𝒔𝒊 𝒔𝒂 𝒄𝒐𝒏𝒔𝒐𝒎𝒎𝒂𝒕𝒊𝒐𝒏, 𝒎𝒂𝒊𝒔 𝒅𝒂𝒏𝒔 𝒖𝒏𝒆 𝒑𝒓𝒐𝒑𝒐𝒓𝒕𝒊𝒐𝒏 𝒎𝒐𝒊𝒏𝒅𝒓𝒆 à

𝒍’𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒔𝒐𝒏 𝒓𝒆𝒗𝒆𝒏𝒖. 𝑴𝒂𝒕𝒉é𝒎𝒂𝒕𝒊𝒒𝒖𝒆𝒎𝒆𝒏𝒕, 𝒔𝒊 𝒐𝒏 𝒏𝒐𝒕𝒆 𝒍𝒂 𝒄𝒐𝒏𝒔𝒐𝒎𝒎𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓 𝑪𝒕

𝒆𝒕 𝒍𝒆 𝒓𝒆𝒗𝒆𝒏𝒖 𝒑𝒂𝒓 𝒀𝒕 , 𝒄𝒆𝒕𝒕𝒆 𝒍𝒐𝒊 𝒑𝒆𝒖𝒕 ê𝒕𝒓𝒆 𝒔𝒑é𝒄𝒊𝒇𝒊é𝒆 𝒄𝒐𝒎𝒎𝒆 𝒔𝒖𝒊𝒕 ∶ 𝑪𝒕 = 𝒂𝟎 + 𝒂𝟏 𝒀𝒕 ,

𝒂𝒗𝒆𝒄 𝒂𝟏 ∶ 𝒑𝒓𝒐𝒑𝒆𝒏𝒔𝒊𝒐𝒏 𝒎𝒂𝒓𝒈𝒊𝒏𝒂𝒍𝒆 à 𝒄𝒐𝒏𝒔𝒐𝒎𝒎𝒆𝒓 , 𝟎 < 𝒂𝟏 < 1

𝑬𝒏 𝒈é𝒏é𝒓𝒂𝒍, 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒔𝒑é𝒄𝒊𝒇𝒊é 𝒑𝒂𝒓 𝒍’é𝒄𝒐𝒏𝒐𝒎𝒊𝒔𝒕𝒆 𝒆𝒔𝒕 𝒅é𝒇𝒊𝒏𝒊 𝒄𝒐𝒎𝒎𝒆 é𝒕𝒂𝒏𝒕 𝒖𝒏𝒆 𝒎𝒂𝒒𝒖𝒆𝒕𝒕𝒆 𝒅𝒆

𝒍𝒂 𝒓é𝒂𝒍𝒊𝒕é 𝒐𝒖 𝒅’𝒖𝒏 𝒑𝒉é𝒏𝒐𝒎è𝒏𝒆 𝒔𝒐𝒖𝒔 𝒇𝒐𝒓𝒎𝒆 𝒅’é𝒒𝒖𝒂𝒕𝒊𝒐𝒏𝒔 𝒅𝒐𝒏𝒕 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒔𝒐𝒏𝒕 𝒅𝒆𝒔

𝒈𝒓𝒂𝒏𝒅𝒆𝒖𝒓𝒔 é𝒄𝒐𝒏𝒐𝒎𝒊𝒒𝒖𝒆𝒔.

𝑼𝒏 𝒎𝒐𝒅è𝒍𝒆 é𝒄𝒐𝒏𝒐𝒎é𝒕𝒓𝒊𝒒𝒖𝒆 𝒏’𝒆𝒔𝒕 𝒂𝒖𝒕𝒓𝒆 𝒄𝒉𝒐𝒔𝒆 𝒒𝒖’𝒖𝒏 𝒎𝒐𝒅è𝒍𝒆 é𝒄𝒐𝒏𝒐𝒎𝒊𝒒𝒖𝒆 𝒒𝒖𝒊 𝒄𝒐𝒏𝒕𝒊𝒆𝒏𝒕 𝒍𝒆𝒔

𝒔𝒑é𝒄𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏𝒔 𝒏é𝒄𝒆𝒔𝒔𝒂𝒊𝒓𝒆𝒔 𝒑𝒐𝒖𝒓 𝒔𝒐𝒏 𝒂𝒑𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒆𝒎𝒑𝒊𝒓𝒊𝒒𝒖𝒆. 𝑪’𝒆𝒔𝒕 𝒅𝒐𝒏𝒄 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆

é𝒄𝒐𝒏𝒐𝒎𝒊𝒒𝒖𝒆 𝒂𝒖𝒒𝒖𝒆𝒍 𝒐𝒏 𝒂𝒋𝒐𝒖𝒕𝒆 𝒖𝒏 𝒕𝒆𝒓𝒎𝒆 𝒅’𝒆𝒓𝒓𝒆𝒖𝒓 𝒖𝒕 .

𝑪𝒕 = 𝒂𝟎 + 𝒂𝟏 𝒀𝒕 + 𝒖𝒕 , 𝒎𝒐𝒅è𝒍𝒆 𝒔𝒑é𝒄𝒊𝒇𝒊é 𝒑𝒂𝒓 𝒍’é𝒄𝒐𝒏𝒐𝒎è𝒕𝒓𝒆

𝑳𝒂 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆 𝒑𝒂𝒓𝒕𝒊𝒆 𝒅𝒆 𝒄𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒂𝟎 + 𝒂𝟏 𝒀𝒕 𝒄𝒐𝒏𝒔𝒕𝒊𝒕𝒖𝒆 𝒔𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒚𝒔𝒕é𝒎𝒂𝒕𝒊𝒒𝒖𝒆 𝒆𝒕 𝒍𝒂

𝒅𝒆𝒖𝒙𝒊è𝒎𝒆 𝒖𝒕 𝒔𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 𝒐𝒖 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆.

𝑰𝒍 𝒄𝒐𝒏𝒗𝒊𝒆𝒏𝒕 𝒅𝒆 𝒏𝒐𝒕𝒆𝒓 é𝒈𝒂𝒍𝒆𝒎𝒆𝒏𝒕 𝒒𝒖𝒆 𝒍𝒆 𝒕𝒆𝒓𝒎𝒆 𝒅’𝒆𝒓𝒓𝒆𝒖𝒓 𝒖𝒕 𝒃𝒓𝒖𝒊𝒕, 𝒑𝒆𝒓𝒕𝒖𝒓𝒃𝒂𝒕𝒊𝒐𝒏 𝒐𝒖 𝒂𝒍é𝒂

𝒅é𝒏𝒐𝒕𝒆 𝒅𝒆 𝒍𝒂 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒄𝒆 𝒆𝒏𝒕𝒓𝒆 𝒍’é𝒄𝒐𝒏𝒐𝒎𝒊𝒔𝒕𝒆 𝒆𝒕 𝒍’é𝒄𝒐𝒏𝒐𝒎è𝒕𝒓𝒆. 𝑰𝒍 𝒔𝒚𝒏𝒕𝒉é𝒕𝒊𝒔𝒆 𝒍’𝒊𝒏𝒇𝒍𝒖𝒆𝒏𝒄𝒆 𝒔𝒖𝒓 𝑪𝒕

𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒆 𝒅𝒆 𝒕𝒐𝒖𝒕𝒆𝒔 𝒍𝒆𝒔 𝒂𝒖𝒕𝒓𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒐𝒖𝒃𝒍𝒊é𝒆𝒔 𝒆𝒕 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 é𝒗𝒆𝒏𝒕𝒖𝒆𝒍𝒍𝒆𝒔 𝒅𝒆

ème
1 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒔𝒑é𝒄𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒇𝒐𝒓𝒎𝒆 𝒇𝒐𝒏𝒄𝒕𝒊𝒐𝒏𝒏𝒆𝒍𝒍𝒆 𝒅𝒂𝒏𝒔 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒔𝒑é𝒄𝒊𝒇𝒊é 𝒑𝒂𝒓 𝒍’é𝒄𝒐𝒏𝒐𝒎𝒊𝒔𝒕𝒆.

𝑫𝒆 𝒑𝒍𝒖𝒔, 𝒔𝒂 𝒑𝒓é𝒔𝒆𝒏𝒄𝒆 𝒅𝒂𝒏𝒔 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒓𝒆𝒏𝒅 𝒍𝒆𝒔 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔 𝒂𝟎 𝒆𝒕 𝒂𝟏 𝒊𝒏𝒄𝒐𝒏𝒏𝒖𝒔, 𝒐𝒏 𝒏𝒆 𝒔𝒂𝒊𝒕 𝒑𝒍𝒖𝒔

𝒍𝒆𝒔 𝒄𝒂𝒍𝒄𝒖𝒍𝒆𝒓, 𝒊𝒍 𝒇𝒂𝒖𝒕 𝒅𝒐𝒏𝒄 𝒍𝒆𝒔 𝒆𝒔𝒕𝒊𝒎𝒆𝒓.

𝓐– 𝟐 • 𝑳𝒆𝒔 𝒑𝒓𝒊𝒏𝒄𝒊𝒑𝒂𝒖𝒙 𝒎𝒐𝒅è𝒍𝒆𝒔 é𝒄𝒐𝒏𝒐𝒎é𝒕𝒓𝒊𝒒𝒖𝒆𝒔 (𝒔𝒑é𝒄𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏𝒔 𝒄𝒐𝒖𝒓𝒂𝒏𝒕𝒆𝒔) ∶

𝓪 • 𝑳𝒂 𝒔𝒑é𝒄𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝑵𝒊𝒗𝒆𝒂𝒖-𝑵𝒊𝒗𝒆𝒂𝒖 ∶

𝒚𝒊 = 𝜷 𝟏 + 𝜷 𝟐 𝒙 𝒊 + 𝜺 𝒊

𝑼𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅′ 𝒖𝒏𝒆 𝒖𝒏𝒊𝒕é 𝒅𝒆 𝑿 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒆 𝒀 𝒅𝒆 𝜷𝟐 𝒖𝒏𝒊𝒕é𝒔

𝓫 • 𝑳𝒂 𝒔𝒑é𝒄𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝑵𝒊𝒗𝒆𝒂𝒖-𝑳𝒐𝒈 ∶

𝒚𝒊 = 𝜷𝟏 + 𝜷𝟐 𝒍𝒏 𝒙𝒊 + 𝜺𝒊

𝜷𝟐
𝑼𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝟏% 𝒅𝒆 𝑿 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒆 𝒀 𝒅𝒆 𝒖𝒏𝒊𝒕é𝒔
𝟏𝟎𝟎
𝓬 • 𝑳𝒂 𝒔𝒑é𝒄𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝑳𝒐𝒈-𝑵𝒊𝒗𝒆𝒂𝒖 ∶

𝒍𝒏 𝒚𝒊 = 𝜷𝟏 + 𝜷𝟐 𝒙𝒊 + 𝜺𝒊

𝑼𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅′ 𝒖𝒏𝒆 𝒖𝒏𝒊𝒕é 𝒅𝒆 𝑿 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒆 𝒀 𝒅𝒆 𝜷𝟐 × 𝟏𝟎𝟎 𝒖𝒏𝒊𝒕é𝒔.

𝜷𝟐 𝒎𝒆𝒔𝒖𝒓𝒆 𝒍𝒂 𝒔𝒆𝒎𝒊-é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é 𝒅𝒆 𝒚 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 à 𝒙

𝓭 • 𝑳𝒂 𝒔𝒑é𝒄𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝑳𝒐𝒈-𝑳𝒐𝒈 ∶

𝒍𝒏 𝒚𝒊 = 𝜷𝟏 + 𝜷𝟐 𝒍𝒏 𝒙𝒊 + 𝜺𝒊

𝑼𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒑𝒐𝒊𝒏𝒕𝒔 𝒅𝒆 𝒑𝒐𝒖𝒓𝒄𝒆𝒏𝒕𝒂𝒈𝒆 % 𝒅𝒆 𝒙 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒆 𝒚 𝒅𝒆 𝜷𝟐 %

𝒑𝒐𝒊𝒏𝒕𝒔 𝒅𝒆 𝒑𝒐𝒖𝒓𝒄𝒆𝒏𝒕𝒂𝒈𝒆 .

𝑪𝒆 𝒒𝒖𝒊 𝒏𝒐𝒖𝒔 𝒑𝒆𝒓𝒎𝒆𝒕 𝒅′ 𝒊𝒏𝒕𝒆𝒓𝒑𝒓é𝒕𝒆𝒓𝜷𝟐 𝒄𝒐𝒎𝒎𝒆 𝒖𝒏 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆 𝒅′ é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é

 𝑴𝒐𝒅è𝒍𝒆𝒔 𝒍𝒐𝒈𝒂𝒓𝒊𝒕𝒉𝒎𝒊𝒒𝒖𝒆𝒔 𝒆𝒕 É𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é𝒔 ∶

𝒅 𝐥𝐧 𝒚 𝟏 𝒅𝒚
𝒅𝒚 𝒚 = 𝒅 𝐥𝐧 𝒚 =
𝒅𝒚 𝒚 𝒚
𝑺𝒐𝒊𝒕 𝝐𝒙𝟎 𝒚 𝒙 𝒍’é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é 𝒅𝒆 𝒚 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 à 𝒙 , 𝒅𝒐𝒏𝒄 𝝐 = 𝒐𝒓 ⇒
𝒅𝒙 𝒙 𝒅 𝐥𝐧 𝒙 𝟏 𝒅𝒙
= 𝒅 𝐥𝐧 𝒙 =
𝒅𝒙 𝒙 𝒙

𝒅 𝐥𝐧 𝒚 𝒅𝒚 𝒚
𝒆𝒕 𝒄𝒐𝒎𝒎𝒆 𝒐𝒏 𝒂 𝜷𝟐 = ⇒ 𝜷𝟐 = =𝝐
𝒅 𝒍𝒏 𝒙 𝒅𝒙 𝒙

ème
2 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014

𝓮 • 𝑹é𝒄𝒂𝒑𝒊𝒕𝒖𝒍𝒂𝒕𝒊𝒐𝒏 ∶

𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝑰𝒏𝒕𝒆𝒓𝒑𝒓é𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒖


𝑻𝒚𝒑𝒆 𝒅𝒆 𝒎𝒐𝒅è𝒍𝒆
𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝜷𝟐

𝑵𝒊𝒗𝒆𝒂𝒖-𝑵𝒊𝒗𝒆𝒂𝒖 𝒚𝒊 𝒙𝒊 𝚫𝒚 = 𝜷𝟐 𝚫𝒙

𝜷𝟐
𝑵𝒊𝒗𝒆𝒂𝒖-𝑳𝒐𝒈 𝒚𝒊 𝒍𝒏 𝒙𝒊 𝚫𝒚 = %𝚫𝒙
𝟏𝟎𝟎

𝑳𝒐𝒈-𝑵𝒊𝒗𝒆𝒂𝒖 𝒍𝒏 𝒚𝒊 𝒙𝒊 𝚫𝒚 = 𝟏𝟎𝟎𝜷𝟐 %𝚫𝒙

𝑳𝒐𝒈-𝑳𝒐𝒈 𝒍𝒏 𝒚𝒊 𝒍𝒏 𝒙𝒊 %𝚫𝒚 = 𝜷𝟐 %𝚫𝒙

𝓐– 𝟑 • 𝑳𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒆𝒕 𝒔𝒆𝒔 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 ∶

𝓪 • 𝑳′ é𝒒𝒖𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 ∶ 𝑳𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒅𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒔𝒊𝒎𝒑𝒍𝒆 𝒄𝒐𝒏𝒔𝒊𝒅è𝒓𝒆 𝒒𝒖𝒆 𝒍𝒂

𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 à 𝒆𝒙𝒑𝒍𝒊𝒒𝒖𝒆𝒓 𝒀 𝒆𝒔𝒕 𝒖𝒏𝒆 𝒇𝒐𝒏𝒄𝒕𝒊𝒐𝒏 𝒂𝒇𝒇𝒊𝒏𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆 𝑿.

𝑴𝒂𝒕𝒉é𝒎𝒂𝒕𝒊𝒒𝒖𝒆𝒎𝒆𝒏𝒕, 𝒄𝒆𝒕𝒕𝒆 𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒄𝒆 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒔’é𝒄𝒓𝒊𝒕 𝒅𝒆 𝒍𝒂 𝒔𝒐𝒓𝒕𝒆 ∶

𝒚𝒊 = 𝜷𝟏 + 𝜷𝟐 𝒙𝒊 + 𝜺𝒊 = 𝜷𝟏 + 𝜷𝟐 𝒙𝒊 + 𝜺𝒊 ; 𝒊 = 𝟏, 𝟐, … , 𝒏

 𝑳′ 𝒊𝒏𝒅𝒊𝒄𝒆 𝒊 𝒄𝒐𝒓𝒓𝒆𝒔𝒑𝒐𝒏𝒅 à 𝒖𝒏𝒆 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓𝒕𝒊𝒄𝒖𝒍𝒊è𝒓𝒆

 𝑳𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒚𝒊 𝒔′ 𝒂𝒑𝒑𝒆𝒍𝒍𝒆 𝒊𝒏𝒅𝒊𝒇𝒇é𝒓𝒆𝒎𝒎𝒆𝒏𝒕 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒏𝒅𝒐𝒈è𝒏𝒆, 𝒐𝒖 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆

𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 à 𝒆𝒙𝒑𝒍𝒊𝒒𝒖𝒆𝒓 , 𝒐𝒖 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆

 𝑳𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒙𝒊 𝒔′ 𝒂𝒑𝒑𝒆𝒍𝒍𝒆 𝒊𝒏𝒅𝒊𝒇𝒇é𝒓𝒆𝒎𝒎𝒆𝒏𝒕 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒐𝒈è𝒏𝒆, 𝒐𝒖 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆

𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆 , 𝒐𝒖 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆. 𝑶𝒏 𝒑𝒂𝒓𝒍𝒆 𝒂𝒖𝒔𝒔𝒊 𝒅𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒆𝒖𝒓 𝒐𝒖 𝒑𝒓é𝒅𝒊𝒄𝒕𝒆𝒖𝒓

 𝑳𝒆 𝒕𝒆𝒓𝒎𝒆 𝜺𝒊 𝒆𝒔𝒕 𝒖𝒏 𝒕𝒆𝒓𝒎𝒆 𝒅′ 𝒆𝒓𝒓𝒆𝒖𝒓 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆 𝒊𝒏𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒃𝒍𝒆

 𝜷𝟏 𝒆𝒕 𝜷𝟐 𝒔𝒐𝒏𝒕 𝒍𝒆𝒔 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔 𝒅𝒖 𝒎𝒐𝒅è𝒍𝒆 à 𝒆𝒔𝒕𝒊𝒎𝒆𝒓 𝒒𝒖𝒊 𝒑𝒆𝒓𝒎𝒆𝒕𝒕𝒆𝒏𝒕 𝒅𝒆 𝒄𝒂𝒓𝒂𝒄𝒕é𝒓𝒊𝒔𝒆𝒓

𝒍𝒂 𝒓𝒆𝒍𝒂𝒕𝒊𝒐𝒏𝒅𝒆 𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒄𝒆 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒒𝒖𝒊 𝒆𝒙𝒊𝒔𝒕𝒆 à 𝒄𝒉𝒂𝒒𝒖𝒆 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏 𝒊 𝒆𝒏𝒕𝒓𝒆 𝒙𝒊 𝒆𝒕 𝒚𝒊

𝓫 • 𝑳𝒆𝒔 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 ∶ 𝑳𝒆𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔 𝜷𝟏 𝒆𝒕 𝜷𝟐 𝒗𝒐𝒏𝒕 𝒅é𝒑𝒐𝒏𝒅𝒓𝒆 𝒅𝒆𝒔 𝒚𝒊 , 𝒅𝒐𝒏𝒄 𝒅𝒆𝒔 𝜺𝒊 ∶ 𝒄𝒆

𝒔𝒆𝒓𝒐𝒏𝒕 𝒅𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆𝒔 , 𝒆𝒕 𝒏𝒐𝒖𝒔 𝒂𝒖𝒓𝒐𝒏𝒔 𝒃𝒆𝒔𝒐𝒊𝒏 𝒅𝒆𝒔 𝒎𝒐𝒎𝒆𝒏𝒕𝒔 𝒅𝒆 𝒍𝒆𝒖𝒓𝒔 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒕𝒊𝒐𝒏.

𝑰𝒍 𝒏𝒐𝒖𝒔 𝒇𝒂𝒖𝒕 𝒅𝒐𝒏𝒄 𝒇𝒂𝒊𝒓𝒆 𝒅𝒆𝒔 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 𝒔𝒖𝒓 𝒍𝒂 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝜺𝒊

𝑴 : 𝒚𝒊 = 𝜷𝟏 + 𝜷𝟐 𝒙𝒊 + 𝜺𝒊 = 𝜷𝟏 + 𝜷𝟐 𝒙𝒊 + 𝜺𝒊 ; 𝒊 = 𝟏, 𝟐, … , 𝒏

∎ 𝓗𝟏 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒚𝒔𝒕é𝒎𝒂𝒕𝒊𝒒𝒖𝒆 : 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 𝒔𝒖𝒓 𝒀 𝒆𝒕 𝑿 ∶


ème
3 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝑿 𝒆𝒕 𝒀 𝑺𝒐𝒏𝒕 𝒅𝒆𝒖𝒙 𝒈𝒓𝒂𝒏𝒅𝒆𝒖𝒓𝒔 𝒏𝒖𝒎é𝒓𝒊𝒒𝒖𝒆𝒔 𝒎𝒆𝒔𝒖𝒓é𝒆𝒔 𝒔𝒂𝒏𝒔 𝒆𝒓𝒓𝒆𝒖𝒓. 𝑿 𝑬𝒔𝒕 𝒖𝒏𝒆 𝒅𝒐𝒏𝒏é𝒆 𝒆𝒙𝒐𝒈è𝒏𝒆

𝒅𝒂𝒏𝒔 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆. 𝑬𝒍𝒍𝒆 𝒆𝒔𝒕 𝒔𝒖𝒑𝒑𝒐𝒔é𝒆 𝒏𝒐𝒏 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆 𝒐𝒖 𝒏𝒐𝒏 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 . 𝒀 𝑬𝒔𝒕 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆 𝒑𝒂𝒓

𝒍’𝒊𝒏𝒕𝒆𝒓𝒎é𝒅𝒊𝒂𝒊𝒓𝒆 𝓔 𝒄-à-𝒅. 𝒍𝒂 𝒔𝒆𝒖𝒍𝒆 𝒆𝒓𝒓𝒆𝒖𝒓 𝒒𝒖’𝒐𝒏 𝒂 𝒔𝒖𝒓 𝒀 𝒑𝒓𝒐𝒗𝒊𝒆𝒏𝒕 𝒅𝒆𝒔 𝒊𝒏𝒔𝒖𝒇𝒇𝒊𝒔𝒂𝒏𝒄𝒆𝒔 𝒅𝒆 𝑿 à

𝒆𝒙𝒑𝒍𝒊𝒒𝒖𝒆𝒓 𝒔𝒆𝒔 𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒅𝒂𝒏𝒔 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆.

∎ 𝓗𝟐 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 : 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 𝒔𝒖𝒓 𝒍𝒆𝒔 𝒕𝒆𝒓𝒎𝒆𝒔

𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆𝒔 𝜺𝒊 ∶ 𝑳𝒆𝒔 𝜺𝒊 𝒔𝒐𝒏𝒕 𝒊. 𝒊. 𝒅 (𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒔 𝒆𝒕 𝒊𝒅𝒆𝒏𝒕𝒊𝒒𝒖𝒆𝒎𝒆𝒏𝒕 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖é𝒔).

∎ 𝓗𝟑 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 : 𝑬 𝜺𝒊 = 𝟎 ∀ 𝒊 = 𝟏, 𝟐, … , 𝒏

𝑬𝒏 𝒎𝒐𝒚𝒆𝒏𝒏𝒆 𝒍𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 𝒔’𝒂𝒏𝒏𝒖𝒍𝒆𝒏𝒕 𝒄-à-𝒅. 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒆𝒔𝒕 𝒃𝒊𝒆𝒏 𝒔𝒑é𝒄𝒊𝒇𝒊é.

∎ 𝓗𝟒 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 : 𝑽𝒂𝒓 𝜺𝒊 = 𝑬 𝜺𝟐𝒊 = 𝝇𝟐𝜺 ∀ 𝒊 = 𝟏, 𝟐, … , 𝒏

𝑳𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒆 𝒍’𝒆𝒓𝒓𝒆𝒖𝒓 𝒆𝒔𝒕 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 𝒆𝒕 𝒏𝒆 𝒅é𝒑𝒆𝒏𝒅 𝒑𝒂𝒔 𝒅𝒆 𝒍’𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏. 𝑪’𝒆𝒔𝒕 𝒍’𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆

𝒅’𝒉𝒐𝒎𝒐𝒔𝒄é𝒅𝒂𝒔𝒕𝒊𝒄𝒊𝒕é 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔.

𝑰𝒍 𝒔’𝒂𝒈𝒊𝒕 𝒅’𝒂𝒔𝒔𝒖𝒎𝒆𝒓 𝒒𝒖𝒆 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒔 𝒐𝒎𝒊𝒔𝒆𝒔 𝒅𝒂𝒏𝒔 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒊𝒏𝒇𝒍𝒖𝒆𝒏𝒕 𝒕𝒐𝒖𝒕𝒆𝒔

𝒑𝒓𝒂𝒕𝒊𝒒𝒖𝒆𝒎𝒆𝒏𝒕 𝒅𝒆 𝒇𝒂ç𝒐𝒏 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒆.

∎ 𝓗𝟓 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒅’𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒄𝒆 𝒆𝒏𝒕𝒓𝒆 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒚𝒔𝒕é𝒎𝒂𝒕𝒊𝒒𝒖𝒆 𝒆𝒕 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆 :

𝑳’𝒆𝒓𝒓𝒆𝒖𝒓 𝒆𝒔𝒕 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒐𝒈è𝒏𝒆 𝒄-à-𝒅. 𝑪𝒐𝒗 𝜺𝒊 , 𝒙𝒊 = 𝟎 ∀ 𝒊 = 𝟏, 𝟐, … , 𝒏

𝑪𝒆𝒕𝒕𝒆 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒆 𝒒𝒖𝒆 𝒍’𝒆𝒓𝒓𝒆𝒖𝒓 𝒆𝒕 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒔 𝒐𝒏𝒕 𝒖𝒏𝒆 𝒊𝒏𝒇𝒍𝒖𝒆𝒏𝒄𝒆

𝒔é𝒑𝒂𝒓é𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒏𝒅𝒐𝒈è𝒏𝒆

∎ 𝓗𝟔 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 : 𝑰𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒄𝒆 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔. 𝑳𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔

𝒓𝒆𝒍𝒂𝒕𝒊𝒗𝒆𝒔 à 𝟐 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏𝒔 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒕𝒆𝒔𝒔𝒐𝒏𝒕 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆𝒔 𝒄-à-𝒅.

𝑪𝒐𝒗 𝜺𝒊 , 𝜺𝒋 = 𝑬 𝜺𝒊 𝜺𝒋 = 𝟎 𝒑𝒐𝒖𝒓 𝒊 ≠ 𝒋 .

𝑶𝒏 𝒑𝒂𝒓𝒍𝒆 𝒅𝒆 𝒍′ 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒅𝒆 𝒍𝒂 𝒏𝒐𝒏 𝒂𝒖𝒕𝒐𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔

∎ 𝓗𝟕 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 : 𝜺𝒊 ↝ 𝓝 𝟎, 𝝇𝟐𝜺 .

𝑳’𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒅𝒆 𝒏𝒐𝒓𝒎𝒂𝒍𝒊𝒕é 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 𝒆𝒔𝒕 𝒖𝒏 é𝒍é𝒎𝒆𝒏𝒕 𝒄𝒍é 𝒑𝒐𝒖𝒓 𝒍’𝒊𝒏𝒇é𝒓𝒆𝒏𝒄𝒆 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆.

𝑬𝒍𝒍𝒆 𝒆𝒔𝒕 𝒅𝒐𝒏𝒄 𝒏é𝒄𝒆𝒔𝒔𝒂𝒊𝒓𝒆 𝒑𝒐𝒖𝒓 𝒎𝒆𝒏𝒆𝒓 𝒍𝒆𝒔 𝒕𝒆𝒔𝒕𝒔.

∎ 𝓗𝟖 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒚𝒔𝒕é𝒎𝒂𝒕𝒊𝒒𝒖𝒆 ∶ 𝒙𝒊 𝒑𝒓𝒆𝒏𝒅 𝒂𝒖 𝒎𝒐𝒊𝒏𝒔 𝒅𝒆𝒖𝒙 𝒗𝒂𝒍𝒆𝒖𝒓𝒔

𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒕𝒆𝒔

∎ 𝓗𝟗 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒚𝒔𝒕é𝒎𝒂𝒕𝒊𝒒𝒖𝒆 : 𝒏 > 𝟐 , 𝒄-à-𝒅. 𝒍𝒆 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅’𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏𝒔 𝒏

ème
4 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒅𝒐𝒊𝒕 ê𝒕𝒓𝒆 𝒔𝒖𝒑é𝒓𝒊𝒆𝒖𝒓 𝒂𝒖 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅𝒆𝒔 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔 à 𝒆𝒔𝒕𝒊𝒎𝒆𝒓.

 𝑹𝒆𝒎𝒂𝒓𝒒𝒖𝒆 𝟏 ∶ 𝑳𝒐𝒓𝒔𝒒𝒖𝒆 𝒍𝒆𝒔 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 𝓗𝟗 , 𝓗𝟔 , 𝓗𝟒 𝒆𝒕 𝓗𝟑 𝒔𝒐𝒏𝒕 𝒓é𝒂𝒍𝒊𝒔é𝒆𝒔, 𝒐𝒏 𝒅𝒊𝒕

𝒒𝒖𝒆 𝒍𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 𝒔𝒐𝒏𝒕 𝒅𝒆𝒔 𝒃𝒓𝒖𝒊𝒕𝒔 𝒃𝒍𝒂𝒏𝒄𝒔. 𝑬𝒕 𝒍𝒐𝒓𝒔𝒒𝒖’𝒐𝒏 𝒚 𝒂𝒋𝒐𝒖𝒕𝒆 𝒍’𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝓗𝟕 , 𝒐𝒏 𝒑𝒂𝒓𝒍𝒆 𝒅𝒆𝒔

𝒃𝒓𝒖𝒊𝒕𝒔 𝒃𝒍𝒂𝒏𝒄𝒔 𝒈𝒂𝒖𝒔𝒔𝒊𝒆𝒏𝒔.

 𝑹𝒆𝒎𝒂𝒓𝒒𝒖𝒆 𝟐 ∶ 𝑳𝒐𝒓𝒔𝒒𝒖𝒆 𝒕𝒐𝒖𝒕𝒆𝒔 𝒍𝒆𝒔 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 𝒔𝒐𝒖𝒔-𝒕𝒆𝒏𝒅𝒂𝒏𝒕 𝒍𝒂 𝒎é𝒕𝒉𝒐𝒅𝒆 𝒅𝒆𝒔 𝑴𝑪𝑶

𝒔𝒐𝒏𝒕 𝒓𝒆𝒎𝒑𝒍𝒊𝒆𝒔, 𝒍𝒆 𝒕𝒉é𝒐𝒓è𝒎𝒆 𝒅𝒆 𝑮𝒂𝒖𝒔𝒔-𝑴𝒂𝒓𝒌𝒐𝒗 𝒂𝒗𝒂𝒏𝒄𝒆 𝒒𝒖𝒆 𝒔𝒆𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔 𝒔𝒐𝒏𝒕 𝑩𝑳𝑼𝑬

𝑩𝒆𝒔𝒕 𝑳𝒊𝒏𝒆𝒂𝒓 𝑼𝒏𝒃𝒊𝒂𝒔𝒆𝒅 𝑬𝒔𝒕𝒊𝒎𝒂𝒕𝒐𝒓 , 𝒄’𝒆𝒔𝒕-à-𝒅𝒊𝒓𝒆 𝒒𝒖’𝒊𝒍𝒔 𝒔𝒐𝒏𝒕 𝒍𝒆𝒔 𝒎𝒆𝒊𝒍𝒍𝒆𝒖𝒓𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔

𝒍𝒊𝒏é𝒂𝒊𝒓𝒆𝒔, 𝒏𝒐𝒏 𝒃𝒊𝒂𝒊𝒔é𝒔 𝒆𝒕 à 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒎𝒊𝒏𝒊𝒎𝒂𝒍𝒆.

𝓐– 𝟒 • 𝑬𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒅𝒆𝒔 𝒎𝒐𝒊𝒏𝒅𝒓𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒐𝒓𝒅𝒊𝒏𝒂𝒊𝒓𝒆𝒔 𝑴𝑪𝑶 -𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒂𝒗𝒆𝒄

𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 𝜷𝟏 - ∶

𝑳𝒂 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒄𝒆 : 𝜺𝒊 = 𝒚𝒊 − 𝒚𝒊 = 𝒚𝒊 − 𝜷𝟏 − 𝜷𝟐 𝒙𝒊 𝒔’𝒂𝒑𝒑𝒆𝒍𝒍𝒆 𝒓é𝒔𝒊𝒅𝒖, 𝒆𝒕 𝒆𝒔𝒕 𝒖𝒏𝒆 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒊𝒐𝒏

𝒅𝒆 𝒍’𝒆𝒓𝒓𝒆𝒖𝒓 𝜺𝒊 .

𝒚𝒊 = 𝜷 𝟏 + 𝜷 𝟐 𝒙 𝒊 + 𝜺 𝒊
𝑶𝒏 𝒑𝒆𝒖𝒕 é𝒄𝒓𝒊𝒓𝒆 𝒊𝒏𝒅𝒊𝒇𝒇é𝒓𝒆𝒎𝒎𝒆𝒏𝒕 ∶ 𝒐𝒖
𝒚𝒊 = 𝜷 𝟏 + 𝜷 𝟐 𝒙 𝒊 + 𝜺 𝒊

𝑳𝒂 𝒎é𝒕𝒉𝒐𝒅𝒆 𝒅𝒆𝒔 𝒎𝒐𝒊𝒏𝒅𝒓𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒐𝒓𝒅𝒊𝒏𝒂𝒊𝒓𝒆 𝒄𝒐𝒏𝒔𝒊𝒔𝒕𝒆 à 𝒎𝒊𝒏𝒊𝒎𝒊𝒔𝒆𝒓 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒅𝒆𝒔
𝒏 𝒏
𝟐
𝒓é𝒔𝒊𝒅𝒖𝒔 : 𝐦𝐢𝐧 𝜺𝟐𝒊 = 𝐦𝐢𝐧 𝒚𝒊 − 𝜷 𝟏 − 𝜷 𝟐 𝒙 𝒊
𝜷𝟏 ,𝜷𝟐 𝜷𝟏 ,𝜷𝟐
𝒊=𝟏 𝒊=𝟏
𝝋 𝜷𝟏 ,𝜷𝟐

• 𝑪𝒐𝒏𝒅𝒊𝒕𝒊𝒐𝒏 𝒏é𝒄𝒆𝒔𝒔𝒂𝒊𝒓𝒆 ∶
𝒏
𝝏𝝋 𝜷𝟏 , 𝜷𝟐 −𝟐 𝒚𝒊 − 𝜷 𝟏 − 𝜷 𝟐 𝒙 𝒊 = 𝟎
=𝟎
𝝏𝜷𝟏 𝒊=𝟏
⟺ 𝒏
𝝏𝝋 𝜷𝟏 , 𝜷𝟐
=𝟎 −𝟐 𝒚𝒊 − 𝜷 𝟏 − 𝜷 𝟐 𝒙 𝒊 𝒙 𝒊 = 𝟎
𝝏𝜷𝟐
𝒊=𝟏

𝒏 𝒏

𝒚𝒊 − 𝒏𝜷𝟏 − 𝜷𝟐 𝒙𝒊 = 𝟎
𝒊=𝟏 𝒊=𝟏
⟺ 𝒏 𝒏 𝒏

𝒙 𝒊 𝒚𝒊 − 𝜷 𝟏 𝒙𝒊 − 𝜷𝟐 𝒙𝟐𝒊 = 𝟎
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

ème
5 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒏𝒚 − 𝒏𝜷𝟏 − 𝒏𝜷𝟐 𝒙 = 𝟎
𝒏 𝒏

𝒏𝜷𝟏 𝒙 + 𝜷𝟐 𝒙𝟐𝒊 = 𝒙 𝒊 𝒚𝒊
𝒊=𝟏 𝒊=𝟏

𝜷𝟏 = 𝒚 − 𝜷𝟐 𝒙
𝒏 𝒏

𝒏 𝒚 − 𝜷 𝟐 𝒙 𝒙 + 𝜷𝟐 𝒙𝟐𝒊 = 𝒙 𝒊 𝒚𝒊
𝒊=𝟏 𝒊=𝟏

𝜷𝟏 = 𝒚 − 𝜷𝟐 𝒙
𝒏 𝒏

𝜷𝟐 𝒙𝟐𝒊 − 𝒏𝜷𝟐 𝒙 = 𝟐
𝒙𝒊 𝒚𝒊 − 𝒏𝒙𝒚
𝒊=𝟏 𝒊=𝟏

𝜷𝟏 = 𝒚 − 𝜷𝟐 𝒙
𝒏 𝒏

𝜷𝟐 𝒙𝟐𝒊 − 𝒏𝒙 𝟐
= 𝒙𝒊 𝒚𝒊 − 𝒏𝒙𝒚
𝒊=𝟏 𝒊=𝟏

∎ 𝓗𝟖 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒚𝒔𝒕é𝒎𝒂𝒕𝒊𝒒𝒖𝒆 ∶ 𝒙𝒊 𝒑𝒓𝒆𝒏𝒅 𝒂𝒖 𝒎𝒐𝒊𝒏𝒔 𝒅𝒆𝒖𝒙 𝒗𝒂𝒍𝒆𝒖𝒓𝒔


𝒏
𝟐
𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒕𝒆𝒔 ⇒ 𝒙𝒊 − 𝒙 ≠𝟎
𝒊=𝟏

𝜷𝟏 = 𝒚 − 𝜷𝟐 𝒙
𝒏 𝒏 𝒏 𝒏

𝜷𝟐 = 𝒙𝒊 𝒚𝒊 − 𝒏𝒙𝒚 𝒙𝟐𝒊 − 𝒏𝒙𝟐 = 𝒙𝒊 − 𝒙 𝒚𝒊 − 𝒚 𝒙𝒊 − 𝒙 𝟐

𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

• 𝑪𝒐𝒏𝒅𝒊𝒕𝒊𝒐𝒏 𝒔𝒖𝒇𝒇𝒊𝒔𝒂𝒏𝒕𝒆 ∶

𝒏 𝒏
𝝏𝟐 𝝋 𝝏 −𝟐 𝒊=𝟏 𝒚𝒊 − 𝜷 𝟏 − 𝜷 𝟐 𝒙 𝒊
𝜷𝟏 , 𝜷𝟐 = = −𝟐 −𝟏 = 𝟐𝒏
𝝏𝜷𝟐𝟏 𝝏𝜷𝟏 𝒊=𝟏

𝒏 𝒏 𝒏
𝝏𝟐 𝝋 𝝏 −𝟐 𝒊=𝟏 𝒚𝒊 − 𝜷 𝟏 − 𝜷 𝟐 𝒙 𝒊 𝒙 𝒊
𝜷𝟏 , 𝜷𝟐 = = −𝟐 −𝒙𝟐𝒊 = 𝟐 𝒙𝟐𝒊
𝝏𝜷𝟐𝟐 𝝏𝜷𝟐 𝒊=𝟏 𝒊=𝟏

𝒏 𝒏 𝒏
𝝏𝟐 𝝋 𝝏𝟐 𝝋 𝝏 −𝟐 𝒊=𝟏 𝒚𝒊 − 𝜷 𝟏 − 𝜷 𝟐 𝒙 𝒊
𝜷𝟏 , 𝜷𝟐 = 𝜷 𝟏 , 𝜷𝟐 = = −𝟐 −𝒙𝒊 = 𝟐 𝒙𝒊
𝝏𝜷𝟐 𝝏𝜷𝟏 𝝏𝜷𝟏 𝝏𝜷𝟐 𝝏𝜷𝟐 𝒊=𝟏 𝒊=𝟏

𝒏
𝝏𝟐 𝝋 𝝏𝟐 𝝋
𝜷𝟏 , 𝜷 𝟐 𝜷𝟏 , 𝜷𝟐 𝟐𝒏 𝟐 𝒙𝒊
𝝏𝜷𝟐𝟏 𝝏𝜷𝟐 𝝏𝜷𝟏 𝒊=𝟏
𝑯 𝝋 𝜷𝟏 , 𝜷𝟐 = = 𝒏 𝒏
𝝏𝟐 𝝋 𝝏𝟐 𝝋
𝜷 𝟏 , 𝜷𝟐 𝜷𝟏 , 𝜷𝟐 𝟐 𝒙𝒊 𝟐 𝒙𝟐𝒊
𝝏𝜷𝟏 𝝏𝜷𝟐 𝝏𝜷𝟐𝟐
𝒊=𝟏 𝒊=𝟏

ème
6 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒏 𝒏 𝟐 𝒏 𝒏
𝟏
𝑯 𝝋 𝜷𝟏 , 𝜷𝟐 = 𝟒𝒏 𝒙𝟐𝒊 −𝟒 𝒙𝒊 = 𝟒𝒏 𝒙𝟐𝒊 − 𝟒 𝒏𝒙 𝟐
= 𝟒𝒏 𝟐
𝒙𝟐𝒊 − 𝒙𝟐
𝒏
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝒏
𝟏
𝑺𝟐𝒙 = 𝒙𝟐𝒊 − 𝒙𝟐 é𝒕𝒂𝒏𝒕 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒆𝒎𝒑𝒊𝒓𝒊𝒒𝒖𝒆-𝒏𝒐𝒏 𝒄𝒐𝒓𝒓𝒊𝒈é𝒆- 𝒅𝒆 𝒙𝟏 , … , 𝒙𝒏
𝒏
𝒊=𝟏

𝒏
𝟏
𝑺𝟐𝒚 = 𝒚𝟐𝒊 − 𝒚𝟐 é𝒕𝒂𝒏𝒕 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒆𝒎𝒑𝒊𝒓𝒊𝒒𝒖𝒆 𝒃𝒊𝒂𝒊𝒔é𝒆 𝒅𝒆 𝒚𝟏 , … , 𝒚𝒏
𝒏
𝒊=𝟏

𝒏 𝒏
𝟏 𝟏
𝑺𝒙,𝒚 = 𝒙 𝒊 − 𝒙 𝒚𝒊 − 𝒚 = 𝒙𝒊 𝒚𝒊 − 𝒙𝒚 é𝒕𝒂𝒏𝒕 𝒍𝒂 𝒄𝒐𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒆𝒎𝒑𝒊𝒓𝒊𝒒𝒖𝒆 𝒏𝒐𝒏 𝒃𝒊𝒂𝒊𝒔é𝒆
𝒏 𝒏
𝒊=𝟏 𝒊=𝟏

𝑯 𝝋 𝜷𝟏 , 𝜷𝟐 = 𝟒𝒏𝟐 𝑺𝟐𝒙 > 0 ⇒ 𝜷𝟏 , 𝜷𝟐 𝒆𝒔𝒕 𝒖𝒏 𝒎𝒊𝒏𝒊𝒎𝒖𝒎 𝒍𝒐𝒄𝒂𝒍

𝜷𝟏 = 𝒚 − 𝜷𝟐 𝒙
𝒏 𝒏
𝒊=𝟏 𝒙𝒊 𝒚𝒊 − 𝒏𝒙𝒚 𝒊=𝟏 𝒙𝒊 − 𝒙 𝒚𝒊 − 𝒚 𝑪𝒐𝒗 𝒙𝒊 , 𝒚𝒊 𝑺𝒙,𝒚
𝜷𝟐 = 𝒏 𝟐
= 𝒏 𝟐
= =
𝒊=𝟏 𝒙𝒊 − 𝒙 𝑽𝒂𝒓 𝒙𝒊 𝑺𝟐𝒙
𝟐
𝒊=𝟏 𝒙𝒊 − 𝒏𝒙

𝑺𝒙,𝒚
 𝟏è𝒓𝒆 𝒄𝒐𝒏𝒔é𝒒𝒖𝒆𝒏𝒄𝒆 ∶ 𝒚𝒊 − 𝒚 = 𝒙 − 𝒙 = 𝜷𝟐 𝒙𝒊 − 𝒙
𝑺𝟐𝒙 𝒊

𝑶𝒏 𝒅é𝒎𝒐𝒏𝒕𝒓𝒆 𝒂𝒖𝒔𝒔𝒊 𝒒𝒖𝒆 𝒍𝒂 𝒎𝒐𝒚𝒆𝒏𝒏𝒆 𝒂𝒓𝒊𝒕𝒉𝒎é𝒕𝒊𝒒𝒖𝒆 𝒅𝒆 𝒚𝒊 𝒆𝒔𝒕 é𝒈𝒂𝒍 à 𝒚 ∶


𝒏 𝒏 𝒏
𝟏 𝟏 𝜷𝟐
𝒚𝒊 = 𝜷𝟏 + 𝜷𝟐 𝒙𝒊 = 𝜷𝟏 + 𝒙 𝒊 = 𝜷 𝟏 + 𝜷 𝟐 𝒙 = 𝒚 ⇒ 𝒚𝒊 = 𝒚
𝒏 𝒏 𝒏
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝒏𝜷𝟏

 𝟐è𝒎𝒆 𝒄𝒐𝒏𝒔é𝒒𝒖𝒆𝒏𝒄𝒆 ∶ 𝑳𝒂 𝒔𝒐𝒎𝒎𝒆 -𝒆𝒕 𝒅𝒐𝒏𝒄 𝒍𝒂 𝒎𝒐𝒚𝒆𝒏𝒏𝒆 𝒂𝒓𝒊𝒕𝒉𝒎é𝒕𝒊𝒒𝒖𝒆- 𝒅𝒆𝒔 𝒓é𝒔𝒊𝒅𝒖𝒔

𝒆𝒔𝒕 𝒏𝒖𝒍𝒍𝒆 𝒅𝒂𝒏𝒔 𝒖𝒏𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒂𝒗𝒆𝒄 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆. 𝑬𝒏 𝒆𝒇𝒇𝒆𝒕 ∶


𝒏 𝒏 𝒏 𝒏

𝜺𝒊 = 𝒚𝒊 − 𝜷𝟏 − 𝜷𝟐 𝒙𝒊 = 𝒏𝒚 − 𝒏𝜷𝟏 − 𝜷𝟐 𝒙𝒊 = 𝒏𝒚 − 𝒏 𝒚 − 𝜷𝟐 𝒙 − 𝒏𝜷𝟐 𝒙 = 𝟎 ⇒ 𝜺𝒊 = 𝟎
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

 𝟑è𝒎𝒆 𝒄𝒐𝒏𝒔é𝒒𝒖𝒆𝒏𝒄𝒆 ∶
𝒏 𝒏 𝒏 𝒏 𝒏

𝜺 𝒊 𝒙𝒊 = 𝒚𝒊 − 𝜷 𝟏 − 𝜷 𝟐 𝒙 𝒊 𝒙 𝒊 = 𝒙 𝒊 𝒚𝒊 − 𝜷 𝟏 𝒙 𝒊 − 𝜷𝟐 𝒙𝟐𝒊
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝒏 𝒏

= 𝒙𝒊 𝒚𝒊 − 𝒚 − 𝜷𝟐 𝒙 𝒏𝒙 − 𝜷𝟐 𝒙𝟐𝒊
𝒊=𝟏 𝒊=𝟏

ème
7 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒏 𝒏

= 𝒙𝒊 𝒚𝒊 − 𝒏𝒙𝒚 + 𝒏𝜷𝟐 𝒙𝟐 − 𝜷𝟐 𝒙𝟐𝒊


𝒊=𝟏 𝒊=𝟏

= 𝒏𝑺𝒙,𝒚 − 𝜷𝟐 𝒙𝟐𝒊 − 𝒏𝒙𝟐


𝒊=𝟏

𝒏
𝑺𝒙,𝒚
= 𝒏𝑺𝒙,𝒚 − 𝟐 𝑺𝟐𝒙 ⇒ 𝜺 𝒊 𝒙𝒊 = 𝟎
𝑺𝒙
𝒊=𝟏

 𝟒è𝒎𝒆 𝒄𝒐𝒏𝒔é𝒒𝒖𝒆𝒏𝒄𝒆 ∶ 𝑰𝒍 𝒆𝒙𝒊𝒔𝒕𝒆 𝒖𝒏 𝒍𝒊𝒆𝒏 𝒆𝒏𝒕𝒓𝒆 𝒍𝒂 𝒑𝒆𝒏𝒕𝒆 𝒅’𝒖𝒏𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆

𝒔𝒊𝒎𝒑𝒍𝒆 𝒆𝒕 𝒍𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 ∶

𝑺𝒙,𝒚 𝑺𝒙,𝒚 𝑺𝒚 𝑪𝒐𝒗 𝒙𝒊 , 𝒚𝒊 𝑺𝒚


𝜷𝟐 = = × = ×
𝑺𝟐𝒙 𝑺𝒙 𝑺𝒙 𝑺𝒚 𝑺 𝒙 𝑺𝒚 𝑺𝒙

𝑺𝒚
⇒ 𝜷𝟐 = 𝝆 ; 𝜷𝟐 𝒆𝒕 𝝆𝒙,𝒚 𝒂𝒖𝒓𝒐𝒏𝒕 𝒕𝒐𝒖𝒋𝒐𝒖𝒓𝒔 𝒍𝒆 𝒎ê𝒎𝒆 𝒔𝒊𝒈𝒏𝒆 .
𝑺𝒙 𝒙,𝒚

 𝑳′ 𝒆𝒓𝒓𝒆𝒖𝒓 𝒒𝒖𝒂𝒅𝒓𝒂𝒕𝒊𝒒𝒖𝒆 𝒎𝒐𝒚𝒆𝒏𝒏𝒆 𝒎𝒊𝒏𝒊𝒎𝒂𝒍𝒆 ∶

𝑳′ é𝒒𝒖𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒅𝒓𝒐𝒊𝒕𝒆 𝒅𝒆𝒔 𝒎𝒐𝒊𝒏𝒅𝒓𝒆𝒔 𝒄𝒂𝒓𝒓é𝒆𝒔 é𝒕𝒂𝒏𝒕 ∶

𝑺𝒙,𝒚
𝒚𝒊 = 𝜷 𝟏 − 𝜷 𝟐 𝒙 𝒊 = 𝒚 + 𝒙𝒊 − 𝒙
𝑺𝟐𝒙

𝑳′ 𝒆𝒓𝒓𝒆𝒖𝒓 𝒒𝒖𝒂𝒅𝒓𝒂𝒕𝒊𝒒𝒖𝒆 𝒎𝒐𝒚𝒆𝒏𝒏𝒆 𝒎𝒊𝒏𝒊𝒎𝒂𝒍𝒆 𝒔𝒆𝒓𝒂 ∶


𝒏
𝟏
𝜹𝟐𝒎𝒊𝒏 = 𝒚𝒊 − 𝒚𝒊 𝟐
𝒏
𝒊=𝟏

𝒏
𝟏 𝟐
𝜹𝟐𝒎𝒊𝒏 = 𝒚𝒊 − 𝜷 𝟏 − 𝜷 𝟐 𝒙 𝒊
𝒏
𝒊=𝟏

𝒏 𝟐
𝟏 𝑺𝒙,𝒚
= 𝒚𝒊 − 𝒚 − 𝟐 𝒙 𝒊 − 𝒙
𝒏 𝑺𝒙
𝒊=𝟏

𝒏 𝒏 𝒏
𝟏 𝟐
𝑺𝒙,𝒚 𝟏 𝑺𝟐𝒙,𝒚 𝟏 𝟐
= 𝒚𝒊 − 𝒚 −𝟐 𝟐 𝒚𝒊 − 𝒚 𝒙𝒊 − 𝒙 + 𝟒 𝒙𝒊 − 𝒙
𝒏 𝑺𝒙 𝒏 𝑺𝒙 𝒏
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝑺𝒙,𝒚 𝑺𝟐𝒙,𝒚 𝟐
= 𝑺𝟐𝒚 − 𝟐 𝟐 𝑺𝒙,𝒚 + 𝟒 𝑺𝒙
𝑺𝒙 𝑺𝒙

𝑺𝟐𝒙,𝒚
= 𝑺𝟐𝒚 − 𝟐
𝑺𝒙

ème
8 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝑺𝟐𝒙,𝒚
= 𝑺𝟐𝒚 − 𝟐 𝟐 𝑺𝟐𝒚
𝑺𝒙 𝑺𝒚

= 𝑺𝟐𝒚 − 𝝆𝟐𝒙,𝒚 𝑺𝟐𝒚

𝜹𝟐𝒎𝒊𝒏 = 𝑺𝟐𝒚 𝟏 − 𝝆𝟐𝒙,𝒚

𝑶𝒏 𝒆𝒏 𝒅é𝒅𝒖𝒊𝒕 𝒆𝒏 𝒑𝒂𝒓𝒕𝒊𝒄𝒖𝒍𝒊𝒆𝒓 𝒒𝒖𝒆 𝜹𝟐𝒎𝒊𝒏 = 𝟎 𝒔𝒊 𝒆𝒕 𝒔𝒆𝒖𝒍𝒆𝒎𝒆𝒏𝒕 𝒔𝒊 𝝆𝒙,𝒚 = 𝟏

𝓐– 𝟓 • 𝑴𝒐𝒎𝒆𝒏𝒕𝒔 𝒅𝒆𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔 𝒅𝒆 𝒎𝒐𝒊𝒏𝒅𝒓𝒆𝒔 𝒄𝒂𝒓𝒓é𝒆𝒔 ∶

𝑺𝒐𝒊𝒆𝒏𝒕 𝒍𝒆𝒔 𝒊𝒅𝒆𝒏𝒕𝒊𝒕é𝒔 𝒔𝒖𝒊𝒗𝒂𝒏𝒕𝒆𝒔 ∶

𝒙𝒊 − 𝒙
∎ 𝒘𝒊 = 𝒏 𝟐
𝒊=𝟏 𝒙𝒊 − 𝒙

𝟏
∎ 𝒛𝒊 = − 𝒙 𝒘𝒊
𝒏
𝑰𝒍 𝒆𝒔𝒕 𝒇𝒂𝒄𝒊𝒍𝒆 𝒅𝒆 𝒗é𝒓𝒊𝒇𝒊𝒆𝒓 𝒒𝒖𝒆 ∶
𝒏

 𝜷𝟏 = 𝒛 𝒊 𝒚𝒊
𝒊=𝟏

 𝜷𝟐 = 𝒘𝒊 𝒚𝒊
𝒊=𝟏

 𝒘𝒊 = 𝟎
𝒊=𝟏

𝒏
𝟏
 𝒘𝟐𝒊 = 𝒏 𝟐
𝒊=𝟏 𝒙𝒊 − 𝒙
𝒊=𝟏

 𝒘𝒊 𝒙 𝒊 = 𝟏
𝒊=𝟏

 𝒛𝒊 = 𝟏
𝒊=𝟏

𝒏 𝒏 𝟐
𝟏 𝒙𝟐 𝒊=𝟏 𝒙𝒊
 𝒛𝟐𝒊 = + 𝒏 𝟐
= 𝒏 𝟐
𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙 𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙
𝒊=𝟏

 𝒛𝒊 𝒙𝒊 = 𝟎
𝒊=𝟏

ème
9 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒏
𝒙
 𝒛 𝒊 𝒘𝒊 = − 𝒏 𝟐
𝒊=𝟏 𝒊=𝟏 𝒙𝒊 − 𝒙

𝓪 • 𝑬𝒔𝒑é𝒓𝒂𝒏𝒄𝒆𝒔 𝒎𝒂𝒕𝒉é𝒎𝒂𝒕𝒊𝒒𝒖𝒆𝒔 ∶ 𝑵𝒐𝒖𝒔 𝒂𝒍𝒍𝒐𝒏𝒔 𝒗é𝒓𝒊𝒇𝒊𝒆𝒓 𝒒𝒖𝒆 𝜷𝟏 𝒆𝒕 𝜷𝟐 𝒔𝒐𝒏𝒕 𝒅𝒆𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔

𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝜷𝟏 𝒆𝒕 𝜷𝟐 . 𝑶𝒏 𝒂 ∶
𝒏

∎ 𝜷𝟏 = 𝒛 𝒊 𝒚𝒊
𝒊=𝟏

= 𝒛𝒊 𝜷𝟏 + 𝜷𝟐 𝒙𝒊 + 𝜺 𝒊
𝒊=𝟏

𝒏 𝒏 𝒏

= 𝜷𝟏 𝒛𝒊 + 𝜷𝟐 𝒛 𝒊 𝒙𝒊 + 𝒛𝒊 𝜺 𝒊
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝟏 𝟎

𝒏 𝒏

𝜷𝟏 = 𝜷𝟏 + 𝒛𝒊 𝜺 𝒊 ⇒ 𝑬 𝜷𝟏 = 𝑬 𝜷𝟏 + 𝒛𝒊 𝑬 𝜺 𝒊
𝒊=𝟏 𝜷𝟏 𝒊=𝟏 ∎ 𝓗𝟑 ∶ 𝟎

𝑬 𝜷𝟏 = 𝜷𝟏 𝒅𝒐𝒏𝒄 𝜷𝟏 𝒆𝒔𝒕 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝜷𝟏


𝒏

∎ 𝜷𝟐 = 𝒘𝒊 𝒚𝒊
𝒊=𝟏

= 𝒘𝒊 𝜷 𝟏 + 𝜷 𝟐 𝒙 𝒊 + 𝜺 𝒊
𝒊=𝟏

𝒏 𝒏 𝒏

= 𝜷𝟏 𝒘𝒊 + 𝜷 𝟐 𝒘𝒊 𝒙 𝒊 + 𝒘𝒊 𝜺 𝒊
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝟎 𝟏

𝒏 𝒏

𝜷𝟐 = 𝜷𝟐 + 𝒘𝒊 𝜺 𝒊 ⇒ 𝑬 𝜷 𝟐 = 𝑬 𝜷 𝟐 + 𝒘𝒊 𝑬 𝜺 𝒊
𝒊=𝟏 𝜷𝟐 𝒊=𝟏 ∎ 𝓗𝟑 ∶ 𝟎

𝑬 𝜷𝟐 = 𝜷𝟐 𝒅𝒐𝒏𝒄 𝜷𝟐 𝒆𝒔𝒕 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝜷𝟐

𝓫 • 𝑽𝒂𝒓𝒊𝒂𝒏𝒄𝒆 ∶
𝟐
𝟐
∎ 𝑽𝒂𝒓 𝜷𝟐 = 𝑬 𝜷𝟐 − 𝑬 𝜷𝟐 = 𝑬 𝜷𝟐 − 𝜷𝟐
𝜷𝟐

ème
10 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒏 𝒏 𝟐

𝑶𝒓 𝜷𝟐 − 𝜷𝟐 = 𝒘𝒊 𝜺𝒊 , 𝒅𝒐𝒏𝒄 , 𝑽𝒂𝒓 𝜷𝟐 = 𝑬 𝒘𝒊 𝜺 𝒊
𝒊=𝟏 𝒊=𝟏

Rappel de cours
Méthodes
Annexe ❷ Analyse
Quantitatives

Le symbole ∑

𝓕– 𝟏𝟖 • 𝑷𝒓𝒐𝒅𝒖𝒊𝒕𝒔 𝒅𝒆 𝒔𝒐𝒎𝒎𝒆𝒔 ∶

𝓪 • 𝑫é𝒗𝒆𝒍𝒐𝒑𝒑𝒆𝒎𝒆𝒏𝒕 𝒅′ 𝒖𝒏 𝒄𝒂𝒓𝒓é ∶ 𝑺𝒐𝒊𝒕 𝑰 = 𝒎, 𝒏 𝒖𝒏 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆 𝒅′ 𝒆𝒏𝒕𝒊𝒆𝒓𝒔.


𝒏 𝟐 𝒏 𝒏 𝒏 𝒏

𝒙𝒊 = 𝒙𝒊 𝒙𝒋 = 𝒙𝒊 𝒙𝒋 = 𝒙𝟐𝒊 + 𝒙𝒊 𝒙𝒋 = 𝒙𝟐𝒊 + 𝟐 𝒙𝒊 𝒙𝒋
𝒊=𝒎 𝒎≤𝒊,𝒋≤𝒏 𝒊=𝒎 𝒋=𝒎 𝒊=𝒎 𝒎≤𝒊,𝒋≤𝒏 𝒊=𝒎 𝒎≤𝒊<𝑗 ≤𝑛
𝒊≠𝒋

𝒏 𝟐 𝒏 𝒏−𝟏 𝒏

𝑶𝒏 𝒑𝒆𝒖𝒕 é𝒄𝒓𝒊𝒓𝒆 𝒂𝒖𝒔𝒔𝒊 ∶ 𝒙𝒊 = 𝒙𝟐𝒊 + 𝟐 𝒙𝒊 𝒙𝒋


𝒊=𝒎 𝒊=𝒎 𝒊=𝒎 𝒋=𝒊+𝟏

𝓫 • 𝑫é𝒗𝒆𝒍𝒐𝒑𝒑𝒆𝒎𝒆𝒏𝒕 𝒅′ 𝒖𝒏 𝒄𝒖𝒃𝒆 ∶
𝒏 𝟑 𝒏 𝒏 𝒏 𝒏

𝒙𝒊 = 𝒙𝒊 𝒙𝒋 𝒙𝒌 = 𝒙𝒊 𝒙𝒋 𝒙𝒌 = 𝒙𝟑𝒊 + 𝟑 𝒙𝟐𝒊 𝒙𝒋 + 𝟔 𝒙𝒊 𝒙𝒋 𝒙𝒌
𝒊=𝒎 𝒎≤𝒊,𝒋,𝒌≤𝒏 𝒊=𝒎 𝒋=𝒎 𝒌=𝒎 𝒊=𝒎 𝒊≠𝒋 𝒊<𝑗 <𝑘

𝒏 𝒏 𝒏 𝒏

𝓬• 𝒂𝒊 𝒃𝒊 𝒂𝒊 𝒄𝒊 = 𝒄𝒊 𝒃𝒊 𝒂𝟐𝒊 + 𝒂𝒊 𝒃𝒊 𝒂𝒋 𝒄𝒋
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒋≠𝒊

𝒏 𝟐 𝒏 𝒏−𝟏 𝒏

𝑨𝒊𝒏𝒔𝒊 𝒘𝒊 𝜺 𝒊 = 𝒘𝟐𝒊 𝜺𝟐𝒊 +𝟐 𝒘𝒊 𝒘𝒋 𝜺 𝒊 𝜺 𝒋


𝒊=𝟏 𝒊=𝒎 𝒊=𝒎 𝒋=𝒊+𝟏

𝒏 𝒏−𝟏 𝒏

𝑬𝒕 𝑽𝒂𝒓 𝜷𝟐 = 𝑬 𝒘𝟐𝒊 𝜺𝟐𝒊 + 𝟐 𝒘𝒊 𝒘𝒋 𝜺 𝒊 𝜺 𝒋


𝒊=𝒎 𝒊=𝒎 𝒋=𝒊+𝟏

𝒏 𝒏−𝟏 𝒏

= 𝒘𝟐𝒊 𝑬 𝜺𝟐𝒊 + 𝟐 𝒘𝒊 𝒘𝒋 𝑬 𝜺 𝒊 𝜺 𝒋
𝒊=𝒎 ∎ 𝓗𝟒 ∶ 𝝇𝟐
𝜺 𝒊=𝒎 𝒋=𝒊+𝟏 ∎ 𝓗𝟔 ∶ 𝟎

= 𝝇𝟐𝜺 𝒘𝟐𝒊
𝒊=𝒎
𝟏
𝒏 𝟐
𝒊=𝟏 𝒙𝒊 −𝒙

ème
11 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝝇𝟐𝜺
𝑽𝒂𝒓 𝜷𝟐 = 𝒏 𝟐
𝒊=𝟏 𝒙𝒊 − 𝒙

𝟐
𝟐
∎ 𝑽𝒂𝒓 𝜷𝟏 = 𝑬 𝜷𝟏 − 𝑬 𝜷𝟏 = 𝑬 𝜷𝟏 − 𝜷𝟏
𝜷𝟏

𝒏 𝒏 𝟐 𝒏 𝒏−𝟏 𝒏

𝑶𝒓 𝜷𝟏 − 𝜷𝟏 = 𝒛𝒊 𝜺𝒊 𝒆𝒕 𝒛𝒊 𝜺 𝒊 = 𝒛𝟐𝒊 𝜺𝟐𝒊 +𝟐 𝒛𝒊 𝒛𝒋 𝜺𝒊 𝜺𝒋
𝒊=𝟏 𝒊=𝟏 𝒊=𝒎 𝒊=𝒎 𝒋=𝒊+𝟏

𝒏 𝒏−𝟏 𝒏

𝒂𝒊𝒏𝒔𝒊 𝑽𝒂𝒓 𝜷𝟏 = 𝑬 𝒛𝟐𝒊 𝜺𝟐𝒊 +𝟐 𝒛𝒊 𝒛𝒋 𝜺𝒊 𝜺𝒋


𝒊=𝒎 𝒊=𝒎 𝒋=𝒊+𝟏

𝒏 𝒏−𝟏 𝒏

= 𝒛𝟐𝒊 𝑬 𝜺𝟐𝒊 +𝟐 𝒛𝒊 𝒛𝒋 𝑬 𝜺 𝒊 𝜺 𝒋
𝒊=𝒎 ∎ 𝓗𝟒 ∶ 𝝇𝟐
𝜺 𝒊=𝒎 𝒋=𝒊+𝟏 ∎ 𝓗𝟔 ∶ 𝟎

= 𝝇𝟐𝜺 𝒛𝟐𝒊
𝒊=𝒎
𝟐 𝒏 𝟐
𝟏 𝒙 𝒊=𝟏 𝒙𝒊
+ 𝒏 𝟐 =𝒏 𝒏 𝟐
𝒏 𝒊=𝟏 𝒙𝒊 −𝒙 𝒊=𝟏 𝒙𝒊 −𝒙

𝒏 𝟐
𝟏 𝒙𝟐 𝒊=𝟏 𝒙𝒊
𝑽𝒂𝒓 𝜷𝟏 = 𝝇𝟐𝜺 + 𝒏 𝟐
= 𝝇𝟐𝜺 𝒏 𝟐
𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙 𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙

𝓬 • 𝑪𝒐𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 ∶

𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐 = 𝑬 𝜷𝟏 − 𝑬 𝜷𝟏 𝜷𝟐 − 𝑬 𝜷𝟐
𝜷𝟏 𝜷𝟐

=𝑬 𝜷𝟏 − 𝜷𝟏 𝜷 𝟐 − 𝜷𝟐
𝒏 𝒛 𝜺 𝒏 𝒘 𝜺
𝒊=𝟏 𝒊 𝒊 𝒊=𝟏 𝒊 𝒊

𝒏 𝒏

=𝑬 𝒛𝒊 𝜺 𝒊 𝒘𝒊 𝜺 𝒊
𝒊=𝟏 𝒊=𝟏

𝒏 𝒏
=𝑬 𝒛𝒊 𝒘𝒊 𝜺𝟐𝒊 + 𝜺 𝒊 𝒛 𝒊 𝜺 𝒋 𝒘𝒋
𝒊=𝟏 𝒊=𝟏 𝒋≠𝒊

𝒏 𝒏
= 𝒛 𝒊 𝒘𝒊 𝑬 𝜺𝟐𝒊 + 𝒛 𝒊 𝒘𝒋 𝑬 𝜺 𝒊 𝜺 𝒋
𝒊=𝟏 ∎ 𝓗𝟒 ∶ 𝝇𝟐
𝜺 𝒊=𝟏 𝒋≠𝒊 ∎ 𝓗𝟔 ∶ 𝟎

ème
12 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒏
= 𝝇𝟐𝜺 𝒛 𝒊 𝒘𝒊
𝒊=𝟏
𝒙
− 𝒏 𝟐
𝒊=𝟏 𝒙𝒊 −𝒙

𝒙
𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐 = − 𝝇𝟐𝜺 𝒏 𝟐
𝒊=𝟏 𝒙𝒊 − 𝒙
𝒏 𝟐
𝒊=𝟏 𝒙𝒊
𝓐– 𝟔 • 𝑪𝒐𝒏𝒗𝒆𝒓𝒈𝒆𝒏𝒄𝒆 𝒆𝒏 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕é ∶ 𝑺𝒐𝒖𝒔 𝒍𝒂 𝒄𝒐𝒏𝒅𝒊𝒕𝒊𝒐𝒏 𝐥𝐢𝐦 𝒆𝒙𝒊𝒔𝒕𝒆 , 𝒐𝒏 𝒂 ∶
𝒏→+∞ 𝒏

𝐥𝐢𝐦 𝑬 𝜷𝟏 = 𝜷𝟏
𝒏→+∞ 𝒎𝒒
∎ 𝝇𝟐𝜺 𝒏𝒊=𝟏 𝒙𝟐𝒊 𝟏 ⇔ 𝜷𝟏 𝜷𝟏
𝐥𝐢𝐦 𝑽𝒂𝒓 𝜷𝟏 = 𝐥𝐢𝐦 = 𝟎 𝒏→+∞
𝒏→+∞ 𝒏→+∞ 𝑽𝒂𝒓 𝒙𝒊 𝒏𝟐
𝒑
⇒ 𝜷𝟏 𝜷𝟏
𝒏→+∞

𝐥𝐢𝐦 𝑬 𝜷𝟐 = 𝜷𝟐
𝒏→+∞ 𝒎𝒒
∎ 𝝇𝟐𝜺 𝟏 ⇔ 𝜷𝟐 𝜷𝟐
𝐥𝐢𝐦 𝑽𝒂𝒓 𝜷𝟐 = 𝐥𝐢𝐦 =𝟎 𝒏→+∞
𝒏→+∞ 𝒏→+∞ 𝑽𝒂𝒓 𝒙𝒊 𝒏

𝒑
⇒ 𝜷𝟐 𝜷𝟐
𝒏→+∞

𝓐– 𝟕 • 𝑰𝒏𝒕𝒆𝒓𝒑𝒓é𝒕𝒂𝒕𝒊𝒐𝒏 𝒎𝒂𝒕𝒓𝒊𝒄𝒊𝒆𝒍𝒍𝒆 ∶

𝑬𝒏 𝒓é𝒖𝒏𝒊𝒔𝒔𝒂𝒏𝒕 𝒕𝒐𝒖𝒕𝒆𝒔 𝒍𝒆𝒔 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏𝒔 𝒔𝒖𝒓 𝒍′ é𝒒𝒖𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 ∶ 𝒚𝒊 = 𝜷𝟏 + 𝜷𝟐 𝒙𝒊 + 𝜺𝒊 ;

𝒊 = 𝟏, 𝟐, … , 𝒏 𝑶𝒏 𝒐𝒃𝒕𝒊𝒆𝒏𝒕 ∶
𝒚𝟏 𝟏 𝒙𝟏 𝜺𝟏
𝜷𝟏
𝒀 = 𝑿 𝜷 + 𝓔 ; 𝒂𝒗𝒆𝒄 𝒀 = ⋮ , 𝑿 = ⋮ ⋮ ,𝜷 = 𝒆𝒕 𝓔 = ⋮
𝒚𝒏 𝜷𝟐 𝜺𝒏
𝒏×𝟏 𝒏×𝟐 𝟐×𝟏 𝒏×𝟏 𝟏 𝒙𝒏

Rappel de cours
Méthodes Algèbre
Annexe ❶
Quantitatives Linéaire

Dérivation matricielle-Optimisation

Exercice 11 :
𝒏

𝜷= 𝑿𝑿 ′ −𝟏 ′
𝑿 𝒀 𝒎𝒊𝒏𝒊𝒎𝒊𝒔𝒆 𝜺𝟐𝒊
𝒊=𝟏

ème
13 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒏

𝒏 𝒙𝒊
𝒊=𝟏
𝑿′ 𝑿 = 𝒏 𝒏

𝒙𝒊 𝒙𝟐𝒊
𝒊=𝟏 𝒊=𝟏

𝒏 −𝟏 𝒏 𝒏

𝒏 𝒙𝒊 𝒙𝟐𝒊 − 𝒙𝒊
𝒊=𝟏 𝟏 𝒊=𝟏 𝒊=𝟏
⇒ 𝑿′ 𝑿 −𝟏
= 𝒏 𝒏 = 𝒏 𝟐 𝒏
𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙
𝒙𝒊 𝒙𝟐𝒊 − 𝒙𝒊 𝒏
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝒏
𝟏 𝒙𝟐𝒊 𝒏 −𝒙
𝑿′ 𝑿 −𝟏
= 𝒏 𝟐
𝒊=𝟏 𝒙𝒊 − 𝒙 𝒊=𝟏
−𝒙 𝟏

𝑽𝒂𝒓 𝜷𝟏 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐
⇒ 𝝇𝟐𝜺 𝑿′ 𝑿 −𝟏
=
𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐 𝑽𝒂𝒓 𝜷𝟐

𝓐– 𝟖 • 𝑻𝒉é𝒐𝒓è𝒎𝒆 𝒅𝒆 𝑮𝒂𝒖𝒔𝒔-𝑴𝒂𝒓𝒌𝒐𝒗 ∶

𝜷𝟏 𝒆𝒕 𝜷𝟐 𝒔𝒐𝒏𝒕 𝒍𝒆𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔 𝒅𝒆 𝜷𝟏 𝒆𝒕 𝜷𝟐 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒆𝒕 𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒎𝒊𝒏𝒊𝒎𝒂𝒍𝒆 𝑬𝑺𝑩𝑽𝑴

𝒑𝒂𝒓𝒎𝒊 𝒕𝒐𝒖𝒔 𝒍𝒆𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆𝒔 (𝒒𝒖𝒊 𝒔′ é𝒄𝒓𝒊𝒗𝒆𝒏𝒕 𝒄𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒐𝒎𝒃𝒊𝒏𝒂𝒊𝒔𝒐𝒏𝒔
𝒍𝒊𝒏é𝒂𝒊𝒓𝒆𝒔 𝒅𝒆𝒔 𝒚𝒊 )

𝑺𝒐𝒊𝒕 𝜷 𝒖𝒏 𝒂𝒖𝒕𝒓𝒆 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝜷 = 𝑨𝒀 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝜷 𝒂𝒍𝒐𝒓𝒔 ∶ 𝑽𝒂𝒓 𝜷 ≥ 𝑽𝒂𝒓 𝜷

𝓐– 𝟗 • 𝑫é𝒄𝒐𝒎𝒑𝒐𝒔𝒊𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒕𝒐𝒕𝒂𝒍𝒆 𝒆𝒕 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 ∶

𝓪 • 𝑬𝒔𝒕𝒊𝒎𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 ∶

∎ 𝑳𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆𝒔 𝜺𝒊 = 𝒚𝒊 − 𝒚𝒊 = 𝒚𝒊 − 𝜷𝟏 − 𝜷𝟐 𝒙𝒊 𝒔𝒐𝒏𝒕 𝒂𝒑𝒑𝒆𝒍é𝒆𝒔 𝒍𝒆𝒔 𝒓é𝒔𝒊𝒅𝒖𝒔

𝒆𝒎𝒑𝒊𝒓𝒊𝒒𝒖𝒆𝒔
𝒏
𝟏 𝟐
∎ 𝑳𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒆𝒎𝒑𝒊𝒓𝒊𝒒𝒖𝒆 𝒃𝒊𝒂𝒊𝒔é𝒆 𝒅𝒆𝒔 𝒓é𝒔𝒊𝒅𝒖𝒔 𝒆𝒔𝒕 𝒏𝒐𝒕é𝒆 𝑺𝟐𝜺 = 𝜺𝒊 − 𝜺
𝒏
𝒊=𝟏

𝒏 𝒏 𝒏
𝟏 𝟏
𝒄𝒐𝒎𝒎𝒆 𝒐𝒏 𝒂 𝒅é𝒎𝒐𝒏𝒕𝒓é 𝒒𝒖𝒆 𝜺𝒊 = 𝟎 , 𝒅𝒐𝒏𝒄 𝜺 = 𝜺𝒊 = 𝟎 , 𝒂𝒊𝒏𝒔𝒊 𝑺𝟐𝜺 = 𝜺𝟐𝒊
𝒏 𝒏
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝒏 𝒏
𝟏 𝟏

𝒐𝒓 𝒍 𝒆𝒓𝒓𝒆𝒖𝒓 𝒒𝒖𝒂𝒅𝒓𝒂𝒕𝒊𝒒𝒖𝒆 𝒎𝒐𝒚𝒆𝒏𝒏𝒆 𝒎𝒊𝒏𝒊𝒎𝒂𝒍𝒆 𝒆𝒔𝒕 ∶ 𝜹𝟐𝒎𝒊𝒏 = 𝒚𝒊 − 𝒚𝒊 𝟐
= 𝜺𝟐𝒊
𝒏 𝒏
𝒊=𝟏 𝒊=𝟏

𝑫𝒐𝒏𝒄 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒓é𝒔𝒊𝒅𝒖𝒆𝒍𝒍𝒆 𝒏′ 𝒆𝒔𝒕 𝒓𝒊𝒆𝒏 𝒅′ 𝒂𝒖𝒕𝒓𝒆 𝒒𝒖𝒆 𝒍′ 𝒆𝒓𝒓𝒆𝒖𝒓 𝒒𝒖𝒂𝒅𝒓𝒂𝒕𝒊𝒒𝒖𝒆 𝒎𝒐𝒚𝒆𝒏𝒏𝒆

ème
14 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014

𝒎𝒊𝒏𝒊𝒎𝒂𝒍𝒆 𝒆𝒕 𝒍 𝒆𝒙𝒑𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒆𝒎𝒑𝒊𝒓𝒊𝒒𝒖𝒆 𝒃𝒊𝒂𝒊𝒔é𝒆 𝒅𝒆𝒔 𝒓é𝒔𝒊𝒅𝒖𝒔 𝒔𝒆𝒓𝒂 ∶
𝒏
𝟏 𝟐
𝑺𝟐𝜺 = 𝜺𝒊 − 𝜺 = 𝜹𝟐𝒎𝒊𝒏 = 𝑺𝟐𝒚 𝟏 − 𝝆𝟐𝒙,𝒚
𝒏
𝒊=𝟏

𝑵𝒐𝒖𝒔 𝒂𝒗𝒐𝒏𝒔 ∶ 𝜺𝒊 = 𝒚𝒊 − 𝒚𝒊

= 𝒚𝒊 − 𝜷 𝟏 − 𝜷 𝟐 𝒙 𝒊

= 𝜷𝟏 + 𝜷𝟐 𝒙𝒊 + 𝜺 𝒊 − 𝒚 − 𝜷𝟐 𝒙 − 𝜷𝟐 𝒙 𝒊

= 𝜷𝟏 + 𝜷𝟐 𝒙𝒊 + 𝜺 𝒊 − 𝜷𝟏 + 𝜷𝟐 𝒙 + 𝜺 − 𝜷𝟐 𝒙 − 𝜷𝟐 𝒙𝒊

= 𝜷𝟏 + 𝜷𝟐 𝒙𝒊 + 𝜺 𝒊 − 𝜷𝟏 − 𝜷𝟐 𝒙 − 𝜺 + 𝜷 𝟐 𝒙 − 𝜷𝟐 𝒙𝒊

= 𝜺 𝒊 − 𝜺 + 𝜷𝟐 𝒙𝒊 − 𝒙 − 𝜷𝟐 𝒙𝒊 − 𝒙

𝜺 𝒊 = 𝜺 𝒊 − 𝜺 + 𝜷𝟐 − 𝜷𝟐 𝒙𝒊 − 𝒙
𝒏 𝒏
𝟐
𝑨𝒍𝒐𝒓𝒔 𝜺𝟐𝒊 = 𝜺 𝒊 − 𝜺 + 𝜷𝟐 − 𝜷𝟐 𝒙𝒊 − 𝒙
𝒊=𝟏 𝒊=𝟏

𝒏 𝒏 𝒏
𝟐 𝟐 𝟐
= 𝜺𝒊 − 𝜺 + 𝜷𝟐 − 𝜷𝟐 𝒙𝒊 − 𝒙 + 𝟐 𝜷𝟐 − 𝜷𝟐 𝒙𝒊 − 𝒙 𝜺𝒊 − 𝜺
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝒏 𝒏 𝒏
𝟐
𝒙𝒊 − 𝒙
𝑶𝒓 𝒙𝒊 − 𝒙 𝜺𝒊 − 𝜺 = 𝒙𝒊 − 𝒙 𝒏 𝟐
𝜺𝒊 − 𝜺
𝒊=𝟏 𝒙𝒊 − 𝒙
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝒘𝒊

𝒏 𝒏
𝟐
= 𝒙𝒊 − 𝒙 𝒘𝒊 𝜺 𝒊 − 𝜺
𝒊=𝟏 𝒊=𝟏

𝒏 𝒏 𝒏
𝟐
= 𝒙𝒊 − 𝒙 𝒘𝒊 𝜺 𝒊 − 𝜺 𝒘𝒊
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝜷𝟐 −𝜷𝟐 𝟎

𝒏 𝒏
𝟐
𝒙 𝒊 − 𝒙 𝜺 𝒊 − 𝜺 = − 𝜷𝟐 − 𝜷𝟐 𝒙𝒊 − 𝒙
𝒊=𝟏 𝒊=𝟏

𝒏 𝒏 𝒏 𝒏
𝟐
𝑫𝒐𝒏𝒄 𝜺𝟐𝒊 = 𝜺𝒊 − 𝜺 𝟐
+ 𝜷𝟐 − 𝜷𝟐 𝒙𝒊 − 𝒙 𝟐
+ 𝟐 𝜷𝟐 − 𝜷𝟐 𝒙𝒊 − 𝒙 𝜺𝒊 − 𝜺
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝒏 𝟐
− 𝜷𝟐 −𝜷𝟐 𝒊=𝟏 𝒙𝒊 −𝒙

ème
15 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒏 𝒏 𝒏
𝟐 𝟐 𝟐 𝟐 𝟐
= 𝜺𝒊 − 𝜺 + 𝜷𝟐 − 𝜷𝟐 𝒙𝒊 − 𝒙 − 𝟐 𝜷𝟐 − 𝜷𝟐 𝒙𝒊 − 𝒙
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝒏 𝒏 𝒏
𝟐
𝜺𝟐𝒊 = 𝜺𝒊 − 𝜺 𝟐
− 𝜷𝟐 − 𝜷𝟐 𝒙𝒊 − 𝒙 𝟐

𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝒏 𝒏 𝒏
𝟐
𝑬 𝜺𝟐𝒊 =𝑬 𝜺𝒊 − 𝜺 𝟐
−𝑬 𝜷𝟐 − 𝜷𝟐 𝒙𝒊 − 𝒙 𝟐

𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝒏 𝒏
𝟐 𝟐 𝟐
𝑪𝒂𝒍𝒄𝒖𝒍𝒐𝒏𝒔 𝒍𝒆𝒔 𝒆𝒔𝒑é𝒓𝒂𝒏𝒄𝒆𝒔 𝒅𝒆 𝜺𝒊 − 𝜺 𝒆𝒕 𝜷𝟐 − 𝜷𝟐 𝒙𝒊 − 𝒙
𝒊=𝟏 𝒊=𝟏

𝒏 𝒏

∎ 𝑬 𝜺𝒊 − 𝜺 𝟐
=𝑬 𝜺𝟐𝒊 − 𝒏𝜺𝟐
𝒊=𝟏 𝒊=𝟏

= 𝑬 𝜺𝟐𝒊 − 𝒏𝑬 𝜺𝟐
𝒊=𝟏 ∎ 𝓗𝟒 ∶ 𝝇𝟐𝜺

𝒏
𝟐
= 𝝇𝟐𝜺 − 𝒏 𝑽𝒂𝒓 𝜺 + 𝑬 𝜺
𝒊=𝟏

𝟐
𝒏 𝒏
𝟏 𝟏
= 𝒏 𝝇𝟐𝜺 − 𝒏 𝑽𝒂𝒓 𝜺𝒊 + 𝑬 𝜺𝒊
𝒏 𝒏
𝒊=𝟏 𝒊=𝟏

𝟐
𝒏 𝒏
𝟏 𝟏
= 𝒏 𝝇𝟐𝜺 − 𝒏 𝑽𝒂𝒓 𝜺𝒊 + 𝑬 𝜺𝒊
𝒏𝟐 𝒏
𝒊=𝟏 𝒊=𝟏

𝒏 𝒏 𝟐
𝟏 𝟏
= 𝒏 𝝇𝟐𝜺 − 𝒏 𝟐 𝑽𝒂𝒓 𝜺𝒊 + 𝑬 𝜺𝒊
𝒏 𝒏
𝒊=𝟏 ∎ 𝓗𝟒 ∶ 𝑽𝒂𝒓 𝜺𝒊 =𝝇𝟐𝜺 𝒊=𝟏 ∎ 𝓗𝟑 ∶ 𝟎
∎ 𝓗𝟔 ∶𝑪𝒐𝒗 𝜺𝒊 ,𝜺𝒋 = 𝟎

𝒏
𝟏
= 𝒏 𝝇𝟐𝜺 − 𝒏 𝟐 𝝇𝟐𝜺
𝒏
𝒊=𝟏

𝒏 𝝇𝟐𝜺
= 𝒏 𝝇𝟐𝜺 − 𝒏
𝒏𝟐
𝒏
𝟐
𝑬 𝜺𝒊 − 𝜺 = 𝒏 − 𝟏 𝝇𝟐𝜺
𝒊=𝟏

ème
16 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒏 𝒏
𝟐 𝟐 𝟐 𝟐
∎ 𝑬 𝜷𝟐 − 𝜷𝟐 𝒙𝒊 − 𝒙 = 𝒙𝒊 − 𝒙 𝑬 𝜷𝟐 − 𝜷𝟐
𝒊=𝟏 𝒊=𝟏

𝒏
𝟐
𝟐
= 𝒙𝒊 − 𝒙 𝑬 𝜷𝟐 − 𝑬 𝜷𝟐
𝒊=𝟏

𝒏
𝟐
= 𝒙𝒊 − 𝒙 𝑽𝒂𝒓 𝜷𝟐
𝒊=𝟏

𝒏
𝟐
𝝇𝟐𝜺
= 𝒙𝒊 − 𝒙 𝒏 𝟐
𝒊=𝟏 𝒙𝒊 − 𝒙
𝒊=𝟏

𝒏
𝟐 𝟐
𝑬 𝜷 𝟐 − 𝜷𝟐 𝒙𝒊 − 𝒙 = 𝝇𝟐𝜺
𝒊=𝟏

𝒏 𝒏 𝒏
𝟐
𝑫′ 𝒐ù 𝑬 𝜺𝟐𝒊 = 𝑬 𝜺𝒊 − 𝜺 𝟐
−𝑬 𝜷𝟐 − 𝜷𝟐 𝒙𝒊 − 𝒙 𝟐
= 𝒏 − 𝟏 𝝇𝟐𝜺 − 𝝇𝟐𝜺
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝑬 𝜺𝟐𝒊 = 𝒏 − 𝟐 𝝇𝟐𝜺
𝒊=𝟏

𝑫𝒂𝒏𝒔 𝒍𝒆 𝒄𝒂𝒔 𝒅′ 𝒖𝒏 é𝒄𝒉𝒂𝒏𝒕𝒊𝒍𝒍𝒐𝒏, 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒆𝒎𝒑𝒊𝒓𝒊𝒒𝒖𝒆 𝒆𝒔𝒕 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒃𝒊𝒂𝒊𝒔é𝒆 𝒅𝒆 𝒍𝒂


𝒏
𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒆 𝒍′ é𝒄𝒉𝒂𝒏𝒕𝒊𝒍𝒍𝒐𝒏. 𝑷𝒐𝒖𝒓 𝒍𝒂 𝒅é𝒃𝒊𝒂𝒊𝒔𝒆𝒓, 𝒐𝒏 𝒍𝒂 𝒎𝒖𝒍𝒕𝒊𝒑𝒍𝒊𝒆 𝒑𝒂𝒓
𝒏−𝟏
𝑰𝒄𝒊, 𝒐𝒏 𝒂 𝒅𝒆𝒖𝒙 é𝒄𝒉𝒂𝒏𝒕𝒊𝒍𝒍𝒐𝒏𝒔. 𝑶𝒏 𝒑𝒆𝒖𝒕 𝒎𝒐𝒏𝒕𝒓𝒆𝒓 𝒒𝒖′ 𝒂𝒍𝒐𝒓𝒔 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒓é𝒔𝒊𝒅𝒖𝒆𝒍𝒍𝒆𝒔 𝒆𝒔𝒕 𝒖𝒏
𝒏
𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒃𝒊𝒂𝒊𝒔é𝒆 𝒅𝒆 𝝇𝟐𝜺 , 𝒆𝒕 𝒒𝒖𝒆, 𝒑𝒐𝒖𝒓 𝒍𝒂 𝒅é𝒃𝒊𝒂𝒊𝒔𝒆𝒓, 𝒊𝒍 𝒇𝒂𝒖𝒕 𝒍𝒂 𝒎𝒖𝒍𝒕𝒊𝒑𝒍𝒊𝒆𝒓 𝒑𝒂𝒓
𝒏−𝟐
𝟐 𝟐 𝟐
𝒏 𝟐
𝒊=𝟏 𝜺𝒊
𝑺𝑪𝑹 𝑺𝟐𝜺 𝜹𝒎𝒊𝒏 𝑺𝒚 𝟏 − 𝝆𝒙,𝒚
𝑫′𝒐ù 𝒇𝒊𝒏𝒂𝒍𝒆𝒎𝒆𝒏𝒕 ∶ 𝝇𝟐𝜺 = = = = =
𝒏−𝟐 𝒏−𝟐 𝒏−𝟐 𝒏−𝟐 𝒏−𝟐
𝒆𝒔𝒕 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝝇𝟐𝜺
𝒏

𝑺𝑪𝑹 = 𝜺𝟐𝒊 ∶ 𝒆𝒔𝒕 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒓é𝒔𝒊𝒅𝒖𝒆𝒍𝒔. 𝑬𝒍𝒍𝒆 𝒊𝒏𝒅𝒊𝒒𝒖𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒊𝒍𝒊𝒕é 𝒅𝒆 𝒀 𝒏𝒐𝒏
𝒊=𝟏

𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒆 𝒑𝒂𝒓 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆.

𝓫 • 𝑳’é𝒒𝒖𝒂𝒕𝒊𝒐𝒏 𝒅’𝒂𝒏𝒂𝒍𝒚𝒔𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 ∶


𝒏 𝒏 𝒏

 𝑳𝒆𝒎𝒎𝒆 ∶ 𝑺𝑪𝑹 = 𝜺𝟐𝒊 = 𝒚𝒊 − 𝒚 𝟐


− 𝜷𝟐𝟐 𝒙𝒊 − 𝒙 𝟐
= 𝒏 𝑺𝟐𝒚 − 𝜷𝟐𝟐 𝑺𝟐𝒙
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

ème
17 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒏
𝟐
∎ 𝑺𝑪𝑻 = 𝒚𝒊 − 𝒚 = 𝒏𝑺𝟐𝒚 ∶ 𝒆𝒔𝒕 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒕𝒐𝒕𝒂𝒖𝒙. 𝑬𝒍𝒍𝒆 𝒊𝒏𝒅𝒊𝒒𝒖𝒆 𝒍𝒂
𝒊=𝟏

𝒗𝒂𝒓𝒊𝒂𝒃𝒊𝒍𝒊𝒕é 𝒕𝒐𝒕𝒂𝒍𝒆 𝒅𝒆 𝒀.
𝒏 𝒏
𝟐 𝟐
∎ 𝑺𝑪𝑬 = 𝒚𝒊 − 𝒚 = 𝒚𝒊 − 𝒚 ∶ 𝒆𝒔𝒕 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒔. 𝑬𝒍𝒍𝒆 𝒊𝒏𝒅𝒊𝒒𝒖𝒆 𝒍𝒂
𝒊=𝟏 𝒊=𝟏

𝒗𝒂𝒓𝒊𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒀 𝒅𝒖𝒆 à 𝒔𝒂 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒔𝒖𝒓 𝑿.


𝒏 𝒏
𝟐
∎ 𝑺𝑪𝑹 = 𝜺𝒊 − 𝜺 = 𝜺𝟐𝒊 ∶ 𝒆𝒔𝒕 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒓é𝒔𝒊𝒅𝒖𝒆𝒍𝒔. 𝑬𝒍𝒍𝒆 𝒊𝒏𝒅𝒊𝒒𝒖𝒆 𝒍𝒂
𝒊=𝟏 𝒊=𝟏

𝒗𝒂𝒓𝒊𝒂𝒃𝒊𝒍𝒊𝒕é 𝒅𝒆 𝒀 𝒏𝒐𝒏 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒆 𝒑𝒂𝒓 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆.


𝒏 𝒏
𝟐
𝑷𝒐𝒖𝒓 𝒑𝒓𝒐𝒖𝒗𝒆𝒓 𝒒𝒖𝒆 𝑺𝑪𝑻 = 𝑺𝑪𝑬 + 𝑺𝑪𝑹 , 𝒊𝒍 𝒔𝒖𝒇𝒇𝒊𝒕 𝒅𝒆 𝒎𝒐𝒏𝒕𝒓𝒆𝒓 𝒒𝒖𝒆 𝜷𝟐𝟐 𝒙𝒊 − 𝒙 𝟐
= 𝒚𝒊 − 𝒚
𝒊=𝟏 𝒊=𝟏

𝒏 𝒏 𝒏 𝒏
𝟐 𝟐 𝟐
𝑶𝒏 𝒂 ∶ 𝒚𝒊 − 𝒚 = 𝜷 𝟏 + 𝜷𝟐 𝒙𝒊 − 𝜷𝟏 + 𝜷𝟐 𝒙 = 𝜷𝟐 𝒙𝒊 − 𝒙 = 𝜷𝟐𝟐 𝒙𝒊 − 𝒙 𝟐

𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝒏 𝒏 𝒏
𝟐
𝑺𝑪𝑬 = 𝒚𝒊 − 𝒚 = 𝜷𝟐𝟐 𝒙𝒊 − 𝒙 𝟐
= 𝒏𝜷𝟐𝟐 𝑺𝟐𝒙 = 𝜷𝟐 𝑿𝒊 − 𝑿 𝒀𝒊 − 𝒀 = 𝒏𝜷𝟐 𝑺𝒙,𝒚
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝒏
𝟐
𝑨𝒊𝒏𝒔𝒊 𝒐𝒏 𝒂 ∶ 𝑺𝑪𝑻 = 𝒚𝒊 − 𝒚 = 𝒏𝑺𝟐𝒚
𝒊=𝟏
𝒏 𝒏 𝒏

𝑺𝑪𝑹 = 𝜺𝟐𝒊 = 𝒚𝒊 − 𝒚 𝟐
− 𝜷𝟐𝟐 𝒙𝒊 − 𝒙 𝟐
= 𝒏 𝑺𝟐𝒚 − 𝜷𝟐𝟐 𝑺𝟐𝒙
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝒏 𝒏 𝒏
𝟐

𝑫 𝒐ù 𝒚𝒊 − 𝒚 𝟐
= 𝒚𝒊 − 𝒚 + 𝜺𝟐𝒊 𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 𝑺𝑪𝑻 = 𝑺𝑪𝑬 + 𝑺𝑪𝑹 𝒔𝒆𝒖𝒍𝒆𝒎𝒆𝒏𝒕 𝒑𝒐𝒖𝒓 𝜷𝟏 ≠ 𝟎
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝑺𝑪𝑻 𝑺𝑪𝑬 𝑺𝑪𝑹

𝓬 • 𝑻𝒂𝒃𝒍𝒆𝒂𝒖 𝒅′𝒂𝒏𝒂𝒍𝒚𝒔𝒆 𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 ∶

𝑺𝒐𝒖𝒓𝒄𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒊𝒍𝒊𝒕é 𝑺𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝑫𝒆𝒈𝒓é 𝒅𝒆 𝒍𝒊𝒃𝒆𝒓𝒕é 𝑪𝒂𝒓𝒓é𝒔 𝒎𝒐𝒚𝒆𝒏𝒔

𝑹é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝑺𝑪𝑬 𝟏 𝑺𝑪𝑬

𝑹é𝒔𝒊𝒅𝒖𝒔 𝑺𝑪𝑹 𝒏−𝟐 𝝇𝟐 = 𝑺𝑪𝑹 𝒏 − 𝟐

𝑻𝒐𝒕𝒂𝒍 𝑺𝑪𝑻 𝒏−𝟏 𝑺𝟐 = 𝑺𝑪𝑻 𝒏 − 𝟏

ème
18 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝓭 • 𝑪𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 ∶ 𝑳𝒂 𝒑𝒂𝒓𝒕 𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒆 𝒀 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒆 𝒑𝒂𝒓 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒆𝒔𝒕

𝒕𝒐𝒖𝒋𝒐𝒖𝒓𝒔 𝒕𝒓𝒂𝒅𝒖𝒊𝒕𝒆 𝒑𝒂𝒓 𝒍𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 ∶

𝑺𝑪𝑬 𝑺𝑪𝑹
𝑹𝟐 = =𝟏− ∈ 𝟎, 𝟏 𝒔𝒆𝒖𝒍𝒆𝒎𝒆𝒏𝒕 𝒑𝒐𝒖𝒓 𝜷𝟏 ≠ 𝟎
𝑺𝑪𝑻 𝑺𝑪𝑻

∎ 𝑷𝒍𝒖𝒔 𝒍𝒆 𝑹𝟐 𝒆𝒔𝒕 𝒑𝒓𝒐𝒄𝒉𝒆 𝒅𝒆 𝟏, 𝒎𝒆𝒊𝒍𝒍𝒆𝒖𝒓 𝒆𝒔𝒕 𝒍’𝒂𝒋𝒖𝒔𝒕𝒆𝒎𝒆𝒏𝒕, 𝒍𝒂 𝒄𝒐𝒏𝒏𝒂𝒊𝒔𝒔𝒂𝒏𝒄𝒆 𝒅𝒆𝒔 𝒗𝒂𝒍𝒆𝒖𝒓𝒔

𝒅𝒆 𝑿 𝒑𝒆𝒓𝒎𝒆𝒕 𝒅𝒆 𝒅𝒆𝒗𝒊𝒏𝒆𝒓 𝒂𝒗𝒆𝒄 𝒑𝒓é𝒄𝒊𝒔𝒊𝒐𝒏 𝒄𝒆𝒍𝒍𝒆𝒔 𝒅𝒆 𝒀.

∎ 𝑷𝒍𝒖𝒔 𝒍𝒆 𝑹𝟐 𝒆𝒔𝒕 𝒑𝒓𝒐𝒄𝒉𝒆 𝒅𝒆 𝟎, 𝒎𝒂𝒖𝒗𝒂𝒊𝒔 𝒆𝒔𝒕 𝒍’𝒂𝒋𝒖𝒔𝒕𝒆𝒎𝒆𝒏𝒕, 𝑿 𝒏’𝒂𝒑𝒑𝒐𝒓𝒕𝒆 𝒑𝒂𝒔 𝒅’𝒊𝒏𝒇𝒐𝒓𝒎𝒂𝒕𝒊𝒐𝒏𝒔

𝒖𝒕𝒊𝒍𝒆𝒔 𝒔𝒖𝒓 𝒀.

∎ 𝑰𝒍 𝒇𝒂𝒖𝒕 𝒕𝒐𝒖𝒕 𝒅𝒆 𝒎ê𝒎𝒆 𝒇𝒂𝒊𝒓𝒆 𝒂𝒕𝒕𝒆𝒏𝒕𝒊𝒐𝒏 𝒒𝒖𝒂𝒏𝒕 𝒂𝒖 𝒄𝒓é𝒅𝒊𝒕 à 𝒂𝒄𝒄𝒐𝒓𝒅𝒆𝒓 𝒂𝒖 𝑹𝟐 , 𝒊𝒍 𝒅𝒐𝒊𝒕

𝒕𝒐𝒖𝒋𝒐𝒖𝒓𝒔 ê𝒕𝒓𝒆 𝒂𝒄𝒄𝒐𝒎𝒑𝒂𝒈𝒏é 𝒅’𝒂𝒖𝒕𝒓𝒆𝒔 𝒕𝒆𝒔𝒕𝒔 𝑺𝒕𝒖𝒅𝒆𝒏𝒕 𝒆𝒕 𝑭𝒊𝒔𝒉𝒆𝒓 𝒆𝒔𝒔𝒆𝒏𝒕𝒊𝒆𝒍𝒍𝒆𝒎𝒆𝒏𝒕 𝒂𝒗𝒂𝒏𝒕 𝒅𝒆

𝒕𝒓𝒂𝒏𝒄𝒉𝒆𝒓 𝒔𝒖𝒓 𝒔𝒖𝒓 𝒍𝒂 𝒃𝒐𝒏𝒕é 𝒅’𝒖𝒏 𝒎𝒐𝒅è𝒍𝒆, 𝒎𝒂𝒊𝒔 𝒊𝒍 𝒓𝒆𝒔𝒕𝒆 𝒖𝒏 𝒄𝒓𝒊𝒕è𝒓𝒆 𝒏𝒐𝒏 𝒏é𝒈𝒍𝒊𝒈𝒆𝒂𝒃𝒍𝒆 𝒑𝒐𝒖𝒓 𝒍𝒂

𝒑𝒓é𝒗𝒊𝒔𝒊𝒐𝒏.

∎ 𝑳𝒆𝒔 𝒓é𝒔𝒖𝒍𝒕𝒂𝒕𝒔 𝒑𝒓é𝒄é𝒅𝒆𝒏𝒕𝒆𝒔 𝒏𝒆 𝒔𝒐𝒏𝒕 𝒑𝒂𝒔 𝒏é𝒄𝒆𝒔𝒔𝒂𝒊𝒓𝒆𝒎𝒆𝒏𝒕 𝒗𝒂𝒍𝒂𝒃𝒍𝒆𝒔 𝒅è𝒔 𝒒𝒖′ 𝒊𝒍𝒔′ 𝒂𝒈𝒊𝒕 𝒅′ 𝒖𝒏
𝒏

𝒎𝒐𝒅è𝒍𝒆 𝒔𝒂𝒏𝒔 𝒕𝒆𝒓𝒎𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕 𝜷𝟏 . 𝑬𝒏 𝒆𝒇𝒇𝒆𝒕 , 𝒐𝒏 𝒂 𝒑𝒆𝒖𝒕 𝒂𝒗𝒐𝒊𝒓 𝜺𝒊 ≠ 𝟎 , 𝒄𝒐𝒎𝒎𝒆 𝒐𝒏 𝒑𝒆𝒖𝒕


𝒊=𝟏

𝒂𝒗𝒐𝒊𝒓 𝑺𝑪𝑻 ≠ 𝑺𝑪𝑬 + 𝑺𝑪𝑹 𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 𝑹𝟐 ∉ 𝟎, 𝟏

∎ 𝑴𝒆𝒏𝒕𝒊𝒐𝒏𝒏𝒐𝒏𝒔 𝒅è𝒔 à 𝒑𝒓é𝒔𝒆𝒏𝒕 𝒖𝒏𝒆 𝒊𝒏𝒕𝒆𝒓𝒑𝒓é𝒕𝒂𝒕𝒊𝒐𝒏 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆 𝒅𝒆 𝑹𝟐 . 𝑵𝒐𝒖𝒔 𝒅é𝒎𝒐𝒏𝒕𝒓𝒐𝒏𝒔,

𝒆𝒏 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒎𝒖𝒍𝒕𝒊𝒑𝒍𝒆 , 𝒒𝒖𝒆 𝒔𝒊 𝜷𝟐 = 𝟎 , 𝒂𝒍𝒐𝒓𝒔,

𝒏 − 𝟐 𝑹𝟐 𝒏 − 𝟐 𝑹𝟐
↝ 𝓕 𝟏, 𝒏 − 𝟐 𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 ↝𝓣 𝒏−𝟐
𝟏 − 𝑹𝟐 𝟏 − 𝑹𝟐

𝒏 − 𝟐 𝑹𝟐
𝟐
𝑨𝒗𝒆𝒄 𝒖𝒏 𝒔𝒆𝒖𝒊𝒍 𝒅𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝜶 , 𝒍𝒆 𝑹 𝒔𝒆𝒓𝒂 𝒅𝒐𝒏𝒄 𝒃𝒐𝒏 𝒔𝒊 ∶ > 𝒕𝟐𝟏−𝜶 𝒏 − 𝟐
𝟏 − 𝑹𝟐 𝒐𝒃𝒔 𝟐

ème
19 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝑨𝒖 𝒎𝒆𝒊𝒍𝒍𝒆𝒖𝒓 𝒅𝒆𝒔 𝒄𝒂𝒔 𝑨𝒖 𝒑𝒊𝒓𝒆 𝒅𝒆𝒔 𝒄𝒂𝒔

𝑺𝑪𝑹 = 𝟎 𝑺𝑪𝑬 = 𝟎

𝑺𝑪𝑻 = 𝑺𝑪𝑬 𝑺𝑪𝑻 = 𝑺𝑪𝑹

𝑹𝟐 = 𝟏 𝑹𝟐 = 𝟎

𝑳𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒆𝒔𝒕 𝒑𝒂𝒓𝒇𝒂𝒊𝒕, 𝒍𝒂 𝒅𝒓𝒐𝒊𝒕𝒆 𝒅𝒆 𝑳𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒆𝒔𝒕 𝒎𝒂𝒖𝒗𝒂𝒊𝒔, 𝒍𝒂 𝒎𝒆𝒊𝒍𝒍𝒆𝒖𝒓𝒆

𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒑𝒂𝒔𝒔𝒆 𝒑𝒂𝒓 𝒕𝒐𝒖𝒔 𝒍𝒆𝒔 𝒑𝒐𝒊𝒏𝒕𝒔 𝒅𝒖 𝒏𝒖𝒂𝒈𝒆. 𝒑𝒓é𝒅𝒊𝒄𝒕𝒊𝒐𝒏 𝒅𝒆 𝒀 𝒆𝒔𝒕 𝒔𝒂 𝒑𝒓𝒐𝒑𝒓𝒆 𝒎𝒐𝒚𝒆𝒏𝒏𝒆.

𝓮 • 𝑪𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 𝒄𝒐𝒓𝒓𝒊𝒈é 𝒐𝒖 𝒂𝒋𝒖𝒔𝒕é: 𝑳𝒆 𝑹𝟐 𝒆𝒔𝒕 𝒖𝒏 𝒊𝒏𝒅𝒊𝒄𝒂𝒕𝒆𝒖𝒓 𝒅𝒆 𝒒𝒖𝒂𝒍𝒊𝒕é,

𝒎𝒂𝒊𝒔 𝒊𝒍 𝒑𝒓é𝒔𝒆𝒏𝒕𝒆 𝒖𝒏 𝒅é𝒇𝒂𝒖𝒕 𝒆𝒏𝒏𝒖𝒚𝒆𝒖𝒙 ∶ 𝒑𝒍𝒖𝒔 𝒏𝒐𝒖𝒔 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒐𝒏𝒔 𝒍𝒆 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔

𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒔, 𝒎ê𝒎𝒆 𝒏𝒐𝒏 𝒑𝒆𝒓𝒕𝒊𝒏𝒆𝒏𝒕𝒆𝒔, 𝒏′ 𝒂𝒚𝒂𝒏𝒕 𝒂𝒖𝒄𝒖𝒏 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 𝒂𝒗𝒆𝒄 𝒍𝒆 𝒑𝒓𝒐𝒃𝒍è𝒎𝒆 𝒒𝒖𝒆 𝒍′ 𝒐𝒏

𝒄𝒉𝒆𝒓𝒄𝒉𝒆 à 𝒓é𝒔𝒐𝒖𝒅𝒓𝒆, 𝒑𝒍𝒖𝒔 𝒈𝒓𝒂𝒏𝒅𝒆 𝒔𝒆𝒓𝒂 𝒔𝒂 𝒗𝒂𝒍𝒆𝒖𝒓.

𝑺𝑪𝑹 𝒏 − 𝒌 𝒏−𝟏
𝑹𝟐 = 𝟏 − =𝟏− 𝟏 − 𝑹𝟐
𝑺𝑪𝑻 𝒏 − 𝟏 𝒏−𝒌

𝑹𝟐 < 𝑹𝟐 𝒆𝒕 𝒔𝒊 𝒏 ≫ ⇒ 𝑹𝟐 ≈ 𝑹𝟐

𝑬𝒏 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒏𝒕 𝒍𝒆 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅′ 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒔, 𝒏𝒐𝒖𝒔 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒐𝒏𝒔 𝒅𝒆 𝒎𝒂𝒏𝒊è𝒓𝒆 𝒎é𝒄𝒂𝒏𝒊𝒒𝒖𝒆 𝒍𝒂

𝒗𝒂𝒍𝒆𝒖𝒓 𝒅𝒖 𝑹𝟐 𝒎𝒂𝒊𝒔, 𝒅𝒂𝒏𝒔 𝒍𝒆 𝒎ê𝒎𝒆 𝒕𝒆𝒎𝒑𝒔, 𝒏𝒐𝒖𝒔 𝒅𝒊𝒎𝒊𝒏𝒖𝒐𝒏𝒔 𝒍𝒆 𝒅𝒆𝒈𝒓é 𝒅𝒆 𝒍𝒊𝒃𝒆𝒓𝒕é. 𝑰𝒍 𝒇𝒂𝒖𝒅𝒓𝒂𝒊𝒕

𝒅𝒐𝒏𝒄 𝒊𝒏𝒕é𝒈𝒓𝒆𝒓 𝒄𝒆𝒕𝒕𝒆 𝒅𝒆𝒓𝒏𝒊è𝒓𝒆 𝒏𝒐𝒕𝒊𝒐𝒏 𝒑𝒐𝒖𝒓 𝒄𝒐𝒏𝒕𝒓𝒆𝒄𝒂𝒓𝒓𝒆𝒓 𝒍′ é𝒗𝒐𝒍𝒖𝒕𝒊𝒐𝒏 𝒅𝒖 𝑹𝟐 .

𝑪′ 𝒆𝒔𝒕 𝒆𝒙𝒂𝒄𝒕𝒆𝒎𝒆𝒏𝒕 𝒄𝒆 𝒒𝒖𝒆 𝒇𝒂𝒊𝒕-𝒍𝒆 𝑹𝟐 -𝒂𝒋𝒖𝒔𝒕é 𝒐𝒖 𝑹𝟐 -𝒄𝒐𝒓𝒓𝒊𝒈é

𝑳𝒆 𝑹 𝟐 𝒆𝒏 𝒕𝒂𝒏𝒕 𝒒𝒖𝒆 𝒕𝒆𝒍 𝒏′ 𝒆𝒔𝒕 𝒑𝒂𝒔 𝒅′ 𝒖𝒏𝒆 𝒈𝒓𝒂𝒏𝒅𝒆 𝒖𝒕𝒊𝒍𝒊𝒕é. 𝑺𝒐𝒏 𝒑𝒓𝒊𝒏𝒄𝒊𝒑𝒂𝒍 𝒂𝒗𝒂𝒏𝒕𝒂𝒈𝒆 𝒆𝒔𝒕 𝒒𝒖′ 𝒊𝒍

𝒑𝒆𝒓𝒎𝒆𝒕 𝒅𝒆 𝒄𝒐𝒎𝒑𝒂𝒓𝒆𝒓 𝒅𝒆𝒔 𝒎𝒐𝒅è𝒍𝒆𝒔 𝒊𝒎𝒃𝒓𝒊𝒒𝒖é𝒔.

𝓯 • 𝑹𝒆𝒍𝒂𝒕𝒊𝒐𝒏 𝒆𝒏𝒕𝒓𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝝆𝒙,𝒚 𝒆𝒕 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 𝑹𝟐 ∶

𝑷𝒐𝒖𝒓 𝒖𝒏𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒔𝒊𝒎𝒑𝒍𝒆, 𝒆𝒕 𝒔𝒆𝒖𝒍𝒆𝒎𝒆𝒏𝒕 𝒅𝒂𝒏𝒔 𝒄𝒆 𝒄𝒂𝒔, 𝒍𝒆 𝑹𝟐 𝒏′ 𝒆𝒔𝒕 𝒓𝒊𝒆𝒏 𝒅’𝒂𝒖𝒕𝒓𝒆

𝒒𝒖𝒆 𝒍𝒆 𝒄𝒂𝒓𝒓é 𝒅𝒖 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏

𝟏 𝟐 𝒏
𝑺𝒚 𝑺 𝟐
𝜷 𝟐 𝟐
𝑺 𝜷𝟐 𝒊=𝟏 𝒙𝒊 − 𝒙 𝟐 𝜷𝟐𝟐 𝒏𝒊=𝟏 𝒙𝒊 − 𝒙 𝟐
𝟐 𝒚 𝟐 𝟐 𝟐 𝒙 𝟐
𝜷𝟐 = 𝝆𝒙,𝒚 ⇒ 𝜷𝟐 = 𝟐 𝝆𝒙,𝒚 ⇒ 𝝆𝒙,𝒚 = 𝟐 ⇒ 𝝆𝒙,𝒚 = 𝒏 ⇒ 𝝆𝟐𝒙,𝒚 =
𝑺𝒙 𝑺𝒙 𝑺𝒚 𝟏 𝒏 𝟐
𝒏
𝒊=𝟏 𝒚𝒊 − 𝒚
𝟐
𝒚 𝒊 − 𝒚
𝒏 𝒊=𝟏

𝑺𝑪𝑬
⇒ 𝝆𝟐𝒙,𝒚 =
𝑺𝑪𝑻
𝝆𝟐𝒙,𝒚 = 𝑹𝟐

ème
20 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝑷𝒂𝒓 𝒄𝒐𝒏𝒔é𝒒𝒖𝒆𝒏𝒕 ∶ 𝝆𝒙,𝒚 = 𝒔𝒊𝒈𝒏𝒆 𝜷𝟐 𝑹𝟐

𝓰 • 𝑺𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒅𝒖 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 ∶ 𝑳𝒆 𝒕𝒓𝒂𝒗𝒂𝒊𝒍 𝒅’𝒊𝒏𝒕𝒆𝒓𝒑𝒓é𝒕𝒂𝒕𝒊𝒐𝒏 𝒅’𝒖𝒏

𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒔𝒆 𝒇𝒂𝒊𝒕 𝒕𝒐𝒖𝒋𝒐𝒖𝒓𝒔 𝒆𝒏 𝒅𝒆𝒖𝒙 𝒕𝒆𝒎𝒑𝒔 ∶ 𝒖𝒏𝒆 𝒊𝒏𝒕𝒆𝒓𝒑𝒓é𝒕𝒂𝒕𝒊𝒐𝒏

𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 𝒂𝒖 𝒔𝒊𝒈𝒏𝒆 𝒔𝒆𝒏𝒔 𝒅𝒆 𝒍𝒂 𝒍𝒊𝒂𝒊𝒔𝒐𝒏 𝒆𝒕 𝒖𝒏𝒆 𝒊𝒏𝒕𝒆𝒓𝒑𝒓é𝒕𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 𝒂𝒖 𝒅𝒆𝒈𝒓é 𝒅𝒆

𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒄𝒆.

∎ 𝑺𝒊 𝝆𝒙,𝒚 > 0 , 𝑋 𝑒𝑡 𝑌 𝑠𝑜𝑛𝑡 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒𝑚𝑒𝑛𝑡

𝒄𝒐𝒓𝒓é𝒍é𝒆𝒔 𝒍𝒂 𝒓𝒆𝒍𝒂𝒕𝒊𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒆𝒏𝒕𝒓𝒆 𝑿 𝒆𝒕 𝒀 𝒆𝒔𝒕 𝒑𝒐𝒔𝒊𝒕𝒊𝒗𝒆

∎ 𝑺𝒊 𝝆𝒙,𝒚 < 0 , 𝑋 𝑒𝑡 𝑌 𝑠𝑜𝑛𝑡 𝑛é𝑔𝑎𝑡𝑖𝑣𝑒𝑚𝑒𝑛𝑡


𝑰𝒏𝒕𝒆𝒓𝒑𝒓é𝒕𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 𝒂𝒖 𝒔𝒊𝒈𝒏𝒆
𝒄𝒐𝒓𝒓é𝒍é𝒆𝒔 𝒍𝒂 𝒓𝒆𝒍𝒂𝒕𝒊𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒆𝒏𝒕𝒓𝒆 𝑿 𝒆𝒕 𝒀 𝒆𝒔𝒕 𝒏é𝒈𝒂𝒕𝒊𝒗𝒆

∎ 𝑺𝒊 𝝆𝒙,𝒚 = 𝟎 , 𝑿 𝒆𝒕 𝒀 𝒔𝒐𝒏𝒕 𝒏𝒐𝒏 𝒄𝒐𝒓𝒓é𝒍é𝒆𝒔

𝒑𝒂𝒔 𝒅𝒆 𝒍𝒊𝒂𝒊𝒔𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆, 𝒎𝒂𝒊𝒔 𝒑𝒐𝒔𝒔𝒊𝒃𝒊𝒍𝒊𝒕é 𝒅’𝒖𝒏𝒆 𝒍𝒊𝒂𝒊𝒔𝒐𝒏


𝒅’𝒖𝒏 𝒂𝒖𝒕𝒓𝒆 𝒕𝒚𝒑𝒆

∎ 𝑺𝒊 𝝆𝒙,𝒚 = ±𝟏 , 𝒍𝒆 𝒍𝒊𝒆𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒆𝒏𝒕𝒓𝒆

𝑿 𝒆𝒕 𝒀 𝒆𝒔𝒕 𝒑𝒂𝒓𝒇𝒂𝒊𝒕. 𝑫𝒂𝒏𝒔 𝒄𝒆 𝒄𝒂𝒔, 𝒍’𝒖𝒏𝒆 𝐝𝐞𝐬

𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒔𝒕 𝒇𝒐𝒏𝒄𝒕𝒊𝒐𝒏 𝒂𝒇𝒇𝒊𝒏𝒆 𝒅𝒆 𝒍’𝒂𝒖𝒕𝒓𝒆,

𝒍𝒆𝒔 𝒏 𝒑𝒐𝒊𝒏𝒕𝒔 𝒙𝒊 , 𝒚𝒊 𝒔𝒐𝒏𝒕 𝒂𝒍𝒊𝒈𝒏é𝒔.

∎ 𝑺𝒊 𝟎, 𝟖 < 𝝆𝒙,𝒚 < 1 , 𝑙𝑒 𝑙𝑖𝑒𝑛 𝑙𝑖𝑛é𝑎𝑖𝑟𝑒 𝑒𝑠𝑡

𝒕𝒓è𝒔 𝒇𝒐𝒓𝒕.

∎ 𝑺𝒊 𝟎, 𝟔𝟓 < 𝝆𝒙,𝒚 < 0,8, 𝑙𝑒 𝑙𝑖𝑒𝑛 𝑙𝑖𝑛é𝑎𝑖𝑟𝑒

𝒆𝒔𝒕 𝒇𝒐𝒓𝒕 é𝒍𝒆𝒗é


𝑰𝒏𝒕𝒆𝒓𝒑𝒓é𝒕𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 à 𝒍’𝒊𝒏𝒕𝒆𝒏𝒔𝒊𝒕é
∎ 𝑺𝒊 𝟎, 𝟓 < 𝝆𝒙,𝒚 < 0,65 , 𝑙𝑒 𝑙𝑖𝑒𝑛 𝑙𝑖𝑛é𝑎𝑖𝑟𝑒

𝒆𝒔𝒕 𝒎𝒐𝒅é𝒓é

∎ 𝑺𝒊 𝟎, 𝟐𝟓 < 𝝆𝒙,𝒚 < 0,5 , 𝑙𝑒 𝑙𝑖𝑒𝑛 𝑙𝑖𝑛é𝑎𝑖𝑟𝑒

𝒆𝒔𝒕 𝒇𝒂𝒊𝒃𝒍𝒆.

∎ 𝑺𝒊 𝟎, 𝟎𝟐𝟓 < 𝝆𝒙,𝒚 < 0,25 , 𝑙𝑒 𝑙𝑖𝑒𝑛

𝒍𝒊𝒏é𝒂𝒊𝒓𝒆𝒆𝒔𝒕 𝒕𝒓è𝒔 𝒇𝒂𝒊𝒃𝒍𝒆

∎ 𝑺𝒊 𝝆𝒙,𝒚 , 𝒑𝒓𝒐𝒄𝒉𝒆 𝒅𝒆 𝟎, 𝒂𝒍𝒐𝒓𝒔 𝒊𝒍 𝒚 𝒂

𝒂𝒃𝒔𝒆𝒏𝒄𝒆 𝒅𝒆 𝒍𝒊𝒆𝒏 𝒆𝒏𝒕𝒓𝒆 𝑿 𝒆𝒕 𝒀

ème
21 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝓐– 𝟏𝟎 • 𝑰𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆𝒔 𝒅𝒆 𝒄𝒐𝒏𝒇𝒊𝒂𝒏𝒄𝒆 𝒆𝒕 𝑻𝒆𝒔𝒕𝒔 𝒅𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒊𝒕é ∶

𝓪 • 𝑽𝒂𝒓𝒊𝒂𝒏𝒄𝒆𝒔 𝒆𝒕 𝒄𝒐𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒆𝒔𝒕𝒊𝒎é𝒆𝒔 𝒅𝒆𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔 𝒅𝒆𝒔 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔 ∶

𝑺𝑪𝑹
𝝇𝟐𝜺 =
𝒏−𝟐 𝟏 𝒙𝟐
∎ 𝟏 𝒙𝟐 ⇒ 𝝇𝟐𝜷𝟏 = 𝝇𝟐𝜺 + 𝒏 𝟐
𝒏 𝒙𝒊 − 𝒙
𝝇𝟐𝜷𝟏 = 𝝇𝟐𝜺 + 𝒏 𝟐
𝒊=𝟏
𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙

𝑺𝑪𝑹
𝝇𝟐𝜺 =
𝒏−𝟐 𝝇𝟐𝜺
∎ ⇒ 𝝇𝟐𝜷𝟐 =
𝝇𝟐𝜺 𝒏
𝒙𝒊 − 𝒙 𝟐
𝝇𝟐𝜷𝟐 = 𝒏 𝟐
𝒊=𝟏
𝒊=𝟏 𝒙𝒊 − 𝒙

𝑺𝑪𝑹
𝝇𝟐𝜺 =
𝒏−𝟐 𝒙
∎ 𝒙 ⇒ 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐 = −𝝇𝟐𝜺 𝒏 𝟐
𝒙𝒊 − 𝒙
𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐 = − 𝝇𝟐𝜺 𝒏 𝟐
𝒊=𝟏
𝒊=𝟏 𝒙𝒊 − 𝒙

𝓫 • 𝑫𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒕𝒊𝒐𝒏𝒔 𝒅𝒆𝒔 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆𝒔 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏 ∶

𝑺𝒐𝒖𝒔 𝒍′ 𝒉𝒚𝒑𝒐𝒚𝒉è𝒔𝒆 𝒅𝒆 𝒍𝒂 𝒏𝒐𝒓𝒎𝒂𝒍𝒊𝒕é 𝓗𝟕 : 𝜺𝒊 ↝ 𝓝 𝟎, 𝝇𝟐𝜺 , 𝒏𝒐𝒖𝒔 𝒂𝒖𝒓𝒐𝒏𝒔 ∶


𝒏

𝜷𝟏 = 𝜷𝟏 + 𝒛𝒊 𝜺 𝒊
𝒊=𝟏 𝜷𝟏 − 𝜷𝟏
∎ 𝑬 𝜷𝟏 = 𝜷𝟏 ⇒ 𝜷𝟏 ↝ 𝓝 𝜷𝟏 , 𝝇𝟐𝜷𝟏 ⇒ ↝ 𝓝 𝟎, 𝟏
𝝇𝜷𝟏
𝟏 𝒙𝟐
𝑽𝒂𝒓 𝜷𝟏 = 𝝇𝟐𝜷𝟏 = 𝝇𝟐𝜺 + 𝒏 𝟐
𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙

𝑺𝑪𝑹
𝑬𝒏 𝒑𝒓𝒂𝒕𝒊𝒒𝒖𝒆 𝝇𝟐𝜺 𝒆𝒔𝒕 𝒊𝒏𝒄𝒐𝒏𝒏𝒖𝒆, 𝒆𝒏 𝒍𝒂 𝒓𝒆𝒎𝒑𝒍𝒂ç𝒂𝒏𝒕 𝒑𝒂𝒓 𝒔𝒐𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒏𝒐𝒏 𝒃𝒊𝒂𝒊𝒔é 𝝇𝟐𝜺 = ,
𝒏−𝟐

𝟏 𝒙𝟐
𝒐𝒏 𝒐𝒃𝒕𝒊𝒆𝒏𝒕 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝝇𝟐𝜷𝟏 𝒒𝒖𝒊 𝒔𝒆𝒓𝒂 ∶ 𝝇𝟐𝜷𝟏 = 𝝇𝟐𝜺 + 𝒏 𝟐
𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙
𝟐
𝜷𝟏 − 𝜷𝟏 𝜷𝟏 − 𝜷𝟏
𝑨𝒊𝒏𝒔𝒊 ↝ 𝓣 𝒏 − 𝟐 𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 ↝ 𝓕 𝟏, 𝒏 − 𝟐 ,
𝝇𝜷𝟏 𝝇𝟐𝜷
𝟏

𝒏 − 𝟐 𝝇𝟐𝜺 𝒏 − 𝟐 𝝇𝟐𝜷𝟏
𝒅𝒖 𝒇𝒂𝒊𝒕 𝒒𝒖𝒆 ∶ = ↝ 𝝌𝟐 𝒏 − 𝟐
𝝇𝟐𝜺 𝝇𝟐𝜷
𝟏

𝜷𝟐 = 𝜷𝟐 + 𝒘𝒊 𝜺 𝒊
𝒊=𝟏 𝜷𝟐 − 𝜷𝟐
∎ 𝑬 𝜷𝟐 = 𝜷𝟐 ⇒ 𝜷𝟐 ↝ 𝓝 𝜷𝟐 , 𝝇𝟐𝜷𝟐 ⇒ ↝ 𝓝 𝟎, 𝟏
𝝇𝜷𝟐
𝝇𝟐𝜺
𝑽𝒂𝒓 𝜷𝟐 = 𝝇𝟐𝜷𝟐 = 𝒏 𝟐
𝒊=𝟏 𝒙𝒊 − 𝒙

ème
22 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝑺𝑪𝑹
𝑬𝒏 𝒑𝒓𝒂𝒕𝒊𝒒𝒖𝒆 𝝇𝟐𝜺 𝒆𝒔𝒕 𝒊𝒏𝒄𝒐𝒏𝒏𝒖𝒆, 𝒆𝒏 𝒍𝒂 𝒓𝒆𝒎𝒑𝒍𝒂ç𝒂𝒏𝒕 𝒑𝒂𝒓 𝒔𝒐𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒏𝒐𝒏 𝒃𝒊𝒂𝒊𝒔é 𝝇𝟐𝜺 = ,
𝒏−𝟐

𝝇𝟐𝜺
𝒐𝒏 𝒐𝒃𝒕𝒊𝒆𝒏𝒕 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝝇𝟐𝜷𝟐 𝒒𝒖𝒊 𝒔𝒆𝒓𝒂 ∶ 𝝇𝟐𝜷𝟐 = 𝒏 𝟐
𝒊=𝟏 𝒙𝒊 − 𝒙
𝟐
𝜷𝟐 − 𝜷𝟐 𝜷𝟐 − 𝜷𝟐
𝑨𝒊𝒏𝒔𝒊 ↝ 𝓣 𝒏 − 𝟐 𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 ↝ 𝓕 𝟏, 𝒏 − 𝟐 ,
𝝇𝜷𝟐 𝝇𝟐𝜷
𝟐

𝒏 − 𝟐 𝝇𝟐𝜺 𝒏 − 𝟐 𝝇𝟐𝜷𝟐
𝒅𝒖 𝒇𝒂𝒊𝒕 𝒒𝒖𝒆 ∶ = ↝ 𝝌𝟐 𝒏 − 𝟐
𝝇𝟐𝜺 𝝇𝟐𝜷
𝟐

𝑺𝑪𝑬 𝟏 𝑹𝟐 𝟏
∎ 𝑶𝒏 𝒅é𝒎𝒐𝒏𝒕𝒓𝒆 𝒂𝒖𝒔𝒔𝒊 𝒒𝒖𝒆 = ↝ 𝓕 𝟏, 𝒏 − 𝟐
𝑺𝑪𝑹 𝒏 − 𝟐 𝟏 − 𝑹𝟐 𝒏 − 𝟐

𝓬 • 𝑰𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆𝒔 𝒅𝒆 𝒄𝒐𝒏𝒇𝒊𝒂𝒏𝒄𝒆 ∶

 𝑰𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆 𝒅𝒆 𝒄𝒐𝒏𝒇𝒊𝒂𝒏𝒄𝒆 𝒅𝒆 𝒔𝒆𝒖𝒊𝒍 𝜶 𝒑𝒐𝒖𝒓 𝜷𝟏 : 𝑰𝑪𝟏−𝜶 𝜷𝟏 = 𝜷𝟏 ± 𝒕𝟏−𝜶 𝒏 − 𝟐 𝝇𝜷𝟏


𝟐

 𝑰𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆 𝒅𝒆 𝒄𝒐𝒏𝒇𝒊𝒂𝒏𝒄𝒆 𝒅𝒆 𝒔𝒆𝒖𝒊𝒍 𝜶 𝒑𝒐𝒖𝒓 𝜷𝟐 : 𝑰𝑪𝟏−𝜶 𝜷𝟐 = 𝜷𝟐 ± 𝒕𝟏−𝜶 𝒏 − 𝟐 𝝇𝜷𝟐


𝟐

𝒏 − 𝟐 𝝇𝟐𝜺 𝒏 − 𝟐 𝝇𝟐𝜺
 𝑰𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆 𝒅𝒆 𝒄𝒐𝒏𝒇𝒊𝒂𝒏𝒄𝒆 𝒅𝒆 𝒔𝒆𝒖𝒊𝒍 𝜶 𝒑𝒐𝒖𝒓 𝝇𝟐𝜺 : 𝑰𝑪𝟏−𝜶 𝝇𝟐𝜺 = ,
𝝌𝟐𝟏−𝜶 𝒏 − 𝟐 𝝌𝟐𝜶 𝒏 − 𝟐
𝟐 𝟐

𝓭 • 𝑻𝒆𝒔𝒕𝒔 𝒔𝒖𝒓 𝒍𝒆𝒔 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖𝒆𝒍𝒔 ∶

𝑯𝟎 ∶ 𝜷𝒋 = 𝜷𝟎𝒋 𝜷𝒋 − 𝜷𝟎𝒋
𝑷𝒐𝒖𝒓 𝒕𝒆𝒔𝒕𝒆𝒓 ∶ 𝒄𝒐𝒏𝒕𝒓𝒆 , 𝑶𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝑯𝟎 𝒔𝒊 > 𝒕𝟏−𝜶 𝒏 − 𝟐 ; 𝒋 ∈ 𝟏, 𝟐
𝟎 𝝇𝜷𝒋 𝟐
𝑯𝟏 ∶ 𝜷 𝒋 ≠ 𝜷 𝒋

𝑯𝟎 ∶ 𝜷𝒋 = 𝜷𝟎𝒋 𝜷𝒋 − 𝜷𝟎𝒋
𝑷𝒐𝒖𝒓 𝒕𝒆𝒔𝒕𝒆𝒓 ∶ 𝒄𝒐𝒏𝒕𝒓𝒆 , 𝑶𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝑯𝟎 𝒔𝒊 > 𝒕𝟏−𝜶 𝒏 − 𝟐 ; 𝒋 ∈ 𝟏, 𝟐
𝝇𝜷𝒋
𝑯𝟏 ∶ 𝜷𝒋 > 𝜷𝟎𝒋

𝑯𝟎 ∶ 𝜷𝒋 = 𝜷𝟎𝒋 𝜷𝒋 − 𝜷𝟎𝒋
𝑷𝒐𝒖𝒓 𝒕𝒆𝒔𝒕𝒆𝒓 ∶ 𝒄𝒐𝒏𝒕𝒓𝒆 , 𝑶𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝑯𝟎 𝒔𝒊 < 𝒕𝜶 𝒏 − 𝟐 ; 𝒋 ∈ 𝟏, 𝟐
𝝇𝜷𝒋
𝑯𝟏 ∶ 𝜷𝒋 < 𝜷𝟎𝒋

 𝑻𝒆𝒔𝒕 𝒅𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒊𝒕é 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖𝒆𝒍𝒍𝒆 ∶ 𝑳𝒆𝒔 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 𝒅𝒖 𝒕𝒆𝒔𝒕 𝒔𝒐𝒏𝒕 ∶

𝑯𝟎 ∶ 𝜷𝒋 = 𝟎 𝒍𝒆 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆 𝒆𝒔𝒕 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆𝒎𝒆𝒏𝒕 𝒏𝒖𝒍, 𝒏𝒐𝒏 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒇


𝒄𝒐𝒏𝒕𝒓𝒆 ; 𝒋 ∈ 𝟏, 𝟐
𝑯𝟏 ∶ 𝜷𝒋 ≠ 𝟎 𝒍𝒆 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆 𝒆𝒔𝒕 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆𝒎𝒆𝒏𝒕 𝒏𝒐𝒏 𝒏𝒖𝒍, 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒇

𝜷𝒋
𝑶𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝑯𝟎 𝒔𝒊 𝒕𝜷𝒋 > 𝒕𝟏−𝜶 𝒏 − 𝟐 𝒂𝒗𝒆𝒄 𝒕𝜷𝒋 = 𝒍𝒆 𝒕-𝒓𝒂𝒕𝒊𝒐 𝒅𝒆 𝑺𝒕𝒖𝒅𝒆𝒏𝒕
𝟐 𝝇𝜷𝒋

ème
23 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝑬𝒏 𝒓𝒆𝒋𝒆𝒕𝒂𝒏𝒕 𝑯𝟎 𝒍𝒆 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆 𝜷𝒋 𝒆𝒔𝒕 𝒅𝒊𝒕 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆𝒎𝒆𝒏𝒕 𝒏𝒐𝒏 𝒏𝒖𝒍, 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒙 𝒍𝒖𝒊 𝒂𝒔𝒔𝒐𝒄𝒊é𝒆

𝒂 𝒖𝒏𝒆 𝒊𝒏𝒇𝒍𝒖𝒆𝒏𝒄𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒇 𝒅𝒂𝒏𝒔 𝒍’𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒚

𝚫𝒙 𝚫𝒚
= 𝑯𝟎 ∶
𝑯𝟎 ∶ 𝜷 𝟏 = 𝟎 𝒙 𝒚
∎ 𝑺𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒊𝒕é 𝒅𝒖 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆 𝜷𝟏 : 𝒄𝒐𝒏𝒕𝒓𝒆 ⇔ 𝒄𝒐𝒏𝒕𝒓𝒆
𝑯𝟏 ∶ 𝜷 𝟏 ≠ 𝟎 𝚫𝒙 𝚫𝒚
𝑯𝟏 ∶ ≠
𝒙 𝒚

𝑨𝒖𝒕𝒓𝒆𝒎𝒆𝒏𝒕 𝒅𝒊𝒕 , 𝒕𝒆𝒔𝒕𝒆𝒓 𝒍𝒂 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒊𝒕é 𝒅𝒆 𝒍𝒂 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 𝜷𝟏 𝒓𝒆𝒗𝒊𝒆𝒏𝒕 à 𝒕𝒆𝒔𝒕𝒆𝒓 𝒍′ 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆

𝒅′ 𝒖𝒏 𝒕𝒓𝒂𝒏𝒔𝒇𝒆𝒓𝒕 𝒊𝒏𝒕é𝒈𝒓𝒂𝒍 𝒅’𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒕𝒊𝒐𝒏 𝒓𝒆𝒍𝒂𝒕𝒊𝒗𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆 𝒙 𝒗𝒆𝒓𝒔 𝒍𝒂

𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 à 𝒆𝒙𝒑𝒍𝒊𝒒𝒖𝒆𝒓 𝒚

𝑯𝟎 ∶ 𝜷𝟐 = 𝟎 , 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒏’𝒆𝒔𝒕 𝒑𝒂𝒔 𝒃𝒐𝒏


∎ 𝑺𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒊𝒕é 𝒅𝒖 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆 𝜷𝟐 : 𝒄𝒐𝒏𝒕𝒓𝒆
𝑯𝟏 ∶ 𝜷𝟐 ≠ 𝟎 , 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒆𝒔𝒕 𝒃𝒐𝒏

𝑯𝟎 ∶ 𝑹 𝟐 = 𝟎
⇔ 𝒄𝒐𝒏𝒕𝒓𝒆
𝑯𝟏 ∶ 𝑹 𝟐 ≠ 𝟎

𝑯𝟎 ∶ 𝝆𝒙,𝒚 = 𝟎 , 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒅’𝒂𝒃𝒔𝒆𝒏𝒄𝒆 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏


⇔ 𝒄𝒐𝒏𝒕𝒓𝒆
𝑯𝟏 ∶ 𝝆𝒙,𝒚 ≠ 𝟎 , (𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒅’𝒂𝒃𝒔𝒆𝒏𝒄𝒆 𝒅𝒆 𝒅é𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏)

𝒏 − 𝟐 𝑹𝟐 𝒕𝟐𝜷𝟐
𝑶𝒏 𝒗é𝒓𝒊𝒇𝒊𝒆 𝒃𝒊𝒆𝒏 𝒒𝒖𝒆 𝒕𝟐𝜷𝒋 = 𝟐
𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 𝑹 = 𝟐
𝟏 − 𝑹𝟐 𝒕𝜷 + 𝒏 − 𝟐
𝟐

𝑯𝟎 ∶ 𝜷 𝟐 = 𝟏 𝑯𝟎 ∶ 𝚫𝒚 = 𝚫𝒙
′ 𝒄𝒐𝒏𝒕𝒓𝒆 𝒄𝒐𝒏𝒕𝒓𝒆
∎ 𝑻𝒆𝒔𝒕 𝒅𝒆 𝒓𝒆𝒏𝒅𝒆𝒎𝒆𝒏𝒕 𝒅 é𝒄𝒉𝒆𝒍𝒍𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕 ∶ ⇔
𝑯𝟏 ∶ 𝜷 𝟐 ≠ 𝟏 𝑯𝟏 ∶ 𝚫𝒚 = 𝚫𝒙

𝑨𝒖𝒕𝒓𝒆𝒎𝒆𝒏𝒕 𝒅𝒊𝒕 , 𝒕𝒆𝒔𝒕𝒆𝒓 𝒍′ 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒅′ 𝒖𝒏 𝒓𝒆𝒑𝒐𝒓𝒕 𝒊𝒏𝒕é𝒈𝒓𝒂𝒍 𝒅′ 𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒕𝒊𝒐𝒏 𝒂𝒃𝒔𝒐𝒍𝒖𝒆 𝒅𝒆 𝒍𝒂

𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆 𝒙 𝒗𝒆𝒓𝒔 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 à 𝒆𝒙𝒑𝒍𝒊𝒒𝒖𝒆𝒓 𝒚 𝑯𝟎 ∶ 𝚫𝒚 = 𝚫𝒙 𝒄𝒐𝒏𝒕𝒓𝒆 𝑯𝟏 ∶ 𝚫𝒚 = 𝚫𝒙

𝒓𝒆𝒗𝒊𝒆𝒏𝒕 à 𝒕𝒆𝒔𝒕𝒆𝒓 𝒍𝒆 𝒓𝒆𝒏𝒅𝒆𝒎𝒆𝒏𝒕 𝒅′ é𝒄𝒉𝒆𝒍𝒍𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕 𝑯𝟎 ∶ 𝜷𝟐 = 𝟏 𝒄𝒐𝒏𝒕𝒓𝒆 𝑯𝟏 ∶ 𝜷𝟐 ≠ 𝟏

𝓮 • 𝑻𝒆𝒔𝒕 𝒔𝒖𝒓 𝒖𝒏𝒆 𝒄𝒐𝒎𝒃𝒊𝒏𝒂𝒊𝒔𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒅𝒆𝒔 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 ∶ 𝑺𝒐𝒊𝒕 𝜸 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔

𝒅’𝒖𝒏𝒆 𝒄𝒐𝒎𝒃𝒊𝒏𝒂𝒊𝒔𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝜸 = 𝒂𝜷𝟏 + 𝒃𝜷𝟐

𝑽 𝜸 = 𝑽 𝒂𝜷𝟏 + 𝒃𝜷𝟐

= 𝒂𝟐 𝑽 𝜷𝟏 + 𝒃𝟐 𝑽 𝜷𝟐 + 𝟐𝒂𝒃 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐
𝟐 𝒏
𝟏 𝑿 𝝇𝟐𝜺 𝒏
𝑿𝒊 −𝑿 𝟐 −𝝇𝟐
𝜺 𝑿 𝒊=𝟏 𝑿𝒊 −𝑿
𝟐
𝝇𝟐
𝜺 𝒏+ 𝒏 𝟐
𝒊=𝟏
𝒊=𝟏 𝒊 −𝑿
𝑿

ème
24 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝟐
𝟐 𝟐
𝟏 𝑿 𝒃𝟐 𝝇𝟐𝜺 𝟐𝒂𝒃𝝇𝟐𝜺 𝑿
= 𝒂 𝝇𝜺 + 𝒏 𝟐
+ 𝒏 𝟐
− 𝒏 𝟐
𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿 𝒊=𝟏 𝑿𝒊 − 𝑿 𝒊=𝟏 𝑿𝒊 − 𝑿

𝒂𝟐 𝒂𝑿 𝟐
𝒃𝟐 𝟐𝒂𝒃𝑿
= 𝝇𝟐𝜺 + 𝒏 𝟐
+ 𝒏 𝟐
− 𝒏 𝟐
𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿 𝒊=𝟏 𝑿𝒊 − 𝑿 𝒊=𝟏 𝑿𝒊 − 𝑿

𝒂𝟐 𝒂𝑿 𝟐
+ 𝒃𝟐 − 𝟐𝒂𝒃𝑿
= 𝝇𝟐𝜺 + 𝒏 𝟐
𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿

𝒂𝟐 𝒃 − 𝒂𝑿 𝟐
𝑽 𝜸 = 𝝇𝟐𝜺 + 𝒏 𝟐
𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿

𝒂𝜷𝟏 + 𝒃𝜷𝟐 − 𝒂𝜷𝟏 + 𝒃𝜷𝟐


𝑨𝒊𝒏𝒔𝒊 ↝𝓣 𝒏−𝟐
𝒂𝟐 𝒃 − 𝒂𝑿 𝟐
𝝇𝜺 + 𝒏
𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿 𝟐

𝟐
𝒂𝜷𝟏 + 𝒃𝜷𝟐 − 𝒂𝜷𝟏 + 𝒃𝜷𝟐
𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 𝟐 ↝ 𝓕 𝟏, 𝒏 − 𝟐
𝟐 𝒂 𝒃 − 𝒂𝑿 𝟐
𝝇𝜺 + 𝒏
𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿 𝟐

𝓐– 𝟏𝟏 • 𝑷𝒓é𝒗𝒊𝒔𝒊𝒐𝒏 𝒅𝒂𝒏𝒔 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒅𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒔𝒊𝒎𝒑𝒍𝒆 ∶

𝑬𝒏 𝒄𝒉𝒆𝒓𝒄𝒉𝒂𝒏𝒕 à 𝒕𝒓𝒐𝒖𝒗𝒆𝒓 𝒖𝒏 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆 𝒅𝒆 𝒄𝒐𝒏𝒇𝒊𝒂𝒏𝒄𝒆 𝒔𝒖𝒓 𝒖𝒏𝒆 𝒗𝒂𝒍𝒆𝒖𝒓 𝒇𝒖𝒕𝒖𝒓𝒆 𝒚𝜽 𝒑𝒐𝒖𝒓 𝜽 > 𝑛

𝒐ù 𝒏 𝒆𝒔𝒕 𝒍𝒂 𝒑é𝒓𝒊𝒐𝒅𝒆 𝒑𝒐𝒖𝒓 𝒍𝒂𝒒𝒖𝒆𝒍𝒍𝒆 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝑴 : 𝒚𝒊 = 𝜷𝟏 + 𝜷𝟐 𝒙𝒊 + 𝜺𝒊 ; 𝒊 = 𝟏, 𝟐, … , 𝒏 𝒆𝒔𝒕

𝒗é𝒓𝒊𝒇𝒊é.

𝑶𝒏 𝒑𝒂𝒓𝒍𝒆𝒓𝒂𝒊𝒕 𝒂𝒍𝒐𝒓𝒔 𝒅’𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆 𝒅𝒆 𝒑𝒓é𝒗𝒊𝒔𝒊𝒐𝒏.

𝑺𝒐𝒖𝒔 𝒍’𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒒𝒖𝒆 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒓𝒆𝒔𝒕𝒆 𝒊𝒏𝒄𝒉𝒂𝒏𝒈é, 𝒏𝒐𝒖𝒔 𝒂𝒖𝒓𝒐𝒏𝒔 ∶ 𝒚𝜽 = 𝜷𝟏 + 𝜷𝟐 𝒙𝜽 + 𝜺𝜽 𝒆𝒕

𝒚𝜽 = 𝜷𝟏 + 𝜷𝟐 𝒙𝜽 𝒔𝒆𝒓𝒂 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔.

𝑳𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒚𝜽 − 𝒚𝜽 = 𝜺𝜽 − 𝜷𝟏 − 𝜷𝟏 − 𝜷𝟐 − 𝜷𝟐 𝒙𝜽 𝒆𝒔𝒕 𝒏𝒐𝒓𝒎𝒂𝒍𝒆 𝒅𝒆 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔 𝑬 𝒚𝜽 − 𝒚𝜽

𝒆𝒕 𝑽 𝒚𝜽 − 𝒚𝜽

𝒐𝒓 𝑬 𝒚𝜽 − 𝒚𝜽 = 𝑬 𝜺𝜽 − 𝜷𝟏 − 𝜷𝟏 − 𝜷𝟐 − 𝜷𝟐 𝒙𝜽

= 𝑬 𝜺 𝜽 − 𝑬 𝜷 𝟏 − 𝜷𝟏 − 𝑬 𝜷𝟐 − 𝜷𝟐 𝒙 𝜽
𝟎

= 𝑬 𝜷𝟏 − 𝜷𝟏 − 𝒙𝜽 𝑬 𝜷𝟐 − 𝜷𝟐
𝟎 𝟎

𝑬 𝒚𝜽 − 𝒚𝜽 = 𝟎 ⇒ 𝒚𝜽 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝒚𝜽

ème
25 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝑽 𝒚𝜽 − 𝒚𝜽 = 𝑬 𝒚𝜽 − 𝒚𝜽 𝟐 − 𝑬 𝒚𝜽 − 𝒚𝜽 𝟐

𝟐
= 𝑬 𝒚𝜽 − 𝒚𝜽
𝟐
=𝑬 𝜺𝜽 − 𝜷𝟏 − 𝜷𝟏 + 𝜷𝟐 − 𝜷𝟐 𝒙𝜽

𝟐
𝑽 𝒚𝜽 − 𝒚𝜽 = 𝑬 𝜺𝟐𝜽 − 𝟐 𝑬 𝜺𝜽 𝜷𝟏 − 𝜷𝟏 + 𝜷𝟐 − 𝜷𝟐 𝒙𝜽 +𝑬 𝜷𝟏 − 𝜷𝟏 + 𝜷𝟐 − 𝜷𝟐 𝒙𝜽
𝟎

𝑶𝒓 𝜷𝟏 𝒆𝒕 𝜷𝟐 𝒏𝒆 𝒅é𝒑𝒆𝒏𝒅𝒆𝒏𝒕 𝒒𝒖𝒆 𝒅𝒆 𝜺𝟏 , 𝜺𝟐 , … , 𝜺𝒏 𝒆𝒕 𝒕𝒂𝒏𝒕 𝒒𝒖𝒆 𝑬 𝜺𝒊 𝜺𝜽 = 𝟎 ∀ 𝒊 = 𝟏, 𝟐, … , 𝒏 :

𝑶𝒏 𝒂 𝒅𝒐𝒏𝒄 𝑬 𝜺𝜽 𝜷𝟏 = 𝑬 𝜺𝜽 𝜷𝟐 = 𝟎
𝟐
𝑬 𝜷𝟏 − 𝜷𝟏 + 𝜷𝟐 − 𝜷𝟐 𝒙𝜽 =𝑽 𝜷𝟏 − 𝜷𝟏 + 𝜷𝟐 − 𝜷𝟐 𝒙𝜽 𝑪𝒂𝒓 𝑬 𝜷𝟏 − 𝜷𝟏 + 𝜷𝟐 − 𝜷𝟐 𝒙𝜽 = 𝟎

𝟐
𝑬 𝜷𝟏 − 𝜷𝟏 + 𝜷𝟐 − 𝜷𝟐 𝒙𝜽 = 𝑽 𝜷𝟏 + 𝜷𝟐 𝒙𝜽 − 𝜷𝟏 − 𝜷𝟐

=𝑽 𝜷𝟏 + 𝒙𝜽 𝜷𝟐 , 𝜸 = 𝒂𝜷𝟏 + 𝒃𝜷𝟐 𝒂𝒗𝒆𝒄 𝒂 = 𝟏 𝒆𝒕 𝒃 = 𝒙𝜽


𝜸=𝟏×𝜷𝟏 +𝒙𝜽 𝜷𝟐

𝟐
𝟏𝟐 𝒙𝜽 − 𝟏. 𝒙
= 𝝇𝟐𝜺 + 𝒏 𝟐
𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙

𝟐
𝟐 𝟏 𝒙𝜽 − 𝒙
𝑬 𝜷𝟏 − 𝜷𝟏 + 𝜷𝟐 − 𝜷𝟐 𝒙𝜽 = 𝝇𝟐𝜺 + 𝒏 𝟐
𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙

𝟐
𝒐𝒓 𝑽 𝒚𝜽 − 𝒚𝜽 = 𝑬 𝜺𝟐𝜽 + 𝑬 𝜷𝟏 − 𝜷𝟏 + 𝜷𝟐 − 𝜷𝟐 𝒙 𝜽

𝟐
𝟏 𝒙𝜽 − 𝒙
𝒅𝒐𝒏𝒄 𝑽 𝒚𝜽 − 𝒚𝜽 = 𝝇𝟐𝜺 + 𝝇𝟐𝜺 + 𝒏 𝟐
𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙

𝟐 𝟐
𝟏 𝒙𝜽 − 𝒙 𝟐 𝟏 𝒙𝜽 − 𝒙
𝑽 𝒚𝜽 − 𝒚𝜽 = 𝝇𝟐𝜺 𝟏 + + 𝒏 𝟐
⇒ 𝑽 𝒚 𝜽 − 𝒚 𝜽 = 𝝇𝜺 𝟏 + + 𝒏 𝟐
𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙 𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙

𝒚𝜽 − 𝒚𝜽
𝑳𝒂 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏 𝒔𝒆𝒓𝒂 ∶ 𝟐
↝ 𝓣 𝒏−𝟐
𝟐 𝟏 𝒙𝜽 − 𝒙
𝝇𝜺 𝟏+ + 𝒏 𝟐
𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙

𝟏 𝑿𝜽 − 𝑿 𝟐
𝑫’𝒐ù 𝒍’𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆 𝒅𝒆 𝒑𝒓é𝒗𝒊𝒔𝒊𝒐𝒏 ∶ 𝑰𝑷𝟏−𝜶 𝒀𝜽 = 𝒀𝜽 ± 𝒕𝟏−𝜶 𝒏 − 𝟐 𝝇𝜺 𝟏 + + 𝒏
𝟐 𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿
𝟐

ème
26 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014

Le modèle linéaire général


𝓑– 𝟏 • 𝑭𝒐𝒓𝒎𝒖𝒍𝒂𝒕𝒊𝒐𝒏 𝒆𝒕 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 𝒅𝒆 𝒃𝒂𝒔𝒆 ∶

𝑬𝒏 é𝒄𝒐𝒏𝒐𝒎é𝒕𝒓𝒊𝒆, 𝒐𝒏 𝒏𝒆 𝒄𝒐𝒏𝒔𝒊𝒅è𝒓𝒆 𝒑𝒂𝒔 𝒔𝒊𝒎𝒑𝒍𝒆𝒎𝒆𝒏𝒕 𝒒𝒖𝒆 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒔𝒐𝒊𝒆𝒏𝒕 𝒐𝒃𝒔𝒆𝒓𝒗é𝒆𝒔 𝒔𝒖𝒓

𝒅𝒆𝒔 𝒖𝒏𝒊𝒕é𝒔 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆𝒔. 𝑶𝒏 𝒑𝒐𝒔𝒕𝒖𝒍𝒆 𝒍′ 𝒆𝒙𝒊𝒔𝒕𝒆𝒏𝒄𝒆 𝒅′ 𝒖𝒏 𝒎𝒐𝒅è𝒍𝒆 𝒒𝒖𝒊 𝒓é𝒈𝒊𝒕 𝒍𝒆𝒔 𝒓𝒆𝒍𝒂𝒕𝒊𝒐𝒏𝒔 𝒆𝒏𝒕𝒓𝒆

𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔. 𝑳𝒂 𝒓𝒆𝒍𝒂𝒕𝒊𝒐𝒏 𝒍𝒂 𝒑𝒍𝒖𝒔 𝒔𝒊𝒎𝒑𝒍𝒆 𝒆𝒔𝒕 𝒖𝒏𝒆 𝒓𝒆𝒍𝒂𝒕𝒊𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆, 𝒆𝒏𝒕𝒓𝒆 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔

𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒔 𝒆𝒕 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆.


𝒌

𝑳𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒈é𝒏é𝒓𝒂𝒍 𝒔 é𝒄𝒓𝒊𝒕 ∶ 𝑴 : 𝒚𝒊 = 𝜷𝟏 + 𝜷𝒋 𝒙𝒊𝒋 + 𝜺𝒊 ; 𝒊 = 𝟏, 𝟐 … , 𝒏
𝒋=𝟐

𝓪 • 𝑫𝒐𝒏𝒏é𝒆𝒔 𝒐𝒃𝒔𝒆𝒓𝒗é𝒆𝒔, 𝒆𝒕 𝒇𝒐𝒓𝒎𝒖𝒍𝒂𝒕𝒊𝒐𝒏 𝒎𝒂𝒕𝒓𝒊𝒄𝒊𝒆𝒍𝒍𝒆 ∶ 𝑬𝒏 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒏𝒕 𝒏 𝒓é𝒂𝒍𝒊𝒔𝒂𝒕𝒊𝒐𝒏𝒔 𝒅𝒖

𝒎𝒐𝒅è𝒍𝒆, 𝒐𝒏 𝒑𝒆𝒖𝒕 𝒍′ é𝒄𝒓𝒊𝒓𝒆 𝒔𝒐𝒖𝒔 𝒔𝒂 𝒇𝒐𝒓𝒎𝒆 𝒎𝒂𝒕𝒓𝒊𝒄𝒊𝒆𝒍𝒍𝒆 ∶

𝜷𝟏
𝒚𝟏 𝟏 𝒙𝟏𝟐 ⋯ 𝒙𝟏𝒌 𝜺𝟏
𝜷𝟐
𝒀 = 𝑿𝜷 + 𝓔 𝒂𝒗𝒆𝒄 𝒀 = ⋮ , 𝑿 = ⋮ ⋮ ⋯ ⋮ ,𝜷 = 𝒆𝒕 𝓔 = ⋮
𝒚𝒏 ⋮ 𝜺𝒏
𝟏 𝒙𝒏𝟐 ⋯ 𝒙𝒏𝒌
𝜷𝒌

𝑶ù 𝑿 𝒆𝒔𝒕 𝒖𝒏𝒆 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝒅𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆𝒔 𝒏𝒐𝒏-𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆 𝒅𝒆 𝒑𝒍𝒆𝒊𝒏 𝒓𝒂𝒏𝒈 𝒅𝒆 𝒅𝒊𝒎𝒆𝒏𝒔𝒊𝒐𝒏 𝒏 × 𝒌

𝒅′ 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏𝒔 𝒔𝒖𝒓 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒔

𝒀 𝒆𝒔𝒕 𝒖𝒏 𝒗𝒆𝒄𝒕𝒆𝒖𝒓 𝒏 × 𝟏 𝒅′ 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏𝒔 𝒔𝒖𝒓 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆

𝜷 𝒆𝒔𝒕 𝒖𝒏 𝒗𝒆𝒄𝒕𝒆𝒖𝒓 𝒌 × 𝟏 𝒅𝒆 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔 𝒊𝒏𝒄𝒐𝒏𝒏𝒖𝒔

𝑬𝒕 𝓔 𝒖𝒏 𝒗𝒆𝒄𝒕𝒆𝒖𝒓 𝒏 × 𝟏 𝒅′ 𝒆𝒓𝒓𝒆𝒖𝒓𝒔𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆𝒔 𝒊𝒏𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒃𝒍𝒆𝒔


𝒏

 𝑹𝒆𝒎𝒂𝒓𝒒𝒖𝒆 ∶ 𝑳𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒕𝒆𝒓𝒎𝒆𝒔 𝒅 𝒆𝒓𝒓𝒆𝒖𝒓 𝟏′𝒏 𝓔 ′
= 𝓔 𝟏𝒏 = 𝜺𝒊 𝒏′ 𝒆𝒔𝒕 𝒑𝒂𝒔
𝒊=𝟏

𝒏é𝒄𝒆𝒔𝒔𝒂𝒊𝒓𝒆𝒎𝒆𝒏𝒕 𝒏𝒖𝒍𝒍𝒆

𝓫 • 𝑳𝒆𝒔 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 ∶

∎ 𝓗𝟏 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒍𝒍𝒆 : 𝒀 = 𝑿𝜷 + 𝓔 ∶ 𝑳𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒆𝒔𝒕 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒐𝒖 𝒍𝒊𝒏é𝒂𝒓𝒊𝒔𝒂𝒃𝒍𝒆

𝒆𝒏 𝑿 𝒐𝒖 𝒔𝒖𝒓 𝒔𝒆𝒔 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔

∎ 𝓗𝟐 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒍𝒍𝒆 : 𝑿 𝒆𝒔𝒕 𝒏𝒐𝒏 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆 𝒄. -à-𝒅. 𝒍𝒆𝒔 𝒆𝒙𝒐𝒈è𝒏𝒆𝒔 𝒙𝒊𝒋 𝒆𝒕 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆

𝒆𝒏𝒅𝒐𝒈è𝒏𝒆 𝒀 𝒔𝒐𝒏𝒕 𝒔𝒐𝒏𝒕 𝒐𝒃𝒔𝒆𝒓𝒗é𝒔 𝒔𝒂𝒏𝒔 𝒆𝒓𝒓𝒆𝒖𝒓. 𝒀 𝒆𝒔𝒕 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆 𝒑𝒂𝒓 𝒍’𝒊𝒏𝒕𝒆𝒓𝒎é𝒅𝒊𝒂𝒊𝒓𝒆 𝒅𝒆 𝓔.

∎ 𝓗𝟑 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 : 𝑬 𝓔 = 𝟎 𝑬𝒏 𝒎𝒐𝒚𝒆𝒏𝒏𝒆 𝒍𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 𝒔’𝒂𝒏𝒏𝒖𝒍𝒆𝒏𝒕 𝒄. -à-𝒅.

ème
27 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒆𝒔𝒕 𝒃𝒊𝒆𝒏 𝒔𝒑é𝒄𝒊𝒇𝒊é.

∎ 𝓗𝟒 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 : 𝑬 𝓔𝓔′ = 𝝇𝟐𝜺 𝑰𝒏 = 𝛀𝜺

𝑪𝒐𝒗 𝜺𝒊 , 𝜺𝒋 = 𝑬 𝜺𝒊 𝜺𝒋 = 𝟎 , 𝒔𝒊 𝒊 ≠ 𝒋 ∶ 𝒏𝒐𝒏-𝒂𝒖𝒕𝒐𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔


𝒐ù
𝑬 𝜺𝒊 𝜺𝒋 = 𝝇𝟐𝜺 , 𝒔𝒊 𝒊 = 𝒋 ∶ 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 𝒉𝒐𝒎𝒐𝒔𝒄é𝒅𝒂𝒔𝒕𝒊𝒒𝒖𝒆𝒔

∎ 𝓗𝟓 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒊𝒏𝒇é𝒓𝒆𝒏𝒕𝒊𝒆𝒍𝒍𝒆 ∶ 𝓔 ↝ 𝓝 𝟎, 𝝇𝟐𝜺 𝑰𝒏 ∶ 𝑳𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 𝜺𝒊 𝒆𝒕 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆

𝒆𝒏𝒅𝒐𝒈è𝒏𝒆 𝒀 𝒔𝒐𝒏𝒕 𝒈𝒂𝒖𝒔𝒔𝒊𝒆𝒏𝒏𝒆𝒔 𝒆𝒕 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆𝒔 𝒆𝒏 𝒏𝒊𝒗𝒆𝒂𝒖.

𝑳’𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒅𝒆 𝒏𝒐𝒓𝒎𝒂𝒍𝒊𝒕é 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 𝒆𝒔𝒕 𝒖𝒏 é𝒍é𝒎𝒆𝒏𝒕 𝒄𝒍é 𝒑𝒐𝒖𝒓 𝒍’𝒊𝒏𝒇é𝒓𝒆𝒏𝒄𝒆 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆.

𝑬𝒍𝒍𝒆 𝒆𝒔𝒕 𝒅𝒐𝒏𝒄 𝒏é𝒄𝒆𝒔𝒔𝒂𝒊𝒓𝒆 𝒑𝒐𝒖𝒓 𝒎𝒆𝒏𝒆𝒓 𝒍𝒆𝒔 𝒕𝒆𝒔𝒕𝒔.

∎ 𝓗𝟔 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒍𝒍𝒆 ∶ 𝑳𝒂 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝑿′ 𝑿 𝒆𝒔𝒕 𝒓é𝒈𝒖𝒍𝒊è𝒓𝒆 𝒄. -à-𝒅. 𝒅𝒆𝒕 𝑿′ 𝑿 ≠ 𝟎

𝒆𝒕 𝑿′ 𝑿 −𝟏
𝒆𝒙𝒊𝒔𝒕𝒆. 𝑬𝒍𝒍𝒆 𝒊𝒏𝒅𝒊𝒒𝒖𝒆 𝒍’𝒂𝒃𝒔𝒆𝒏𝒄𝒆 𝒅𝒆 𝒄𝒐𝒍𝒊𝒏é𝒂𝒓𝒊𝒕é 𝒆𝒏𝒕𝒓𝒆 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒙𝒐𝒈è𝒏𝒆𝒔,
𝒙𝟏𝒋
𝒂𝒖𝒕𝒓𝒆𝒎𝒆𝒏𝒕 𝒅𝒊𝒕 𝒍𝒆𝒔 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒕𝒔 𝒗𝒆𝒄𝒕𝒆𝒖𝒓𝒔 𝑿𝒋 = ⋮ 𝒔𝒐𝒏𝒕 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆𝒎𝒆𝒏𝒕 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒔.
𝒙𝒏𝒋

𝑬𝒏 𝒄𝒂𝒔 𝒅𝒆 𝒎𝒖𝒍𝒕𝒊𝒄𝒐𝒍𝒊𝒏é𝒂𝒓𝒊𝒕é, 𝒍𝒂 𝒎é𝒕𝒉𝒐𝒅𝒆 𝒅𝒆𝒔 𝑴𝑪𝑶 𝒅𝒆𝒗𝒊𝒆𝒏𝒕 𝒅é𝒇𝒂𝒊𝒍𝒍𝒂𝒏𝒕𝒆.

𝑵𝒐𝒖𝒔 𝒑𝒐𝒖𝒗𝒐𝒏𝒔 𝒂𝒖𝒔𝒔𝒊 𝒗𝒐𝒊𝒓 𝒄𝒆𝒕𝒕𝒆 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒍𝒍𝒆 𝒔𝒐𝒖𝒔 𝒍’𝒂𝒏𝒈𝒍𝒆 ∶

𝒓𝒂𝒏𝒈 𝑿 = 𝒓𝒂𝒏𝒈 𝑿′ 𝑿 = 𝒌

∎ 𝓗𝟕 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒍𝒍𝒆 ∶ 𝒓𝒂𝒏𝒈 𝑿 = 𝒌 < 𝑛 , 𝒄. -à-𝒅. 𝒍𝒆 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅’𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏

𝒆𝒔𝒕 𝒔𝒖𝒑é𝒓𝒊𝒆𝒖𝒓 𝒂𝒖 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅𝒆 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔 à 𝒆𝒔𝒕𝒊𝒎𝒆𝒓 𝒍𝒆𝒔 𝜷𝒋 .

𝑳𝒐𝒓𝒔𝒒𝒖𝒆 𝒌 > 𝑛 , 𝑙𝑎 𝑚𝒂𝒕𝒓𝒊𝒄𝒆 𝑿′ 𝑿 𝒏’𝒆𝒔𝒕 𝒑𝒍𝒖𝒔 𝒊𝒏𝒗𝒆𝒓𝒔𝒊𝒃𝒍𝒆.

∎ 𝓗𝟖 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒍𝒍𝒆 ∶ 𝑿′ 𝑿 𝒏 𝒕𝒆𝒏𝒅 𝒗𝒆𝒓𝒔 𝒖𝒏𝒆 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝒇𝒊𝒏𝒊𝒆 𝒏𝒐𝒏 𝒔𝒊𝒏𝒈𝒖𝒍𝒊è𝒓𝒆

𝒍𝒐𝒓𝒔𝒒𝒖𝒆 𝒏 → +∞

∎ 𝓗𝟗 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 ∶ 𝑬 𝑿𝓔 = 𝟎 𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 𝑪𝒐𝒗 𝜺𝒊 , 𝒙𝒊𝒋 = 𝟎 ∶

𝑰𝒍 𝒚 𝒂 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒄𝒆 𝒆𝒏𝒕𝒓𝒆 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒚𝒔𝒕é𝒎𝒂𝒕𝒊𝒒𝒖𝒆 𝒆𝒕 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆

𝓑– 𝟐 • 𝑬𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒅𝒆𝒔 𝒎𝒐𝒊𝒏𝒅𝒓𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒐𝒓𝒅𝒊𝒏𝒂𝒊𝒓𝒆𝒔 𝑴𝑪𝑶 :

𝑳𝒂 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒅𝒆 𝒀𝒆𝒏 𝑿𝒂𝒖 𝒔𝒆𝒏𝒔 𝒅𝒆𝒔 𝒎𝒐𝒊𝒏𝒅𝒓𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒄𝒐𝒏𝒔𝒊𝒔𝒕𝒆 à 𝒄𝒉𝒆𝒓𝒄𝒉𝒆𝒓 𝒍′ 𝒂𝒋𝒖𝒔𝒕𝒆𝒎𝒆𝒏𝒕
𝒏

𝒒𝒖𝒊 𝒎𝒊𝒏𝒊𝒎𝒊𝒔𝒆 𝒆𝒏 𝜷 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒅𝒆𝒔 𝒓é𝒔𝒊𝒅𝒖𝒔 𝓔′ 𝓔 = 𝜺𝟐𝒊 = 𝒀 − 𝑿𝜷 𝒀 − 𝑿𝜷
𝒊=𝟏

 𝑹𝒆𝒎𝒂𝒓𝒒𝒖𝒆 ∶ 𝓔 𝒆𝒔𝒕 𝒐𝒓𝒕𝒉𝒐𝒈𝒐𝒏𝒂𝒍 𝒂𝒗𝒆𝒄 𝒕𝒐𝒖𝒕𝒆𝒔 𝒍𝒆𝒔 𝒄𝒐𝒍𝒐𝒏𝒏𝒆𝒔 𝒅𝒆 𝑿 𝒄. -à-𝒅. 𝓔′ 𝑿 = 𝑿′ 𝓔 = 𝟎

ème
28 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒀 = 𝑿𝜷 𝒆𝒔𝒕 𝒖𝒏𝒆 𝒄𝒐𝒎𝒃𝒊𝒏𝒂𝒊𝒔𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒅𝒆𝒔 𝒄𝒐𝒍𝒐𝒏𝒏𝒆𝒔 𝒅𝒆 𝑿 𝒅𝒐𝒏𝒄 𝒀 𝒆𝒕 𝓔 𝒔𝒐𝒏𝒕 𝒂𝒖𝒔𝒔𝒊

𝒐𝒓𝒕𝒉𝒐𝒈𝒐𝒏𝒂𝒖𝒙 𝒄. -à-𝒅. 𝓔′ 𝒀 = 𝒀′ 𝓔 = 𝟎

 𝑪𝒐𝒏𝒅𝒊𝒕𝒊𝒐𝒏 𝒑𝒐𝒖𝒓 𝒒𝒖𝒆 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒓é𝒔𝒊𝒅𝒖𝒔 𝒔𝒐𝒊𝒕 𝒏𝒖𝒍𝒍𝒆 ∶ 𝑳𝒂 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝑿 𝒑𝒆𝒖𝒕 𝒄𝒐𝒏𝒕𝒆𝒏𝒊𝒓

𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 𝒅𝒆 𝒎𝒂𝒏𝒊è𝒓𝒆 𝒆𝒙𝒑𝒍𝒊𝒄𝒊𝒕𝒆, 𝒄. -à-𝒅. 𝒒𝒖′ 𝒖𝒏𝒆 𝒅𝒆𝒔 𝒄𝒐𝒍𝒐𝒏𝒏𝒆𝒔 𝒅𝒆 𝒄𝒆𝒕𝒕𝒆 𝒎𝒂𝒕𝒓𝒊𝒄𝒆

𝒄𝒐𝒏𝒕𝒊𝒆𝒏𝒕 𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆. 𝑳𝒂 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 𝒑𝒆𝒖𝒕 é𝒈𝒂𝒍𝒆𝒎𝒆𝒏𝒕 ê𝒕𝒓𝒆 𝒅é𝒇𝒊𝒏𝒊𝒆 𝒅𝒆 𝒎𝒂𝒏𝒊è𝒓𝒆

𝒊𝒎𝒑𝒍𝒊𝒄𝒊𝒕𝒆, 𝒄𝒆 𝒒𝒖𝒊 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒆 𝒒𝒖′ 𝒊𝒍 𝒆𝒙𝒊𝒔𝒕𝒆 𝒖𝒏𝒆 𝒄𝒐𝒎𝒃𝒊𝒏𝒂𝒊𝒔𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒅𝒆𝒔 𝒄𝒐𝒍𝒐𝒏𝒏𝒆𝒔 𝒅𝒆 𝑿 𝒒𝒖𝒊

𝒑𝒆𝒓𝒎𝒆𝒕 𝒅′ 𝒐𝒃𝒕𝒆𝒏𝒊𝒓 𝒖𝒏𝒆 𝒄𝒐𝒍𝒐𝒏𝒏𝒆 𝒅𝒆 𝒖𝒏𝒔. 𝑭𝒐𝒓𝒎𝒆𝒍𝒍𝒆𝒎𝒆𝒏𝒕, 𝒐𝒏 𝒔𝒖𝒑𝒑𝒐𝒔𝒆 𝒒𝒖′ 𝒊𝒍 𝒆𝒙𝒊𝒔𝒕𝒆 𝒖𝒏

𝝀𝟏 𝟏
𝒗𝒆𝒄𝒕𝒆𝒖𝒓 𝝀 = ⋮ 𝒅𝒆 ℝ𝒌 𝒕𝒆𝒍 𝒒𝒖𝒆 𝑿𝝀 = 𝟏𝒏 = ⋮
𝝀𝒌 𝟏

∎ 𝑻𝒉é𝒐𝒓è𝒎𝒆 ∶ 𝑺𝒊 𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝑿 𝒄𝒐𝒏𝒕𝒊𝒆𝒏𝒕 𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 𝒅é𝒇𝒊𝒏𝒊𝒆 𝒅𝒆 𝒎𝒂𝒏𝒊è𝒓𝒆


𝒏

𝒆𝒙𝒑𝒍𝒊𝒄𝒊𝒕𝒆 𝒐𝒖 𝒊𝒎𝒑𝒍𝒊𝒄𝒊𝒕𝒆, 𝒂𝒍𝒐𝒓𝒔 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒓é𝒔𝒊𝒅𝒖𝒔 𝒆𝒔𝒕 𝒏𝒖𝒍𝒍𝒆 ∶ 𝟏′𝒏 𝓔 = 𝜺𝒊 = 𝟎


𝒊=𝟏

 𝑫é𝒎𝒐𝒏𝒔𝒕𝒓𝒂𝒕𝒊𝒐𝒏 ∶
𝝀𝟏 𝟏
′ ′ 𝒌
𝑶𝒏 𝒂 𝓔 𝑿 = 𝟎 . 𝑶𝒓, 𝒔 𝒊𝒍 𝒆𝒙𝒊𝒔𝒕𝒆 𝒖𝒏 𝒗𝒆𝒄𝒕𝒆𝒖𝒓𝝀 = ⋮ 𝒅𝒆 ℝ 𝒕𝒆𝒍 𝒒𝒖𝒆 𝑿𝝀 = 𝟏𝒏 = ⋮ , 𝒂𝒍𝒐𝒓𝒔
𝝀𝒌 𝟏

𝓔′ 𝑿𝝀 = 𝓔′ 𝟏𝒏 = 𝟎′ 𝝀 = 𝟎

∎ 𝑺𝒊 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒓é𝒔𝒊𝒅𝒖𝒔 𝒆𝒔𝒕 𝒏𝒖𝒍𝒍𝒆, 𝒍𝒂 𝒎𝒐𝒚𝒆𝒏𝒏𝒆 𝒅𝒆𝒔 𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒂𝒋𝒖𝒔𝒕é𝒆𝒔 𝒆𝒔𝒕 é𝒈𝒂𝒍𝒆 à 𝒍𝒂

𝒎𝒐𝒚𝒆𝒏𝒏𝒆 𝒅𝒆𝒔 𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒐𝒃𝒔𝒆𝒓𝒗é𝒆𝒔, 𝒂𝒖𝒕𝒓𝒆𝒎𝒆𝒏𝒕 𝒅𝒊𝒕 ∶

𝟏′𝒏 𝒀
𝒀=
𝑶𝒏 𝒂 𝒏 . 𝑶𝒓 𝟏′ 𝓔 = 𝟎 ⇔ 𝟏′ 𝒀 − 𝒀 = 𝟎 ⇔ 𝟏′ 𝒀 = 𝟏′ 𝒀 ⇔ 𝒀 = 𝒀
𝒏 𝒏 𝒏 𝒏
𝟏′𝒏 𝒀
𝒀=
𝒏

Rappel de cours
Méthodes Algèbre
Annexe ❶
Quantitatives Linéaire

Dérivation matricielle-Optimisation

Exercice 11 :

ème
29 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒏

𝜷 = 𝑿′ 𝑿 −𝟏
𝑿′ 𝒀 𝒎𝒊𝒏𝒊𝒎𝒊𝒔𝒆 𝜺𝟐𝒊
𝒊=𝟏

𝒏 𝒏 𝒏

𝒏 𝒙𝒊𝟐 ⋯ 𝒙𝒊,𝒑−𝟏 𝒙𝒊,𝒑 𝒏


𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝒏 𝒏 𝒏 𝒏 𝒚𝒊
𝒊=𝟏
𝒙𝒊𝟐 𝒙𝟐𝒊𝟐 ⋯ 𝒙𝒊,𝟐 𝒙𝒊,𝒑−𝟏 𝒙𝒊,𝟐 𝒙𝒊,𝒑 𝒏
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝑿′ 𝑿 = 𝒆𝒕 𝑿′ 𝒀 = 𝒙𝒊𝟐 𝒚𝒊
⋮ ⋮ ⋱ ⋮ ⋮
𝒏 𝒏 𝒏 𝒏 𝒊=𝟏
𝒙𝒊,𝒑−𝟏 𝒙𝒊,𝟐 𝒙𝒊,𝒑−𝟏 ⋯ 𝒙𝟐𝒊,𝒑−𝟏 𝒙𝒊,𝒑−𝟏 𝒙𝒊,𝒑 ⋮
𝒏
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝒏 𝒏 𝒏 𝒏 𝒙𝒊,𝒑 𝒚𝒊
𝒊=𝟏
𝒙𝒊,𝒑 𝒙𝒊,𝟐 𝒙𝒊,𝒑 ⋯ 𝒙𝒊,𝒑−𝟏 𝒙𝒊,𝒑 𝒙𝟐𝒊,𝒑
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝓑– 𝟑 • 𝑴𝒐𝒎𝒆𝒏𝒕𝒔 𝒅𝒆𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔 𝒅𝒆 𝒎𝒐𝒊𝒏𝒅𝒓𝒆𝒔 𝒄𝒂𝒓𝒓é𝒆𝒔 ∶

𝓪 • 𝑬𝒔𝒑é𝒓𝒂𝒏𝒄𝒆 𝒅𝒆 𝜷 ∶

𝑬 𝜷 = 𝑬 𝑿′ 𝑿 −𝟏
𝑿′ 𝒀

= 𝑬 𝑿′ 𝑿 −𝟏
𝑿′ 𝑿𝜷 + 𝓔

= 𝑬 𝑿′ 𝑿 −𝟏
𝑿′ 𝑿 𝜷 + 𝑿′ 𝑿 −𝟏
𝑿′ 𝓔

= 𝑬 𝜷 + 𝑿′ 𝑿 −𝟏
𝑿′ 𝓔

= 𝜷 + 𝑿′ 𝑿 −𝟏
𝑿′ 𝑬 𝓔
∎ 𝓗𝟑 ∶ 𝟎

𝑬 𝜷 = 𝜷 𝒅𝒐𝒏𝒄 𝜷 𝒆𝒔𝒕 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝜷

𝓫 • 𝑴𝒂𝒕𝒓𝒊𝒄𝒆 𝒅𝒆 𝒄𝒐𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒆 𝜷 ∶

𝑽𝒂𝒓 𝜷 = 𝑬 𝜷−𝑬 𝜷 𝜷−𝑬 𝜷


= 𝑬 𝜷−𝜷 𝜷−𝜷

=𝑬 𝑿′ 𝑿 −𝟏
𝑿′ 𝓔𝓔′ 𝑿 𝑿′ 𝑿 −𝟏

= 𝑿′ 𝑿 −𝟏
𝑿′ 𝑬 𝓔𝓔′ 𝑿 𝑿′ 𝑿 −𝟏

∎ 𝓗𝟒 ∶ 𝝇𝟐𝜺 𝑰𝒏

= 𝝇𝟐𝜺 𝑿′ 𝑿 −𝟏
𝑿′ 𝑿 𝑿′ 𝑿 −𝟏

𝑰𝒌

ème
30 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝝇𝟐𝜷𝟏 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐 … 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝒌
𝑪𝒐𝒗 𝜷𝟐 , 𝜷𝟏 𝝇𝟐𝜷𝟐 … 𝑪𝒐𝒗 𝜷𝟑 , 𝜷𝒌
𝑽𝒂𝒓 𝜷 = 𝛀𝜷 = 𝝇𝟐𝜷 = 𝝇𝟐𝜺 𝑿′ 𝑿 −𝟏
=
⋮ ⋮ ⋱ ⋮
𝑪𝒐𝒗 𝜷𝒌 , 𝜷𝟏 𝑪𝒐𝒗 𝜷𝒌 , 𝜷𝟐 … 𝝇𝟐𝜷𝒌

𝓬 • 𝑳𝒆 𝒕𝒉é𝒐𝒓è𝒎𝒆 𝒅𝒆 𝑮𝒂𝒖𝒔𝒔-𝑴𝒂𝒓𝒌𝒐𝒗 ∶ 𝑺𝒊 𝜷 𝒆𝒔𝒕 𝒖𝒏 𝒂𝒖𝒕𝒓𝒆 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝜷 ,

𝒄. -à-𝒅. 𝒔𝒊 𝑬 𝜷 = 𝜷 𝒆𝒕 𝜷 = 𝑨𝒀 , 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆𝒔 𝒅𝒆 𝒔𝒆𝒔 𝒄𝒐𝒎𝒑𝒐𝒔𝒂𝒏𝒕𝒆𝒔 𝒏𝒆 𝒑𝒆𝒖𝒗𝒆𝒏𝒕 ê𝒕𝒓𝒆

𝒊𝒏𝒇é𝒓𝒊𝒆𝒖𝒓𝒆𝒔 à 𝒄𝒆𝒍𝒍𝒆 𝒅𝒆𝒔 𝒄𝒐𝒎𝒑𝒐𝒔𝒂𝒏𝒕𝒆𝒔 𝒅𝒆 𝜷 ∶ 𝑽𝒂𝒓 𝜷𝒋 ≥ 𝑽𝒂𝒓 𝜷𝒋 , 𝒑𝒐𝒖𝒓 𝒋 = 𝟏, 𝟐, … , 𝒌

 𝑫é𝒎𝒐𝒏𝒔𝒕𝒓𝒂𝒕𝒊𝒐𝒏 ∶ 𝑺𝒐𝒊𝒕 𝜷 = 𝑨𝒀 𝒖𝒏 𝒂𝒖𝒕𝒓𝒆 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒅𝒆 𝜷 .

𝑬𝒏 𝒑𝒐𝒔𝒂𝒏𝒕 𝑨 = 𝑿′ 𝑿 −𝟏
𝑿′ + 𝑪 , 𝒐𝒏 𝒐𝒃𝒕𝒊𝒆𝒏𝒕 ∶

𝜷= 𝑿′ 𝑿 −𝟏
𝑿′ + 𝑪 𝑿𝜷 + 𝓔

= 𝑿′ 𝑿 −𝟏
𝑿′ 𝑿 𝜷 + 𝑿′ 𝑿 −𝟏
𝑿′ 𝓔 + 𝑪𝑿𝜷 + 𝑪𝓔

= 𝜷 + 𝑪𝑿𝜷 + 𝑿′ 𝑿 −𝟏
𝑿′ 𝓔 + 𝑪𝓔

= 𝑰𝒌 + 𝑪𝑿 𝜷 + 𝑿′ 𝑿 −𝟏
𝑿′ + 𝑪 𝓔

𝜷 = 𝑰𝒌 + 𝑪𝑿 𝜷 + 𝑨𝓔

𝜷 𝒆𝒔𝒕 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝜷 ⇔ 𝑬 𝜷 = 𝜷

⇔ 𝑰𝒌 + 𝑪𝑿 𝜷 + 𝑨 𝑬 𝓔 =𝜷
∎ 𝓗𝟑 ∶ 𝟎

⇔ 𝑰𝒌 + 𝑪𝑿 𝜷 = 𝜷

⇔ 𝑪𝑿 = 𝟎

𝑬𝒏 𝒊𝒎𝒑𝒐𝒔𝒂𝒏𝒕 𝑪𝑿 = 𝟎 , 𝒐𝒏 𝒐𝒃𝒕𝒊𝒆𝒏𝒕 𝜷 = 𝜷 + 𝑨𝓔

𝑳𝒂 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝒅𝒆 𝒄𝒐𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒆 𝜷 𝒆𝒔𝒕 𝒂𝒍𝒐𝒓𝒔 ∶



𝑽𝒂𝒓 𝜷 = 𝑬 𝜷−𝑬 𝜷 𝜷−𝑬 𝜷


= 𝑬 𝜷−𝜷 𝜷−𝜷


= 𝑬 𝑨𝓔 𝑨𝓔

= 𝑬 𝑨𝓔𝓔′ 𝑨′

= 𝑨 𝑬 𝓔𝓔′ 𝑨′
∎ 𝓗𝟒 ∶ 𝝇𝟐𝜺 𝑰𝒏

= 𝝇𝟐𝜺 𝑨𝑨′

ème
31 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
= 𝝇𝟐𝜺 𝑿′ 𝑿 −𝟏 𝑿′ + 𝑪 𝑿′ 𝑿 −𝟏
𝑿′ + 𝑪 ′

= 𝝇𝟐𝜺 𝑿′ 𝑿 −𝟏
𝑿′ + 𝑪 𝑿 𝑿′ 𝑿 −𝟏
+ 𝑪′

= 𝝇𝟐𝜺 𝑿′ 𝑿 −𝟏
𝑿′ 𝑿 𝑿′ 𝑿 −𝟏
+ 𝑿′ 𝑿 −𝟏
𝑿′ 𝑪′ + 𝑪𝑿 𝑿′ 𝑿 −𝟏
+ 𝑪𝑪′

= 𝝇𝟐𝜺 𝑿′ 𝑿 −𝟏
+ 𝑿′ 𝑿 −𝟏
𝑿′ 𝑪′ + 𝑪𝑿 𝑿′ 𝑿 −𝟏
+ 𝑪𝑪′
𝟎 𝟎

= 𝝇𝟐𝜺 𝑿′ 𝑿 −𝟏
+ 𝑪𝑪′

= 𝝇𝟐𝜺 𝑿′ 𝑿 −𝟏
+ 𝝇𝟐𝜺 𝑪𝑪′
𝑽𝒂𝒓 𝜷

𝑽𝒂𝒓 𝜷 − 𝑽𝒂𝒓 𝜷 = 𝝇𝟐𝜺 𝑪𝑪′

𝑴𝒂𝒊𝒔 𝒍𝒆𝒔 é𝒍é𝒎𝒆𝒏𝒕𝒔 𝒅𝒆 𝒍𝒂 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍𝒆 𝒅𝒆 𝑪𝑪′ 𝒔𝒐𝒏𝒕 𝒅𝒆𝒔 𝒔𝒐𝒎𝒎𝒆𝒔 𝒅𝒆 𝒄𝒂𝒓𝒓é𝒔, 𝒅𝒐𝒏𝒄 𝒏𝒐𝒏 𝒏é𝒈𝒂𝒕𝒊𝒗𝒆𝒔

𝑳𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆𝒔 𝒅𝒆𝒔 𝒄𝒐𝒎𝒑𝒐𝒔𝒂𝒏𝒕𝒆𝒔 𝒅𝒆 𝜷 𝒔𝒐𝒏𝒕 𝒅𝒐𝒏𝒄 𝒔𝒖𝒑é𝒓𝒊𝒆𝒖𝒓𝒆𝒔 𝒐𝒖 é𝒈𝒂𝒍𝒆𝒔 𝒂𝒖𝒙 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆𝒔 𝒅𝒆𝒔

𝒄𝒐𝒎𝒑𝒐𝒔𝒂𝒏𝒕𝒆𝒔 𝒅𝒆 𝜷

 𝑪𝒐𝒏𝒔é𝒒𝒖𝒆𝒏𝒄𝒆𝒔 𝒅𝒖 𝒕𝒉é𝒐𝒓è𝒎𝒆 𝒅𝒆 𝑮𝒂𝒖𝒔𝒔-𝑴𝒂𝒓𝒌𝒐𝒗 ∶

 𝟏è𝒓𝒆 𝒄𝒐𝒏𝒔é𝒒𝒖𝒆𝒏𝒄𝒆 ∶ 𝑺𝒐𝒖𝒔 𝒍’𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒅𝒆 𝒏𝒐𝒓𝒎𝒂𝒍𝒊𝒕é 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔, 𝒏𝒐𝒏 𝒔𝒆𝒖𝒍𝒆𝒎𝒆𝒏𝒕

𝒒𝒖𝒆 𝒍’𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒅𝒆𝒔 𝑴𝑪𝑶 𝒆𝒔𝒕 𝑩𝑳𝑼𝑬 𝒑𝒂𝒓 𝒍𝒆 𝒕𝒉é𝒐𝒓è𝒎𝒆 𝒅𝒆 𝑮𝒂𝒖𝒔𝒔-𝑴𝒂𝒓𝒌𝒐𝒗, 𝒎𝒂𝒊𝒔 𝒊𝒍 𝒅𝒆𝒗𝒊𝒆𝒏𝒕 𝒍𝒆

𝒎𝒆𝒊𝒍𝒍𝒆𝒖𝒓 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝜷 . 𝑳𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒆𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔 𝒅𝒆𝒔 𝑴𝑪𝑶 𝒂𝒕𝒕𝒆𝒊𝒏𝒕 𝒍𝒂

𝒃𝒐𝒓𝒏𝒆 𝒅𝒆 𝒍’𝒊𝒏é𝒈𝒂𝒍𝒊𝒕é 𝒅𝒆 𝑪𝒓𝒂𝒎𝒆𝒓-𝑹𝒂𝒐, 𝒃𝒐𝒓𝒏𝒆 𝒊𝒏𝒇é𝒓𝒊𝒆𝒖𝒓𝒆 𝒑𝒐𝒖𝒓 𝒕𝒐𝒖𝒔 𝒍𝒆𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔.

 𝟐è𝒎𝒆 𝒄𝒐𝒏𝒔é𝒒𝒖𝒆𝒏𝒄𝒆 ∶ 𝑺𝒐𝒖𝒔 𝒍’𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒅𝒆 𝒏𝒐𝒓𝒎𝒂𝒍𝒊𝒕é, 𝒐𝒏 𝒐𝒃𝒕𝒊𝒆𝒏𝒕 𝒅𝒆𝒔 𝒕𝒆𝒔𝒕𝒔 𝒆𝒙𝒂𝒄𝒕𝒔.

𝑺𝒂𝒄𝒉𝒂𝒏𝒕 𝒒𝒖𝒆 𝜷 ↝ 𝓝 𝜷, 𝝇𝟐𝜺 𝑿′ 𝑿 −𝟏


, 𝒄𝒆𝒍𝒂 𝒓𝒆𝒗𝒊𝒆𝒏𝒕 à 𝒅𝒊𝒓𝒆 𝒒𝒖𝒆 𝒍’𝒐𝒏 𝒄𝒐𝒏𝒏𝒂î𝒕 𝒍𝒆𝒔 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒕𝒊𝒐𝒏𝒔

𝒆𝒙𝒂𝒄𝒕𝒆𝒔 𝒅𝒆𝒔 𝒕𝒆𝒔𝒕𝒔. 𝑶𝒏 𝒑𝒆𝒖𝒕 𝒅𝒐𝒏𝒄 𝒄𝒐𝒏𝒔𝒕𝒓𝒖𝒊𝒓𝒆 𝒍𝒆𝒔 𝒕𝒆𝒔𝒕𝒔 𝒅𝒆 𝑺𝒕𝒖𝒅𝒆𝒏𝒕 𝒆𝒕 𝒅𝒆 𝑭𝒊𝒔𝒉𝒆𝒓 𝒅𝒂𝒏𝒔 𝒍𝒆𝒔 𝒑𝒆𝒕𝒊𝒕𝒔

é𝒄𝒉𝒂𝒏𝒕𝒊𝒍𝒍𝒐𝒏𝒔.

𝓭 • 𝑬𝒔𝒕𝒊𝒎𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 𝝇𝟐𝜺 ∶

𝑶𝒏 𝒂 𝓔 = 𝒀 − 𝑿𝜷 = 𝑿𝜷 + 𝓔 − 𝑿 𝑿′ 𝑿 −𝟏
𝑿′ 𝒀

= 𝑿𝜷 + 𝓔 − 𝑿 𝑿′ 𝑿 −𝟏
𝑿′ 𝑿𝜷 + 𝓔

= 𝑿𝜷 + 𝓔 − 𝑿 𝑿′ 𝑿 −𝟏
𝑿′ 𝑿 𝜷 − 𝑿 𝑿′ 𝑿 −𝟏
𝑿′ 𝓔
𝑰𝒌

= 𝑿𝜷 + 𝓔 − 𝑿𝜷 − 𝑿 𝑿′ 𝑿 −𝟏
𝑿′ 𝓔

= 𝓔 − 𝑿 𝑿′ 𝑿 −𝟏
𝑿′ 𝓔

ème
32 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
= 𝑰 𝒏 − 𝑿 𝑿′ 𝑿 −𝟏
𝑿′ 𝓔

𝓔 = 𝑴𝓔

Rappel de cours
Méthodes Algèbre
Annexe ❶
Quantitatives Linéaire

Dérivation matricielle-Optimisation

Exercice 11 :
𝑶𝒏 𝒂 𝒗é𝒓𝒊𝒇𝒊é 𝒒𝒖𝒆 𝑴 = 𝑰𝒏 − 𝑿 𝑿′ 𝑿 −𝟏
𝑿′ 𝒆𝒔𝒕 à 𝒍𝒂 𝒇𝒐𝒊𝒔 𝒊𝒅𝒆𝒎𝒑𝒐𝒕𝒆𝒏𝒕𝒆 𝒆𝒕 𝒔𝒚𝒎é𝒕𝒓𝒊𝒒𝒖𝒆

𝑨𝒊𝒏𝒔𝒊 𝓔′ 𝓔 = 𝓔′ 𝑴′ 𝑴𝓔 = 𝓔′ 𝑴𝓔

𝑬 𝓔′ 𝓔 = 𝑬 𝓔′ 𝑴𝓔 = 𝑬 𝑻𝒓 𝓔′ 𝑴𝓔 , 𝒄𝒂𝒓 𝓔′ 𝑴𝓔 𝒆𝒔𝒕 𝒖𝒏 𝒔𝒄𝒂𝒍𝒂𝒊𝒓𝒆

= 𝑬 𝑻𝒓 𝑴𝓔𝓔′

= 𝑻𝒓 𝑬 𝑴𝓔𝓔′

= 𝑻𝒓 𝑴 𝑬 𝓔𝓔′
∎ 𝓗𝟒 ∶ 𝝇𝟐𝜺 𝑰𝒏

= 𝑻𝒓 𝑴𝝇𝟐𝜺 𝑰𝒏

= 𝝇𝟐𝜺 𝑻𝒓 𝑴

= 𝝇𝟐𝜺 𝑻𝒓 𝑰𝒏 − 𝑿 𝑿′ 𝑿 −𝟏
𝑿′

= 𝝇𝟐𝜺 𝑻𝒓 𝑰𝒏 − 𝑻𝒓 𝑿 𝑿′ 𝑿 −𝟏
𝑿′

= 𝝇𝟐𝜺 𝒏 − 𝑻𝒓 𝑿′ 𝑿 −𝟏
𝑿′ 𝑿
𝑰𝒌

= 𝝇𝟐𝜺 𝒏 − 𝑻𝒓 𝑰𝒌

= 𝒏 − 𝒌 𝝇𝟐𝜺

𝓔′ 𝓔 𝑺𝑪𝑹
𝑫′ 𝒐ù 𝝇𝟐𝜺 = = 𝒆𝒔𝒕 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝝇𝟐𝜺
𝒏−𝒌 𝒏−𝒌
𝑨𝒊𝒏𝒔𝒊 𝒐𝒏 𝒐𝒃𝒕𝒊𝒆𝒏𝒕 ∶

ème
33 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝝇𝟐𝜷𝟏 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐 … 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝒌
𝑪𝒐𝒗 𝜷𝟐 , 𝜷𝟏 𝝇𝟐𝜷𝟐 … 𝑪𝒐𝒗 𝜷𝟑 , 𝜷𝒌
𝑽𝒂𝒓 𝜷 = 𝛀𝜷 = 𝝇𝟐𝜷 = 𝝇𝟐𝜺 𝑿′ 𝑿 −𝟏
=
⋮ ⋮ ⋱ ⋮
𝑪𝒐𝒗 𝜷𝒌 , 𝜷𝟏 𝑪𝒐𝒗 𝜷𝒌 , 𝜷𝟐 … 𝝇𝟐𝜷𝒌

𝑳𝒐𝒓𝒔𝒒𝒖𝒆 𝒍𝒆 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅’𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏𝒔 𝒕𝒆𝒏𝒅 𝒗𝒆𝒓𝒔 𝒍’𝒊𝒏𝒇𝒊𝒏𝒊, 𝒍’𝒆𝒙𝒑𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝛀𝜷 𝒕𝒆𝒏𝒅 𝒗𝒆𝒓𝒔 𝒛é𝒓𝒐.

𝑷𝒂𝒓 𝒄𝒐𝒏𝒔é𝒒𝒖𝒆𝒏𝒕, 𝒍’𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝜷 𝒆𝒔𝒕 𝒄𝒐𝒏𝒗𝒆𝒓𝒈𝒆𝒏𝒕 . 𝑻𝒐𝒖𝒕𝒆𝒇𝒐𝒊𝒔, 𝒍𝒂 𝒄𝒐𝒏𝒅𝒊𝒕𝒊𝒐𝒏 𝒔𝒖𝒇𝒇𝒊𝒔𝒂𝒏𝒕𝒆 𝒔𝒆𝒓𝒂𝒊𝒕

𝒒𝒖𝒆 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒙𝒐𝒈è𝒏𝒆𝒔 𝒏𝒆 𝒕𝒆𝒏𝒅𝒆𝒏𝒕 𝒑𝒂𝒔 à 𝒅𝒆𝒗𝒆𝒏𝒊𝒓 𝒄𝒐𝒍𝒊𝒏é𝒂𝒊𝒓𝒆𝒔 𝒍𝒐𝒓𝒔𝒒𝒖𝒆 𝒏 𝒕𝒆𝒏𝒅 𝒗𝒆𝒓𝒔


𝑿′ 𝑿
𝒍 𝒊𝒏𝒇𝒊𝒏𝒊 ∎ 𝓗𝟖 ∶ 𝐥𝐢𝐦 = 𝑵 , 𝒂𝒗𝒆𝒄 𝑵 𝒖𝒏𝒆 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝒇𝒊𝒏𝒊𝒆 𝒏𝒐𝒏 𝒔𝒊𝒏𝒈𝒖𝒍𝒊è𝒓𝒆
𝒏→+∞ 𝒏

𝓑– 𝟒 • 𝑹é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒂𝒗𝒆𝒄 𝒍𝒆𝒔 𝒅𝒐𝒏𝒏é𝒆𝒔 𝒄𝒆𝒏𝒕𝒓é𝒆𝒔 ∶

𝑺𝒖𝒑𝒑𝒐𝒔𝒐𝒏𝒔 𝒒𝒖𝒆 𝒍𝒂 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆 𝒄𝒐𝒍𝒐𝒏𝒏𝒆 𝒅𝒆 𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝑿 𝒔𝒐𝒊𝒕 𝒄𝒐𝒎𝒑𝒐𝒔é𝒆 𝒅𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆𝒔 ∶

𝟏 𝒙𝟏𝟐 ⋯ 𝒙𝟏𝒌
𝑿= ⋮ ⋮ ⋯ ⋮ .
𝟏 𝒙𝒏𝟐 ⋯ 𝒙𝒏𝒌
𝒌 𝒌

𝑫𝒂𝒏𝒔 𝒄𝒆 𝒄𝒂𝒔 𝒍𝒂 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒎𝒖𝒍𝒕𝒊𝒑𝒍𝒆 𝒔’é𝒄𝒓𝒊𝒕 ∶ 𝑴 : 𝒚𝒊 = 𝜷𝟏 + 𝜷𝒋 𝒙𝒊𝒋 + 𝜺𝒊 = 𝜷𝟏 + 𝜷𝒋 𝒙𝒊𝒋 + 𝜺𝒊


𝒋=𝟐 𝒋=𝟐

𝑶𝒏 𝒑𝒆𝒖𝒕 𝒂𝒖𝒔𝒔𝒊 𝒕𝒓𝒂𝒗𝒂𝒊𝒍𝒍𝒆𝒓 𝒂𝒗𝒆𝒄 𝒍𝒆𝒔 𝒅𝒐𝒏𝒏é𝒆𝒔 𝒄𝒆𝒏𝒕𝒓é𝒆𝒔 𝒆𝒏 𝒔𝒐𝒎𝒎𝒂𝒏𝒕 𝒔𝒖𝒓 𝒍𝒆𝒔 𝒊 𝒆𝒕 𝒆𝒏 𝒅𝒊𝒗𝒊𝒔𝒂𝒏𝒕
𝒌 𝒌

𝒑𝒂𝒓 𝒏 𝒍’é𝒒𝒖𝒂𝒕𝒊𝒐𝒏 𝑴 . 𝑶𝒏 𝒐𝒃𝒕𝒊𝒆𝒏𝒕 ∶ 𝑴 : 𝒚 = 𝜷𝟏 + 𝜷𝒋 𝒙𝒋 + 𝜺 = 𝜷𝟏 + 𝜷 𝒋 𝒙𝒋


𝒋=𝟐 𝒋=𝟐

𝒆𝒕 𝒅𝒐𝒏𝒄 𝒆𝒏 𝒔𝒐𝒖𝒔𝒕𝒓𝒂𝒚𝒂𝒏𝒕 𝑴 à 𝑴 , 𝒐𝒏 𝒂 𝒇𝒊𝒏𝒂𝒍𝒆𝒎𝒆𝒏𝒕 ∶


𝒌 𝒌

𝑴𝒄 : 𝒚𝒊 − 𝒚 = 𝜷𝒋 𝒙𝒊𝒋 − 𝒙𝒋 + 𝜺𝒊 − 𝜺 = 𝜷𝒋 𝒙𝒊𝒋 − 𝒙𝒋 + 𝜺𝒊 , 𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆


𝒋=𝟐 𝒋=𝟐

𝒌 𝒌

𝑴𝒄 ∶ 𝒚𝒊,𝒄 = 𝜷𝒋 𝒙𝒊𝒋,𝒄 + 𝜺𝒊,𝒄 = 𝜷𝒋 𝒙𝒊𝒋,𝒄 + 𝜺𝒊


𝒋=𝟐 𝒋=𝟐

𝑫é𝒇𝒊𝒏𝒊𝒔𝒔𝒐𝒏𝒔 𝒎𝒂𝒊𝒏𝒕𝒆𝒏𝒂𝒏𝒕 ∶

𝜷𝟐
∎ 𝜷= 𝜷𝟑 , 𝒍𝒆 𝒗𝒆𝒄𝒕𝒆𝒖𝒓 𝒅𝒆 ℝ𝒌−𝟏 𝒄𝒐𝒎𝒑𝒐𝒔é 𝒅𝒆𝒔 𝒌 − 𝟏 𝒅𝒆𝒓𝒏𝒊è𝒓𝒆𝒔 𝒄𝒐𝒎𝒑𝒐𝒔𝒂𝒏𝒕𝒆𝒔 𝒅𝒆

𝜷𝒌

ème
34 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝜷𝟏
𝜷𝟐
𝜷 = 𝜷𝟑

𝜷𝒌
𝒙𝟏𝟐 ⋯ 𝒙𝟏𝒌
∎ 𝑿= ⋮ ⋯ ⋮ , 𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝒏 × 𝒌 − 𝟏 𝒄𝒐𝒎𝒑𝒐𝒔é 𝒅𝒆𝒔 𝒌 − 𝟏 𝒅𝒆𝒓𝒏𝒊è𝒓𝒆𝒔 𝒄𝒐𝒍𝒐𝒏𝒏𝒆𝒔 𝒅𝒆 𝑿
𝒙𝒏𝟐 ⋯ 𝒙𝒏𝒌

𝟏
∎ 𝟏𝒏 = ⋮ , 𝒍𝒆 𝒗𝒆𝒄𝒕𝒆𝒖𝒓 𝒄𝒐𝒍𝒐𝒏𝒏𝒆 𝒅𝒆 𝒏 𝒖𝒏𝒔
𝟏
∎ 𝑳𝒂 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝒊𝒅𝒆𝒎𝒑𝒐𝒕𝒆𝒏𝒕𝒆 𝒆𝒕 𝒔𝒚𝒎é𝒕𝒓𝒊𝒒𝒖𝒆 𝒒𝒖𝒊 𝒄𝒆𝒏𝒕𝒓𝒆 𝒍𝒆𝒔 𝒗𝒂𝒍𝒆𝒖𝒓𝒔 ∶

𝟏 𝟏 𝟏 𝟏
𝟏− − ⋯ − −
𝒏 𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝟏
− 𝟏− ⋯ − −
𝟏𝒏 𝟏′𝒏 𝒏 𝒏 𝒏 𝒏
𝑷𝒄 = 𝑰 𝒏 − = ⋮ ⋮ ⋱ ⋮ ⋮
𝒏 𝟏 𝟏 𝟏 𝟏
− − ⋯ 𝟏− −
𝒏 𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝟏
− − ⋯ − 𝟏−
𝒏 𝒏 𝒏 𝒏
𝒚𝟏 − 𝒚
∎ 𝒀𝒄 = 𝑷𝒄 𝒀 = 𝒀 − 𝟏𝒏 𝒀 = ⋮
𝒚𝒏 − 𝒚

𝒙𝟏𝟐 − 𝒙𝟐 ⋯ 𝒙𝟏𝒌 − 𝒙𝒌
∎ 𝑿𝒄 = 𝑷𝒄 𝑿 , 𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝑿 𝒄𝒆𝒏𝒕𝒓é𝒆 ∶ 𝑿𝒄 = ⋮ ⋯ ⋮
𝒙𝒏𝟐 − 𝒙𝟐 ⋯ 𝒙𝒏𝒌 − 𝒙𝒌

𝑳𝒂 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒎𝒖𝒍𝒕𝒊𝒑𝒍𝒆 𝒑𝒆𝒖𝒕 𝒎𝒂𝒊𝒏𝒕𝒆𝒏𝒂𝒏𝒕 𝒔′ é𝒄𝒓𝒊𝒓𝒆 ∶ 𝑴𝒄 ∶ 𝒀𝒄 = 𝑿𝒄 𝜷 + 𝓔


−𝟏
𝑿′𝒄 𝑿𝒄 𝑿′𝒄 𝒀𝒄
𝑳𝒆 𝒗𝒆𝒄𝒕𝒆𝒖𝒓 𝜷 𝒆𝒔𝒕 é𝒗𝒊𝒅𝒆𝒎𝒎𝒆𝒏𝒕 𝒅é𝒇𝒊𝒏𝒊𝒆 𝒑𝒂𝒓 ∶ 𝜷 = 𝑿′𝒄 𝑿𝒄 −𝟏 𝑿′𝒄 𝒀𝒄 =
𝒏 𝒏

𝑿′𝒄 𝑿𝒄 ′
𝑪𝒆𝒕𝒕𝒆 𝒑𝒓é𝒔𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒆𝒔𝒕 𝒊𝒏𝒕é𝒓𝒆𝒔𝒔𝒂𝒏𝒕𝒆 à 𝒑𝒍𝒖𝒔 𝒅′ 𝒖𝒏 𝒕𝒊𝒕𝒓𝒆. 𝑬𝒏 𝒆𝒇𝒇𝒆𝒕 ∶ 𝒏 𝒆𝒔𝒕 𝒂𝒖𝒕𝒓𝒆 𝒒𝒖𝒆 𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒄𝒆
𝒏

𝑺𝟐𝟐 𝑺𝟐𝟑 ⋯ 𝑺𝟐,𝒌−𝟏 𝑺𝟐𝒌


𝑿′𝒄 𝑿𝒄 𝑺𝟐𝟑 𝑺𝟐𝟑
⋯ 𝑺𝟑,𝒌−𝟏 𝑺𝟑𝒌
𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆-𝒄𝒐𝒗𝒂𝒕𝒊𝒂𝒏𝒄𝒆 𝚺 = = ⋮ ⋮ ⋱ ⋮ ⋮ ,
𝒏
𝑺𝟐,𝒌−𝟏 𝑺𝟑,𝒌−𝟏 ⋯ 𝑺𝟐𝒌−𝟏 𝑺𝒌−𝟏,𝒌−𝟏
𝑺𝟐𝒌 𝑺𝟑𝒌 ⋯ 𝑺𝒌−𝟏,𝒌−𝟏 𝑺𝟐𝒌
𝒏 𝒏
𝟏 𝟐 𝟏
𝒂𝒗𝒆𝒄 𝑺𝟐𝒋 = 𝒙𝒊𝒋 − 𝒙𝒋 𝒆𝒕 𝑺𝒑𝒒 = 𝒙𝒊𝒑 − 𝒙𝒑 𝒙𝒊,𝒒 − 𝒙𝒒 ; 𝒋 , 𝒑 𝒆𝒕 𝒒 = 𝟐, 𝟑, … , 𝒌
𝒏 𝒏
𝒊=𝟏 𝒊=𝟏

ème
35 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014

𝑿𝒄 𝒀𝒄
𝑬𝒕 𝒆𝒔𝒕 𝒍𝒆 𝒗𝒆𝒄𝒕𝒆𝒖𝒓 𝒅𝒆𝒔 𝒄𝒐𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆𝒔 𝒆𝒏𝒕𝒓𝒆 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒔 𝒆𝒕 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆
𝒏
𝑺𝟐𝒚
𝑺𝟑𝒚 𝒏
𝑿′𝒄 𝒀𝒄 𝟏
𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆: = ⋮ 𝒂𝒗𝒆𝒄 𝑺𝒋𝒚 = 𝒙𝒊𝒋 − 𝒙𝒋 𝒚𝒊 − 𝒚 ; 𝒋 = 𝟐, 𝟑, … , 𝒌
𝒏 𝑺𝒌−𝟏,𝒚 𝒏
𝒊=𝟏
𝑺𝒌𝒚

𝓑– 𝟓 • 𝑫é𝒄𝒐𝒎𝒑𝒐𝒔𝒊𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆-𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 ∶

𝓪 • 𝑳𝒆𝒎𝒎𝒆 ∶ 𝓔′ 𝓔 = 𝒀′ 𝒀 − 𝜷′ 𝑿′ 𝒀

 𝑫é𝒎𝒐𝒏𝒔𝒕𝒓𝒂𝒕𝒊𝒐𝒏 ∶

𝓔′ 𝓔 = 𝒀 − 𝑿𝜷 𝒀 − 𝑿𝜷

𝓔′ 𝓔 = 𝒀′ 𝒀 − 𝟐𝜷′ 𝑿′ 𝒀 + 𝜷′ 𝑿′ 𝑿 𝜷 , 𝒐𝒓 𝑿′ 𝑿 𝜷 = 𝑿′ 𝒀 𝒅′ 𝒐ù 𝓔′ 𝓔 = 𝒀′ 𝒀 − 𝜷′ 𝑿′ 𝒀

𝓫 • 𝑳’é𝒒𝒖𝒂𝒕𝒊𝒐𝒏 𝒅’𝒂𝒏𝒂𝒍𝒚𝒔𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 ∶


𝒏
𝟐
∎ 𝑺𝑪𝑻 = 𝒚𝒊 − 𝒚 = 𝒏𝑺𝟐𝒚 ∶ 𝒆𝒔𝒕 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒕𝒐𝒕𝒂𝒖𝒙. 𝑬𝒍𝒍𝒆 𝒊𝒏𝒅𝒊𝒒𝒖𝒆 𝒍𝒂
𝒊=𝟏

𝒗𝒂𝒓𝒊𝒂𝒃𝒊𝒍𝒊𝒕é 𝒕𝒐𝒕𝒂𝒍𝒆 𝒅𝒆 𝒀.
𝒏 𝒏
𝟐 𝟐
∎ 𝑺𝑪𝑬 = 𝒚𝒊 − 𝒚 = 𝒚𝒊 − 𝒚 ∶ 𝒆𝒔𝒕 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒔. 𝑬𝒍𝒍𝒆 𝒊𝒏𝒅𝒊𝒒𝒖𝒆 𝒍𝒂
𝒊=𝟏 𝒊=𝟏

𝒗𝒂𝒓𝒊𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒀 𝒅𝒖𝒆 à 𝒔𝒂 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒔𝒖𝒓 𝒙𝒊𝟐 , 𝒙𝒊𝟑 , … , 𝒙𝒊𝒌 .


𝒏 𝒏
𝟐
∎ 𝑺𝑪𝑹 = 𝜺𝒊 − 𝜺 = 𝜺𝟐𝒊 ∶ 𝒆𝒔𝒕 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒓é𝒔𝒊𝒅𝒖𝒆𝒍𝒔. 𝑬𝒍𝒍𝒆 𝒊𝒏𝒅𝒊𝒒𝒖𝒆 𝒍𝒂
𝒊=𝟏 𝒊=𝟏

𝒗𝒂𝒓𝒊𝒂𝒃𝒊𝒍𝒊𝒕é 𝒅𝒆 𝒀 𝒏𝒐𝒏 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒆 𝒑𝒂𝒓 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆.


𝒏 𝒏
𝟏′𝒏 𝒀 𝟐
𝑶𝒏 𝒂 ∶ 𝑺𝑪𝑻 = 𝒚𝒊 − 𝒚 𝟐
= 𝒚𝟐𝒊 − 𝒏𝒚𝟐 = 𝒀′ 𝒀 − = 𝒀′𝒄 𝒀𝒄
𝒏
𝒊=𝟏 𝒊=𝟏

𝑫′ 𝒂𝒖𝒕𝒓𝒆 𝒑𝒂𝒓𝒕 ∶
𝒏 𝟐
𝟐 ′ 𝟏′𝒏 𝑿𝜷
𝑺𝑪𝑬 = 𝒚𝒊 − 𝒚 = 𝑿𝜷 𝑿𝜷 −
𝒏
𝒊=𝟏


𝟏′𝒏 𝒀

𝟐
=𝜷 𝑿 𝑿 𝜷− , 𝒑𝒖𝒊𝒔𝒒𝒖𝒆 𝟏′𝒏 𝒀 = 𝟏′𝒏 𝑿𝜷 + 𝓔 = 𝟏′𝒏 𝑿𝜷 + 𝟏′𝒏 𝓔 = 𝟏′𝒏 𝑿𝜷
𝒏
𝟎

ème
36 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝟏′𝒏 𝒀 𝟐
= 𝜷′ 𝑿′ 𝑿 𝑿′ 𝑿 −𝟏
𝑿′ 𝒀 −
𝒏
𝒏 𝒏
𝟐 𝟐 𝟏′𝒏 𝒀 𝟐
𝑺𝑪𝑬 = 𝒚𝒊 − 𝒚 = 𝒚𝒊 − 𝒚 = 𝜷′ 𝑿′ 𝒀 − = 𝒀′𝒄 𝒀𝒄 = 𝜷′ 𝑿′𝒄 𝒀𝒄 = 𝜷′ 𝑿′ 𝑿 𝜷
𝒏
𝒊=𝟏 𝒊=𝟏

𝒏
𝟏′𝒏 𝒀 𝟐
𝟏′𝒏 𝒀 𝟐
𝑺𝑪𝑹 = 𝜺𝟐𝒊 = 𝓔′ 𝓔 = 𝒀′ 𝒀 − 𝜷′ 𝑿′ 𝒀 = 𝑺𝑪𝑻 + − 𝑺𝑪𝑬 + = 𝑺𝑪𝑻 − 𝑺𝑪𝑬
𝒏 𝒏
𝒊=𝟏

𝒏 𝒏 𝒏
𝟐
𝑫′ 𝒐ù 𝒚𝒊 − 𝒚 𝟐
= 𝒚𝒊 − 𝒚 + 𝜺𝟐𝒊 𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 𝑺𝑪𝑻 = 𝑺𝑪𝑬 + 𝑺𝑪𝑹 𝒔𝒆𝒖𝒍𝒆𝒎𝒆𝒏𝒕 𝒑𝒐𝒖𝒓 𝜷𝟏 ≠ 𝟎
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝑺𝑪𝑻 𝑺𝑪𝑬 𝑺𝑪𝑹

𝑺𝑪𝑹 = 𝜺𝟐𝒊 = 𝓔′ 𝓔 = 𝒀′ 𝒀 − 𝜷′ 𝑿′ 𝒀 = 𝒀′𝒄 𝒀𝒄 − 𝒀′𝒄 𝒀𝒄


𝒊=𝟏

𝓬 • 𝑻𝒂𝒃𝒍𝒆𝒂𝒖 𝒅′𝒂𝒏𝒂𝒍𝒚𝒔𝒆 𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 ∶

𝑺𝒐𝒖𝒓𝒄𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒊𝒍𝒊𝒕é 𝑺𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝑫𝒆𝒈𝒓é 𝒅𝒆 𝒍𝒊𝒃𝒆𝒓𝒕é 𝑪𝒂𝒓𝒓é𝒔 𝒎𝒐𝒚𝒆𝒏𝒔

𝑹é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝑺𝑪𝑬 𝒌−𝟏 𝑺𝑪𝑬 𝒌 − 𝟏

𝑹é𝒔𝒊𝒅𝒖𝒔 𝑺𝑪𝑹 𝒏−𝒌 𝝇𝟐 = 𝑺𝑪𝑹 𝒏 − 𝒌

𝑻𝒐𝒕𝒂𝒍 𝑺𝑪𝑻 𝒏−𝟏 𝑺𝟐 = 𝑺𝑪𝑻 𝒏 − 𝟏

𝓭 • 𝑪𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 𝒅𝒂𝒏𝒔 𝒖𝒏 𝒎𝒐𝒅è𝒍𝒆 𝒂𝒗𝒆𝒄 𝒕𝒆𝒓𝒎𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕 𝜷𝟏 ∶

𝑳𝒂 𝒑𝒂𝒓𝒕 𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒆 𝒀 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒆 𝒑𝒂𝒓 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒆𝒔𝒕 𝒕𝒐𝒖𝒋𝒐𝒖𝒓𝒔 𝒕𝒓𝒂𝒅𝒖𝒊𝒕𝒆 𝒑𝒂𝒓 𝒍𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕

𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏.

𝑪𝒐𝒏𝒏𝒂𝒊𝒔𝒔𝒂𝒏𝒕 𝒍’é𝒒𝒖𝒂𝒕𝒊𝒐𝒏 𝒅’𝒂𝒏𝒂𝒍𝒚𝒔𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 ∶ 𝑺𝑪𝑻 = 𝑺𝑪𝑬 + 𝑺𝑪𝑹, 𝒍𝒆 𝑹𝟐 𝒄𝒐𝒓𝒓𝒆𝒔𝒑𝒐𝒏𝒅

𝑺𝑪𝑬 𝒀′𝒄 𝒀𝒄 𝑺𝑪𝑹 𝓔′ 𝓔


𝒂𝒖 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 ∶ 𝑹𝟐 = = ′ =𝟏− =𝟏− ′ ∈ 𝟎, 𝟏 𝒔𝒆𝒖𝒍𝒆𝒎𝒆𝒏𝒕 𝒑𝒐𝒖𝒓 𝜷𝟏 ≠ 𝟎
𝑺𝑪𝑻 𝒀𝒄 𝒀𝒄 𝑺𝑪𝑻 𝒀𝒄 𝒀𝒄

𝑰𝒍 𝒇𝒂𝒖𝒕 𝒏𝒐𝒕𝒆𝒓 𝒒𝒖𝒆, 𝒄𝒐𝒎𝒎𝒆 𝒑𝒐𝒖𝒓 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒔𝒊𝒎𝒑𝒍𝒆, 𝒍𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 𝒓𝒆𝒔𝒕𝒆

𝒖𝒏 𝒊𝒏𝒅𝒊𝒄𝒂𝒕𝒆𝒖𝒓 𝒅𝒖 𝒄𝒂𝒓𝒂𝒄𝒕è𝒓𝒆 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒇 𝒅𝒆 𝒍’é𝒒𝒖𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 à 𝒃𝒊𝒆𝒏 𝒎𝒐𝒅é𝒍𝒊𝒔𝒆𝒓 𝒀.

𝑰𝒍 𝒎𝒆𝒔𝒖𝒓𝒆 𝒂𝒊𝒏𝒔𝒊 𝒍𝒂 𝒑𝒂𝒓𝒕 𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒏𝒅𝒐𝒈è𝒏𝒆 𝒂𝒕𝒕𝒓𝒊𝒃𝒖𝒂𝒃𝒍𝒆 à 𝒔𝒂 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏

𝒔𝒖𝒓 𝒍𝒆𝒔 𝑿. 𝑪𝒆𝒄𝒊 𝒆𝒔𝒕 𝒄𝒐𝒏𝒇𝒊𝒓𝒎é 𝒑𝒂𝒓 𝒍𝒆 𝒇𝒂𝒊𝒕 𝒒𝒖𝒆 𝒍𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 𝒏’𝒆𝒔𝒕 𝒓𝒊𝒆𝒏

𝒅’𝒂𝒖𝒕𝒓𝒆 𝒒𝒖𝒆 𝒍𝒆 𝒄𝒂𝒓𝒓é 𝒅𝒖 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒆𝒏𝒕𝒓𝒆 𝒍𝒆𝒔 𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒐𝒃𝒔𝒆𝒓𝒗é𝒆𝒔 𝒆𝒕 𝒍𝒆𝒔

ème
37 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒑𝒓é𝒅𝒊𝒕𝒆𝒔 𝒅𝒆 𝒀.

𝑪𝒐𝒗 𝒚𝒊 , 𝒚𝒊
𝑹𝟐 = = 𝝆𝟐𝒀,𝒀
𝑽𝒂𝒓 𝒚𝒊 𝑽𝒂𝒓 𝒚𝒊

 𝑹𝒆𝒎𝒂𝒓𝒒𝒖𝒆 ∶ 𝑳𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒆𝒏𝒕𝒓𝒆 𝒀 𝒆𝒕 𝒀 𝝆𝒀,𝒀 𝒆𝒔𝒕 𝒂𝒑𝒑𝒆𝒍é

𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒎𝒖𝒍𝒕𝒊𝒑𝒍𝒆. 𝑪𝒆𝒍𝒂 𝒔𝒖𝒈𝒈è𝒓𝒆 𝒅′ 𝒂𝒊𝒍𝒍𝒆𝒖𝒓𝒔 𝒅𝒆 𝒄𝒐𝒏𝒔𝒕𝒓𝒖𝒊𝒓𝒆 𝒍𝒆 𝒈𝒓𝒂𝒑𝒉𝒊𝒒𝒖𝒆

𝒏𝒖𝒂𝒈𝒆 𝒅𝒆 𝒑𝒐𝒊𝒏𝒕𝒔 𝒄𝒐𝒏𝒇𝒓𝒐𝒏𝒕𝒂𝒏𝒕 𝒀 𝒆𝒕 𝒀 𝒑𝒐𝒖𝒓 é𝒗𝒂𝒍𝒖𝒆𝒓 𝒍𝒂 𝒒𝒖𝒂𝒍𝒊𝒕é 𝒅𝒆 𝒍𝒂 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏. 𝑺𝒊 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆

𝒆𝒔𝒕 𝒑𝒂𝒓𝒇𝒂𝒊𝒕, 𝒍𝒆𝒔 𝒑𝒐𝒊𝒏𝒕𝒔 𝒔𝒆𝒓𝒂𝒊𝒆𝒏𝒕 𝒑𝒂𝒓𝒇𝒂𝒊𝒕𝒆𝒎𝒆𝒏𝒕 𝒂𝒍𝒊𝒈𝒏é𝒔.

𝑩𝒊𝒆𝒏 é𝒗𝒊𝒅𝒆𝒎𝒆𝒏𝒕 𝑹𝟐 ∈ 𝟎, 𝟏 , 𝒑𝒍𝒖𝒔 𝑹𝟐 𝒆𝒔𝒕 𝒑𝒓𝒐𝒄𝒉𝒆 𝒅𝒆 𝟏, 𝒑𝒍𝒖𝒔 𝒍𝒆 𝒄𝒂𝒓𝒂𝒄𝒕è𝒓𝒆 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒇 𝒅𝒖 𝒎𝒐𝒅è𝒍𝒆

𝒆𝒔𝒕 𝒊𝒎𝒑𝒐𝒓𝒕𝒂𝒏𝒕.

𝑳𝒆 𝑹𝟐 𝒆𝒔𝒕 𝒄𝒆𝒓𝒕𝒆𝒔 𝒖𝒏 𝒊𝒏𝒅𝒊𝒄𝒂𝒕𝒆𝒖𝒓 𝒅𝒆 𝒒𝒖𝒂𝒍𝒊𝒕é, 𝒎𝒂𝒊𝒔 𝒊𝒍 𝒑𝒓é𝒔𝒆𝒏𝒕𝒆 𝒍′ 𝒊𝒏𝒄𝒐𝒏𝒗é𝒏𝒊𝒆𝒏𝒕 𝒅’ê𝒕𝒓𝒆 𝒎é𝒄𝒂𝒏𝒊𝒒𝒖𝒆

𝒄-à-𝒅. 𝒒𝒖𝒆 𝒔𝒂 𝒗𝒂𝒍𝒆𝒖𝒓 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒆 𝒂𝒗𝒆𝒄 𝒍’𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒔, 𝒎ê𝒎𝒆𝒔

𝒏𝒐𝒏 𝒑𝒆𝒓𝒕𝒊𝒏𝒆𝒏𝒕𝒆𝒔 à 𝒍’𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒅𝒖 𝒑𝒉é𝒏𝒐𝒎è𝒏𝒆 é𝒕𝒖𝒅𝒊é.

𝑨 𝒍’𝒆𝒙𝒕𝒓ê𝒎𝒆, 𝒔𝒊 𝒐𝒏 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒆 𝒍𝒆 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒔, 𝒎ê𝒎𝒆𝒔 𝒊𝒎𝒑𝒆𝒓𝒕𝒊𝒏𝒆𝒏𝒕𝒆𝒔,

𝒕𝒆𝒍𝒔 𝒒𝒖𝒆 𝒍𝒆 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅𝒆 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔 𝒅𝒆𝒗𝒊𝒆𝒏𝒏𝒆 é𝒈𝒂𝒍 𝒂𝒖 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅’𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏𝒔, 𝒐𝒏 𝒂𝒖𝒓𝒂𝒊𝒕 𝒖𝒏

𝑹𝟐 = 𝟏 . 𝑨𝒊𝒏𝒔𝒊 , 𝒆𝒏 𝒕𝒂𝒏𝒕 𝒒𝒖𝒆 𝒕𝒆𝒍, 𝒍𝒆 𝑹𝟐 𝒏’𝒆𝒔𝒕 𝒑𝒂𝒔 𝒍’𝒐𝒖𝒕𝒊𝒍 𝒂𝒑𝒑𝒓𝒐𝒑𝒓𝒊é 𝒑𝒐𝒖𝒓 𝒋𝒖𝒈𝒆𝒓 𝒅𝒆 𝒍’𝒂𝒑𝒑𝒐𝒓𝒕 𝒅𝒆𝒔

𝒅𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒔𝒖𝒑𝒑𝒍é𝒎𝒆𝒏𝒕𝒂𝒊𝒓𝒆𝒔 𝒍𝒐𝒓𝒔 𝒅𝒆 𝒍𝒂 𝒄𝒐𝒎𝒑𝒂𝒓𝒂𝒊𝒔𝒐𝒏 𝒅𝒆 𝒑𝒍𝒖𝒔𝒊𝒆𝒖𝒓𝒔 𝒎𝒐𝒅è𝒍𝒆𝒔. 𝑳𝒐𝒓𝒔𝒒𝒖’𝒊𝒍

𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒆 𝒅𝒆 𝒎𝒂𝒏𝒊è𝒓𝒆 𝒎é𝒄𝒂𝒏𝒊𝒒𝒖𝒆, 𝒅𝒆 𝒍’𝒂𝒖𝒕𝒓𝒆 𝒄ô𝒕é 𝒍’𝒐𝒏 𝒑𝒆𝒓𝒅 𝒆𝒏 𝒅𝒆𝒈𝒓é𝒔 𝒅𝒆 𝒍𝒊𝒃𝒆𝒓𝒕é.

𝓮 • 𝑪𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 𝒄𝒐𝒓𝒓𝒊𝒈é 𝒐𝒖 𝒂𝒋𝒖𝒔𝒕é: 𝑳𝒆 𝑹𝟐 𝒆𝒔𝒕 𝒖𝒏 𝒊𝒏𝒅𝒊𝒄𝒂𝒕𝒆𝒖𝒓 𝒅𝒆 𝒒𝒖𝒂𝒍𝒊𝒕é,

𝒎𝒂𝒊𝒔 𝒊𝒍 𝒑𝒓é𝒔𝒆𝒏𝒕𝒆 𝒖𝒏 𝒅é𝒇𝒂𝒖𝒕 𝒆𝒏𝒏𝒖𝒚𝒆𝒖𝒙 ∶ 𝒑𝒍𝒖𝒔 𝒏𝒐𝒖𝒔 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒐𝒏𝒔 𝒍𝒆 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔

𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒔, 𝒎ê𝒎𝒆 𝒏𝒐𝒏 𝒑𝒆𝒓𝒕𝒊𝒏𝒆𝒏𝒕𝒆𝒔, 𝒏′ 𝒂𝒚𝒂𝒏𝒕 𝒂𝒖𝒄𝒖𝒏 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 𝒂𝒗𝒆𝒄 𝒍𝒆 𝒑𝒓𝒐𝒃𝒍è𝒎𝒆 𝒒𝒖𝒆 𝒍′ 𝒐𝒏

𝒄𝒉𝒆𝒓𝒄𝒉𝒆 à 𝒓é𝒔𝒐𝒖𝒅𝒓𝒆, 𝒑𝒍𝒖𝒔 𝒈𝒓𝒂𝒏𝒅𝒆 𝒔𝒆𝒓𝒂 𝒔𝒂 𝒗𝒂𝒍𝒆𝒖𝒓.

𝑳𝒂 𝒎𝒆𝒔𝒖𝒓𝒆 𝒂𝒍𝒕𝒆𝒓𝒏𝒂𝒕𝒊𝒗𝒆, 𝒑𝒍𝒖𝒔 𝒓𝒐𝒃𝒖𝒔𝒕𝒆 à 𝒍’𝒂𝒋𝒐𝒖𝒕 𝒅𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔, 𝒒𝒖𝒊 𝒄𝒐𝒓𝒓𝒊𝒈𝒆 𝒄𝒆 𝒑𝒓𝒐𝒃𝒍è𝒎𝒆

𝒂𝒔𝒔𝒐𝒄𝒊é 𝒂𝒖𝒙 𝒅𝒆𝒈𝒓é𝒔 𝒅𝒆 𝒍𝒊𝒃𝒆𝒓𝒕é 𝒆𝒔𝒕 𝒍𝒆 𝑹𝟐 -𝒂𝒋𝒖𝒔𝒕é 𝒐𝒖 𝑹𝟐 -𝒄𝒐𝒓𝒓𝒊𝒈é . 𝑬𝒍𝒍𝒆 𝒔𝒆 𝒅é𝒇𝒊𝒏𝒊𝒕 𝒄𝒐𝒎𝒎𝒆 𝒔𝒖𝒊𝒕 ∶

𝑺𝑪𝑹 𝒏 − 𝒌 𝒏−𝟏
𝑹𝟐 = 𝟏 − =𝟏− 𝟏 − 𝑹𝟐
𝑺𝑪𝑻 𝒏 − 𝟏 𝒏−𝒌

𝑹𝟐 < 𝑹𝟐 𝒆𝒕 𝐥𝐢𝐦 𝑹𝟐 = 𝑹𝟐
𝒏→+∞

 𝑹𝒆𝒎𝒂𝒓𝒒𝒖𝒆 ∶ 𝑰𝒍 𝒇𝒂𝒖𝒕 𝒇𝒂𝒊𝒓𝒆 𝒂𝒕𝒕𝒆𝒏𝒕𝒊𝒐𝒏 𝒅𝒆 𝒏𝒆 𝒑𝒂𝒔 𝒊𝒏𝒕𝒆𝒓𝒑𝒓é𝒕𝒆𝒓 𝒍𝒆 𝑹𝟐 𝒆𝒏 𝒕𝒆𝒓𝒎𝒆𝒔 𝒅𝒆 𝒑𝒂𝒓𝒕

𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒆. 𝑺𝒐𝒏 𝒔𝒆𝒖𝒍 𝒂𝒗𝒂𝒏𝒕𝒂𝒈𝒆 𝒆𝒔𝒕 𝒒𝒖’𝒊𝒍 𝒑𝒆𝒓𝒎𝒆𝒕 𝒅𝒆 𝒄𝒐𝒎𝒑𝒂𝒓𝒆𝒓 𝒑𝒍𝒖𝒔𝒊𝒆𝒖𝒓𝒔
ème
38 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝟐
𝒎𝒐𝒅è𝒍𝒆𝒔. 𝑫𝒆 𝒑𝒍𝒖𝒔, 𝒍𝒆 𝑹 𝒑𝒆𝒖𝒕 𝒑𝒓𝒆𝒏𝒅𝒓𝒆 𝒅𝒆𝒔 𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒏é𝒈𝒂𝒕𝒊𝒗𝒆𝒔. 𝑫𝒂𝒏𝒔 𝒄𝒆 𝒅𝒆𝒓𝒏𝒊𝒆𝒓 𝒄𝒂𝒔, 𝒊𝒍 𝒇𝒂𝒖𝒕

𝒍’𝒂𝒔𝒔𝒊𝒎𝒊𝒍𝒆𝒓 à 𝒛é𝒓𝒐.

𝓯 • 𝑪𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓𝒕𝒊𝒆𝒍𝒍𝒆: 𝑳𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓𝒕𝒊𝒆𝒍𝒍𝒆

𝒂𝒔𝒔𝒐𝒄𝒊é à 𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒒𝒖𝒆𝒍𝒄𝒐𝒏𝒒𝒖𝒆 𝒆𝒔𝒕 𝒍𝒂 𝒑𝒂𝒓𝒕 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒍𝒂𝒊𝒔𝒔é𝒆 𝒊𝒏𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒆 𝒑𝒂𝒓 𝒍𝒆𝒔

𝒂𝒖𝒕𝒓𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒒𝒖𝒊 𝒆𝒔𝒕 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒆 𝒈𝒓â𝒄𝒆 à 𝒍’𝒊𝒏𝒕𝒓𝒐𝒅𝒖𝒄𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 é𝒕𝒖𝒅𝒊é𝒆.

𝑰𝒍 𝒎𝒆𝒔𝒖𝒓𝒆 𝒍’𝒊𝒏𝒇𝒍𝒖𝒆𝒏𝒄𝒆 𝒅𝒆 𝑿𝒋 𝒔𝒖𝒓 𝒀 𝒔𝒊 𝒐𝒏 é𝒍𝒊𝒎𝒊𝒏𝒆 𝒍’𝒆𝒇𝒇𝒆𝒕 𝒅𝒆𝒔 𝒂𝒖𝒕𝒓𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒔.

∎ 𝑼𝒏𝒆 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒆𝒏 𝒍’𝒂𝒃𝒔𝒆𝒏𝒄𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 é𝒕𝒖𝒅𝒊é𝒆 𝑿𝒋 ∶

𝑺𝑪𝑻𝟏 = 𝑺𝑪𝑬𝟏 + 𝑺𝑪𝑹𝟏 𝑴𝟏

∎ 𝑼𝒏𝒆 𝒔𝒆𝒄𝒐𝒏𝒅𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒆𝒏 𝒑𝒓𝒆𝒏𝒂𝒏𝒕 𝒕𝒐𝒖𝒕𝒆𝒔 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔, 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝑿𝒋 𝒄𝒐𝒎𝒑𝒓𝒊𝒔𝒆 ∶

𝑺𝑪𝑻𝟐 = 𝑺𝑪𝑬𝟐 + 𝑺𝑪𝑹𝟐 𝑴𝟐

∎ 𝑺𝑪𝑹𝟏 : 𝑪𝒆 𝒒𝒖𝒊 𝒏’𝒆𝒔𝒕 𝒑𝒂𝒔 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é 𝒑𝒂𝒓 𝒍𝒂 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 (𝒆𝒏 𝒍’𝒂𝒃𝒔𝒆𝒏𝒄𝒆 𝒅𝒆 𝒍𝒂

𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆 𝑿𝒋 )

∎ 𝑺𝑪𝑬𝟐 − 𝑺𝑪𝑬𝟏 ∶ 𝑳𝒆 𝒔𝒖𝒑𝒑𝒍é𝒎𝒆𝒏𝒕 𝒅’𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒂𝒑𝒑𝒐𝒓𝒕é 𝒑𝒂𝒓 𝑿𝒋

𝑳𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓𝒕𝒊𝒆𝒍𝒍𝒆 𝒂𝒔𝒔𝒐𝒄𝒊é à 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝑿𝒋 𝒆𝒔𝒕 𝒅é𝒇𝒊𝒏𝒊 𝒑𝒂𝒓 𝒍𝒂

𝒇𝒐𝒓𝒎𝒖𝒍𝒆 𝒔𝒖𝒊𝒗𝒂𝒏𝒕𝒆 ∶
𝟐
𝑺𝑪𝑬𝟐 − 𝑺𝑪𝑬𝟏 𝑺𝑪𝑹𝟏 − 𝑺𝑪𝑹𝟐 𝑹𝟐𝟐 − 𝑹𝟐𝟏 𝒕𝜷𝒋 𝜷𝒋
𝒓𝟐𝒀, 𝑿𝒋 = = = = 𝒐ù 𝒕𝜷𝒋 =
𝑺𝑪𝑹𝟏 𝑺𝑪𝑹𝟏 𝟏 − 𝑹𝟐𝟏 𝒕𝟐𝜷 + 𝒏 − 𝒌 𝝇𝜷𝒋
𝒋

𝒔𝒊 𝒓𝟐𝒀, 𝑿𝒋 = 𝟎 ⇒ 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝑿𝒋 𝒏′ 𝒂𝒑𝒑𝒐𝒓𝒕𝒆 𝒓𝒊𝒆𝒏 𝒅𝒆 𝒑𝒍𝒖𝒔 à 𝒍′ 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒀


𝒓𝟐𝒀, 𝑿𝒋 ∈ 𝟎, 𝟏 :
𝒔𝒊 𝒓𝟐𝒀, 𝑿𝒋 = 𝟏 ⇒ 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝑿𝒋 𝒆𝒙𝒑𝒍𝒊𝒒𝒖𝒆 𝒕𝒐𝒖𝒕 𝒄𝒆 𝒒𝒖𝒊 𝒓𝒆𝒔𝒕𝒂𝒊𝒕 à 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é

𝑳𝒂 𝒏𝒐𝒕𝒊𝒐𝒏 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓𝒕𝒊𝒆𝒍𝒍𝒆 𝒆𝒔𝒕 𝒊𝒎𝒑𝒐𝒓𝒕𝒂𝒏𝒕𝒆 𝒅𝒂𝒏𝒔 𝒍𝒂 𝒎𝒆𝒔𝒖𝒓𝒆 𝒐ù 𝒆𝒍𝒍𝒆 𝒑𝒆𝒓𝒎𝒆𝒕 𝒅𝒆 𝒋𝒖𝒈𝒆𝒓

𝒅𝒆 𝒍𝒂 𝒑𝒆𝒓𝒕𝒊𝒏𝒆𝒏𝒄𝒆 𝒅’𝒊𝒏𝒕𝒓𝒐𝒅𝒖𝒊𝒓𝒆 𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒐𝒈è𝒏𝒆 𝒅𝒂𝒏𝒔 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆. 𝑷𝒍𝒖𝒔 é𝒍𝒆𝒗é 𝒔𝒆𝒓𝒂 𝒍𝒆

𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓𝒕𝒊𝒆𝒍𝒍𝒆 𝒅’𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆, 𝒑𝒍𝒖𝒔 𝒊𝒎𝒑𝒐𝒓𝒕𝒂𝒏𝒕𝒆 𝒔𝒆𝒓𝒂 𝒔𝒂 𝒄𝒐𝒏𝒕𝒓𝒊𝒃𝒖𝒕𝒊𝒐𝒏

à 𝒍’𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒈𝒍𝒐𝒃𝒂𝒍𝒆 𝒅𝒖 𝒎𝒐𝒅è𝒍𝒆.

ème
39 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝑪𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓𝒕𝒊𝒆𝒍𝒍𝒆 𝒅𝒖 𝑪𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓𝒕𝒊𝒆𝒍𝒍𝒆 𝒅𝒖

𝒑𝒓𝒆𝒎𝒊𝒆𝒓 𝒐𝒓𝒅𝒓𝒆 𝒅𝒆𝒖𝒙𝒊è𝒎𝒆 𝒐𝒓𝒅𝒓𝒆

𝑺𝒐𝒊𝒕 𝒀 𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒏𝒅𝒐𝒈è𝒏𝒆, 𝒆𝒕 𝑿𝒊 , 𝑿𝒋 , 𝑿𝒌 𝒅𝒆𝒔 𝑬𝒏 𝒄𝒐𝒏𝒔𝒊𝒅é𝒓𝒂𝒏𝒕 𝒍’𝒆𝒙𝒆𝒎𝒑𝒍𝒆 𝒄𝒊-𝒄𝒐𝒏𝒕𝒓𝒆, 𝒍𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕

𝒆𝒙𝒐𝒈è𝒏𝒆𝒔, 𝒍𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓𝒕𝒊𝒆𝒍𝒍𝒆 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓𝒕𝒊𝒆𝒍𝒍𝒆 𝒅𝒖 𝒅𝒆𝒖𝒙𝒊è𝒎𝒆 𝒐𝒓𝒅𝒓𝒆 𝒔𝒆𝒓𝒕

𝒎𝒆𝒔𝒖𝒓𝒆 𝒍𝒆 𝒍𝒊𝒆𝒏 𝒆𝒏𝒕𝒓𝒆 𝒀 𝒆𝒕 𝒄𝒉𝒂𝒒𝒖𝒆 𝑿 , 𝒍’𝒊𝒏𝒇𝒍𝒖𝒆𝒏𝒄𝒆 à 𝒒𝒖𝒂𝒏𝒕𝒊𝒇𝒊𝒆𝒓 𝒍𝒆 𝒍𝒊𝒆𝒏 𝒆𝒏𝒕𝒓𝒆 𝒀 𝒆𝒕 𝒄𝒉𝒂𝒒𝒖𝒆 𝑿, 𝒍’𝒊𝒏𝒇𝒍𝒖𝒆𝒏𝒄𝒆

𝒋𝒖𝒔𝒕𝒆 𝒅’𝒖𝒏𝒆 𝒕𝒓𝒐𝒊𝒔𝒊è𝒎𝒆𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒐𝒈è𝒏𝒆 é𝒕𝒂𝒏𝒕 𝒅𝒆 𝒅𝒆𝒖𝒙 𝒂𝒖𝒕𝒓𝒆𝒔 é𝒕𝒂𝒏𝒕 𝒆𝒙𝒄𝒍𝒖𝒆. 𝑨𝒊𝒏𝒔𝒊, 𝒑𝒂𝒓𝒕𝒂𝒏𝒕 𝒅𝒖

𝒆𝒙𝒄𝒍𝒖𝒆. 𝒎ê𝒎𝒆 𝒆𝒙𝒆𝒎𝒑𝒍𝒆, 𝒊𝒍 𝒆𝒔𝒕 𝒑𝒐𝒔𝒔𝒊𝒃𝒍𝒆 𝒅𝒆 𝒄𝒂𝒍𝒄𝒖𝒍𝒆𝒓 𝒕𝒓𝒐𝒊𝒔

𝑷𝒂𝒓𝒕𝒂𝒏𝒕 𝒅𝒆 𝒍’𝒆𝒙𝒆𝒎𝒑𝒍𝒆 𝒄𝒉𝒐𝒊𝒔𝒊, 𝒐𝒏 𝒑𝒆𝒖𝒕 𝒄𝒂𝒍𝒄𝒖𝒍𝒆𝒓 𝒂𝒊𝒏𝒔𝒊 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓𝒕𝒊𝒆𝒍𝒔 𝒅𝒖 𝒅𝒆𝒖𝒙𝒊è𝒎𝒆

𝒔𝒊𝒙 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓𝒕𝒊𝒆𝒍𝒍𝒆 𝒅𝒖 𝒐𝒓𝒅𝒓𝒆, 𝒔𝒐𝒊𝒕 ∶ 𝒓𝒀𝑿𝒊→𝑿𝒋𝑿𝒌 ; 𝒓𝒀𝑿𝒋→𝑿𝒊𝑿𝒌 ; 𝒓𝒀𝑿𝒌→𝑿𝒊𝑿𝒋

𝒑𝒓𝒆𝒎𝒊𝒆𝒓 𝒐𝒓𝒅𝒓𝒆 ∶

𝒓𝒀𝑿𝒊→𝑿𝒋 ; 𝒓𝒀𝑿𝒊→𝑿𝒌 ; 𝒓𝒀𝑿𝒋→𝑿𝒊 ; 𝒓𝒀𝑿𝒋→𝑿𝒌 ; 𝒓𝒀𝑿𝒌→𝑿𝒊 ; 𝒓𝒀𝑿𝒌→𝑿𝒋

𝑫𝒂𝒏𝒔 𝒄𝒆 𝒄𝒂𝒔, 𝒍𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏

𝒑𝒂𝒓𝒕𝒊𝒆𝒍𝒍𝒆 𝒅𝒖 𝒑𝒓𝒆𝒎𝒊𝒆𝒓 𝒐𝒓𝒅𝒓𝒆 𝒑𝒆𝒖𝒕 ê𝒕𝒓𝒆 𝒄𝒂𝒍𝒄𝒖𝒍é à

𝒑𝒂𝒓𝒕𝒊𝒓 𝒅𝒆𝒔 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒄𝒐𝒎𝒎𝒆 𝒔𝒖𝒊𝒕 ∶

𝑬𝒕𝒂𝒑𝒆𝒔 𝒅𝒆 𝒄𝒂𝒍𝒄𝒖𝒍 𝒅𝒆 𝒓𝒀𝑿𝒊→𝑿𝒋𝑿𝒌


𝒓𝒀𝑿𝒊 − 𝒓𝒀𝑿𝒋 𝒓𝑿𝒊𝑿𝒋
𝒓𝒀𝑿𝒊→𝑿𝒋 = 𝑺𝒖𝒑𝒑𝒐𝒔𝒐𝒏𝒔 𝒒𝒖𝒆 𝒍’𝒐𝒏 𝒗𝒆𝒖𝒕 𝒎𝒆𝒔𝒖𝒓𝒆𝒓 𝒍𝒆 𝒍𝒊𝒆𝒏 𝒆𝒏𝒕𝒓𝒆 𝒀 𝒆𝒕
𝟏 − 𝒓𝟐𝒀𝑿𝒋 𝟏 − 𝒓𝟐𝑿𝒊𝑿𝒋
𝑿𝒊 , 𝒍’𝒊𝒏𝒇𝒍𝒖𝒆𝒏𝒄𝒆 𝒅𝒆 𝑿𝒋 𝒆𝒕 𝒅𝒆 𝑿𝒌 é𝒕𝒂𝒏𝒕 𝒏𝒆𝒖𝒕𝒓𝒂𝒍𝒊𝒔é𝒆, 𝒔𝒐𝒊𝒕

𝒓𝒀𝑿𝒊 − 𝒓𝒀𝑿𝒌 𝒓𝑿𝒊𝑿𝒌 ❶ 𝑪𝒂𝒍𝒄𝒖𝒍 𝒅𝒆𝒔 𝒓é𝒔𝒊𝒅𝒖𝒔 𝓔𝟏 𝒊𝒔𝒔𝒖𝒔 𝒅𝒆 𝒍𝒂 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒅𝒆


𝒓𝒀𝑿𝒊→𝑿𝒌 =
𝟏 − 𝒓𝟐𝒀𝑿𝒌 𝟏 − 𝒓𝟐𝑿𝒊𝑿𝒌 𝒀 𝒔𝒖𝒓 𝑿𝒋 𝒆𝒕 𝑿𝒌

𝒓𝒀𝑿𝒋 − 𝒓𝒀𝑿𝒊 𝒓𝑿𝒋𝑿𝒊 ❷𝑪𝒂𝒍𝒄𝒖𝒍 𝒅𝒆𝒔 𝒓é𝒔𝒊𝒅𝒖𝒔 𝓔𝟐 𝒊𝒔𝒔𝒖𝒔 𝒅𝒆 𝒍𝒂 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒅𝒆


𝒓𝒀𝑿𝒋→𝑿𝒊 =
𝟏 − 𝒓𝟐𝒀𝑿𝒊 𝟏 − 𝒓𝟐𝑿𝒋𝑿𝒊 𝑿𝒊 𝒔𝒖𝒓 𝑿𝒋 𝒆𝒕 𝑿𝒌

❸ 𝒓𝒀𝑿𝒊→𝑿𝒋𝑿𝒌 𝒄𝒐𝒓𝒓𝒆𝒔𝒑𝒐𝒏𝒅𝒓𝒂 𝒂𝒖 𝒄𝒂𝒓𝒓é 𝒅𝒖 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕


𝒓𝒀𝑿𝒋 − 𝒓𝒀𝑿𝒌 𝒓𝑿𝒋𝑿𝒌
𝒓𝒀𝑿𝒋→𝑿𝒌 = 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒄𝒂𝒍𝒄𝒖𝒍é 𝒆𝒏𝒕𝒓𝒆 𝓔𝟏 𝒆𝒕 𝓔𝟐 ∶
𝟏 − 𝒓𝟐𝒀𝑿𝒌 𝟏 − 𝒓𝟐𝑿𝒋𝑿𝒌
𝒓𝒀𝑿𝒊→𝑿𝒋𝑿𝒌 = 𝒓𝟐𝓔𝟏𝓔𝟐

𝒓𝒀𝑿𝒌 − 𝒓𝒀𝑿𝒊 𝒓𝑿𝒌𝑿𝒊


𝒓𝒀𝑿𝒌 →𝑿𝒊 =
𝟏 − 𝒓𝟐𝒀𝑿𝒊 𝟏 − 𝒓𝟐𝑿𝒌𝑿𝒊

𝒓𝒀𝑿𝒌 − 𝒓𝒀𝑿𝒋 𝒓𝑿𝒌𝑿𝒋


𝒓𝒀𝑿𝒌 →𝑿𝒋 =
𝟏 − 𝒓𝟐𝒀𝑿𝒋 𝟏 − 𝒓𝟐𝑿𝒌𝑿𝒋

ème
40 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝓰 • 𝑴𝒐𝒅è𝒍𝒆 𝒔𝒂𝒏𝒔 𝒕𝒆𝒓𝒎𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕 𝜷𝟏 ∶ 𝑳𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒓é𝒔𝒊𝒅𝒖𝒔 𝒏′ 𝒆𝒔𝒕 𝒑𝒂𝒔 𝒏é𝒄𝒆𝒔𝒔𝒂𝒊𝒓𝒆𝒎𝒆𝒏𝒕
𝒏

𝒏𝒖𝒍𝒍𝒆 , 𝒆𝒏 𝒆𝒇𝒇𝒆𝒕 , 𝒐𝒏 𝒂 𝒑𝒆𝒖𝒕 𝒂𝒗𝒐𝒊𝒓 𝜺𝒊 ≠ 𝟎 , 𝒄𝒐𝒎𝒎𝒆 𝒐𝒏 𝒑𝒆𝒖𝒕 𝒂𝒗𝒐𝒊𝒓 𝑺𝑪𝑻 ≠ 𝑺𝑪𝑬 + 𝑺𝑪𝑹
𝒊=𝟏

𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 𝑹𝟐 ∉ 𝟎, 𝟏

𝑵é𝒂𝒏𝒎𝒐𝒊𝒏𝒔, 𝒐𝒏 𝒂 𝒕𝒐𝒖𝒋𝒐𝒖𝒓𝒔 , 𝒆𝒏 𝒗𝒆𝒓𝒕𝒖 𝒅𝒖 𝒍𝒆𝒎𝒎𝒆 ∶ 𝒀′ 𝒀 = 𝓔′ 𝓔 + 𝜷′ 𝑿′ 𝒀 = 𝓔′ 𝓔 + 𝒀′ 𝒀

𝒀′ 𝒀 𝓔′ 𝓔
𝑶𝒏 𝒑𝒆𝒖𝒕 𝒅é𝒇𝒊𝒏𝒊𝒓 𝑹𝟐∗ = = 𝟏 − ∈ 𝟎, 𝟏
𝒀′ 𝒀 𝒀′ 𝒀

𝑪𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝑹𝟐∗ 𝒑𝒆𝒖𝒕 ê𝒕𝒓𝒆 𝒖𝒕𝒊𝒍𝒊𝒔é 𝒅𝒂𝒏𝒔 𝒕𝒐𝒖𝒔 𝒍𝒆𝒔 𝒄𝒂𝒔, 𝒕𝒂𝒏𝒕 𝒅𝒂𝒏𝒔 𝒖𝒏 𝒎𝒐𝒅è𝒍𝒆 𝒔𝒂𝒏𝒔 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆

𝒒𝒖𝒆 𝒅𝒂𝒏𝒔 𝒖𝒏 𝒎𝒐𝒅è𝒍𝒆 𝒂𝒗𝒆𝒄 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆.

𝑪𝒐𝒎𝒎𝒆 𝒑𝒓é𝒄é𝒅𝒆𝒎𝒎𝒆𝒏𝒕 , 𝒏𝒐𝒖𝒔 𝒑𝒐𝒖𝒗𝒐𝒏𝒔 𝒂𝒋𝒖𝒔𝒕𝒆𝒓 𝒄𝒆 𝒅𝒆𝒓𝒏𝒊𝒆𝒓 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏

𝒂𝒖𝒙 𝒏𝒐𝒎𝒃𝒓𝒆𝒔 𝒅𝒆 𝒅𝒆𝒈𝒓é𝒔 𝒅𝒆 𝒍𝒊𝒃𝒆𝒓𝒕é, 𝒄𝒐𝒎𝒎𝒆 𝒔𝒖𝒊𝒕 ∶

𝓔′ 𝓔 𝒏 − 𝒌 𝒏−𝟏 𝟐 𝒌−𝟏
𝑹𝟐∗ =𝟏− ′ = 𝑹∗ −
𝒀 𝒀 𝒏−𝟏 𝒏−𝒌 𝒏−𝒌

 𝑰𝒏𝒕𝒆𝒓𝒑𝒓é𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 ∶ 𝑹𝟐 𝒆𝒔𝒕 𝒖𝒏𝒆 𝒇𝒐𝒏𝒄𝒕𝒊𝒐𝒏

𝒎𝒐𝒏𝒐𝒕𝒐𝒏𝒆 𝒅𝒆 𝒍𝒂 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆 𝒅𝒆 𝑭𝒊𝒔𝒉𝒆𝒓 à 𝒆𝒎𝒑𝒍𝒐𝒚𝒆𝒓 𝒑𝒐𝒖𝒓 𝒕𝒆𝒔𝒕𝒆𝒓 𝒍𝒂 𝒏𝒖𝒍𝒍𝒊𝒕é 𝒅𝒆 𝒕𝒐𝒖𝒔 𝒍𝒆𝒔

𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 𝒅𝒆 𝒍𝒂 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒔𝒂𝒖𝒇 𝒍𝒂 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆.

𝑵𝒐𝒖𝒔 𝒗𝒆𝒓𝒓𝒐𝒏𝒔 𝒂𝒖𝒔𝒔𝒊 𝒒𝒖𝒆 𝑹𝟐∗ 𝒆𝒔𝒕 𝒖𝒏𝒆 𝒇𝒐𝒏𝒄𝒕𝒊𝒐𝒏 𝒎𝒐𝒏𝒐𝒕𝒐𝒏𝒆 𝒅𝒆 𝒍′ 𝒂𝒖𝒕𝒓𝒆𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆 𝒅𝒆 𝑭𝒊𝒔𝒉𝒆𝒓 à

𝒆𝒎𝒑𝒍𝒐𝒚𝒆𝒓 𝒑𝒐𝒖𝒓 𝒕𝒆𝒔𝒕𝒆𝒓 𝒍𝒂 𝒏𝒖𝒍𝒍𝒊𝒕é 𝒅𝒆 𝒕𝒐𝒖𝒔 𝒍𝒆𝒔 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 , 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 𝒄𝒐𝒎𝒑𝒓𝒊𝒔𝒆

𝓑– 𝟔 • 𝑷𝒓𝒐𝒃𝒍è𝒎𝒆𝒔 𝒑𝒂𝒓𝒕𝒊𝒄𝒖𝒍𝒊𝒆𝒓𝒔 ∶ 𝑴𝒖𝒍𝒕𝒊𝒄𝒐𝒍𝒊𝒏é𝒂𝒓𝒊𝒕é , 𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒎𝒖𝒆𝒕𝒕𝒆𝒔,

𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝑷𝒓𝒐𝒙𝒚 ∶

𝓪 • 𝑴𝒖𝒍𝒕𝒊𝒄𝒐𝒍𝒊𝒏é𝒂𝒓𝒊𝒕é ∶

∎ 𝑳′ 𝒆𝒙𝒊𝒔𝒕𝒆𝒏𝒄𝒆 𝒅′ 𝒖𝒏𝒆 𝒓𝒆𝒍𝒂𝒕𝒊𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒆𝒙𝒂𝒄𝒕𝒆 𝒆𝒏𝒕𝒓𝒆 𝒍𝒆𝒔 𝒄𝒐𝒍𝒐𝒏𝒏𝒆𝒔 𝒅𝒆 𝑿 𝒏𝒐𝒖𝒔 𝒆𝒎𝒑ê𝒄𝒉𝒆 𝒅𝒆

𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒆𝒓 𝒍′ 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝜷 𝒅𝒆 𝒎𝒂𝒏𝒊è𝒓𝒆 𝒖𝒏𝒊𝒒𝒖𝒆 . 𝑪𝒆 𝒄𝒂𝒔 𝒆𝒔𝒕 𝒖𝒏 𝒄𝒂𝒔 𝒆𝒙𝒕𝒓ê𝒎𝒆 𝒅𝒆

𝒎𝒖𝒍𝒕𝒊𝒄𝒐𝒍𝒊𝒏é𝒂𝒓𝒊𝒕é. 𝑴𝒂𝒊𝒔 𝒊𝒍 𝒂𝒓𝒓𝒊𝒗𝒆 𝒔𝒐𝒖𝒗𝒆𝒏𝒕 𝒒𝒖𝒆 𝒄𝒆𝒓𝒕𝒂𝒊𝒏𝒆𝒔 𝒅𝒆𝒔 𝒄𝒐𝒍𝒐𝒏𝒏𝒆𝒔 𝒅𝒆 𝑿 𝒑𝒓é𝒔𝒆𝒏𝒕𝒆𝒏𝒕 𝒖𝒏𝒆

𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒄𝒆 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒂𝒑𝒑𝒓𝒐𝒙𝒊𝒎𝒂𝒕𝒊𝒗𝒆. 𝑳𝒆𝒔 𝒄𝒐𝒏𝒔é𝒒𝒖𝒆𝒏𝒄𝒆𝒔 𝒅𝒆 𝒄𝒆 𝒑𝒓𝒐𝒃𝒍è𝒎𝒆 𝒔𝒐𝒏𝒕 𝒍𝒆𝒔 𝒔𝒖𝒊𝒗𝒂𝒏𝒕𝒆𝒔:

 𝑼𝒏 𝒎𝒂𝒏𝒒𝒖𝒆 𝒅𝒆 𝒑𝒓é𝒄𝒊𝒔𝒊𝒐𝒏 𝒅𝒂𝒏𝒔 𝒍𝒆𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔 𝒅𝒆𝒔 𝜷𝒋 , 𝒔𝒆 𝒕𝒓𝒂𝒅𝒖𝒊𝒔𝒂𝒏𝒕 𝒑𝒂𝒓 𝒅𝒆 𝒇𝒐𝒓𝒕𝒆𝒔

𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆𝒔

 𝑳𝒆𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔 𝒅𝒆𝒔 𝜷𝒋 𝒑𝒓é𝒔𝒆𝒏𝒕𝒆𝒓𝒐𝒏𝒕 𝒔𝒐𝒖𝒗𝒆𝒏𝒕 𝒅𝒆𝒔 𝒅𝒊𝒔𝒕𝒐𝒓𝒕𝒊𝒐𝒏𝒔 𝒊𝒎𝒑𝒐𝒓𝒕𝒂𝒏𝒕𝒆𝒔, 𝒅𝒖𝒆𝒔

ème
41 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
à 𝒅𝒆𝒔 𝒓𝒂𝒊𝒔𝒐𝒏𝒔 𝒏𝒖𝒎é𝒓𝒊𝒒𝒖𝒆𝒔 . 𝑳𝒆 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅𝒆 𝒄𝒉𝒊𝒇𝒇𝒓𝒆𝒔 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒇𝒔 𝒅𝒆𝒔 𝒆𝒎𝒑𝒍𝒂𝒄𝒆𝒎𝒆𝒏𝒕𝒔

𝒎é𝒎𝒐𝒊𝒓𝒆 𝒅′ 𝒖𝒏𝒐𝒓𝒅𝒊𝒏𝒂𝒕𝒆𝒖𝒓 𝒆𝒔𝒕 𝒆𝒏 𝒆𝒇𝒇𝒆𝒕 𝒍𝒊𝒎𝒊𝒕é, 𝒄𝒆 𝒒𝒖𝒊 𝒔𝒆 𝒕𝒓𝒂𝒅𝒖𝒊𝒕 𝒑𝒂𝒓 𝒖𝒏 𝒎𝒂𝒏𝒒𝒖𝒆 𝒅𝒆 𝒔𝒕𝒂𝒃𝒊𝒍𝒊𝒕é

𝒅𝒆𝒔 𝒑𝒓𝒐𝒈𝒓𝒂𝒎𝒎𝒆𝒔 𝒅′ 𝒊𝒏𝒗𝒆𝒓𝒔𝒊𝒐𝒏𝒎𝒂𝒕𝒓𝒊𝒄𝒊𝒆𝒍𝒍𝒆, 𝒑𝒐𝒖𝒓 𝒅𝒆𝒔 𝒎𝒂𝒕𝒓𝒊𝒄𝒆𝒔 𝒒𝒖𝒊 𝒔𝒐𝒏𝒕 𝒑𝒓𝒆𝒔𝒒𝒖𝒆 𝒔𝒊𝒏𝒈𝒖𝒍𝒊è𝒓𝒆𝒔.

𝑷𝒐𝒖𝒓 𝒊𝒍𝒍𝒖𝒔𝒕𝒓𝒆𝒓 𝒍𝒆 𝒑𝒓𝒆𝒎𝒊𝒆𝒓 𝒑𝒐𝒊𝒏𝒕 , 𝒑𝒓𝒆𝒏𝒐𝒏𝒔 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒅𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒔𝒊𝒎𝒑𝒍𝒆 ∶

𝝇𝟐𝜺
𝒚𝒊 = 𝜷𝟏 + 𝜷𝟐 𝒙𝒊 + 𝜺𝒊 . 𝑵𝒐𝒖𝒔 𝒂𝒗𝒐𝒏𝒔 𝒗𝒖 𝒒𝒖𝒆 ∶ 𝑽𝒂𝒓 𝜷𝟐 = 𝒏 𝟐
.
𝒊=𝟏 𝒙𝒊 − 𝒙

𝑳𝒂 𝒎𝒖𝒍𝒕𝒊𝒄𝒐𝒍𝒊𝒏é𝒂𝒓𝒊𝒕é 𝒔𝒆 𝒕𝒓𝒂𝒅𝒖𝒊𝒓𝒂 𝒅𝒂𝒏𝒔 𝒄𝒆 𝒄𝒂𝒔 𝒑𝒂𝒓 𝒖𝒏𝒆 𝒔é𝒓𝒊𝒆 𝒅′ 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏𝒔 𝒙𝒊 𝒑𝒓𝒆𝒔𝒒𝒖𝒆


𝒏
𝟐
𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆, 𝒄-à-𝒅. 𝒙𝒊 ≈ 𝒙 𝒑𝒐𝒖𝒓 𝒕𝒐𝒖𝒕 𝒊 . 𝑶𝒏 𝒂 𝒂𝒍𝒐𝒓𝒔 𝒙𝒊 − 𝒙 ≈ 𝟎, 𝒄𝒆 𝒒𝒖𝒊 𝒔𝒆 𝒕𝒓𝒂𝒅𝒖𝒊𝒕 𝒑𝒂𝒓 𝒖𝒏𝒆
𝒊=𝟏

𝒇𝒐𝒓𝒕𝒆 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒆 𝜷𝟐

𝝀𝒎𝒂𝒙
∎ 𝑳𝒂 𝒎𝒖𝒍𝒕𝒊𝒄𝒐𝒍𝒊𝒏é𝒂𝒓𝒊𝒕é 𝒑𝒆𝒖𝒕 ê𝒕𝒓𝒆 𝒎𝒆𝒔𝒖𝒓é 𝒆𝒏 𝒄𝒂𝒍𝒄𝒖𝒍𝒂𝒏𝒕 𝒍𝒆 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 𝒅𝒆 𝒍𝒂 𝒑𝒍𝒖𝒔 𝒈𝒓𝒂𝒏𝒅𝒆
𝝀𝒎𝒊𝒏

à 𝒍𝒂 𝒑𝒍𝒖𝒔 𝒑𝒆𝒕𝒊𝒕𝒆 𝒗𝒂𝒍𝒆𝒖𝒓 𝒑𝒓𝒐𝒑𝒓𝒆 𝒅𝒆 𝑿′ 𝑿

∎ 𝑷𝒐𝒖𝒓 𝒄𝒐𝒓𝒓𝒊𝒈𝒆𝒓 𝒍𝒆 𝒑𝒓𝒐𝒃𝒍è𝒎𝒆 𝒅𝒆 𝒎𝒖𝒍𝒕𝒊𝒄𝒐𝒍𝒊𝒏é𝒂𝒓𝒊𝒕é, 𝒐𝒏 𝒑𝒆𝒖𝒕 ∶

 𝑺𝒐𝒊𝒕 𝒂𝒋𝒐𝒖𝒕𝒆𝒓 𝒅𝒆𝒔 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏𝒔 à 𝒍′ é𝒄𝒉𝒂𝒏𝒕𝒊𝒍𝒍𝒐𝒏𝒒𝒖𝒂𝒏𝒅 𝒍𝒂 𝒄𝒉𝒐𝒔𝒆 𝒆𝒔𝒕 𝒑𝒐𝒔𝒔𝒊𝒃𝒍𝒆 ; 𝒊𝒍 𝒇𝒂𝒖𝒕

𝒏é𝒂𝒏𝒎𝒐𝒊𝒏𝒔 𝒒𝒖𝒆 𝒍𝒆𝒔 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏𝒔 𝒔𝒖𝒑𝒑𝒍é𝒎𝒆𝒏𝒕𝒂𝒊𝒓𝒆𝒔 𝒏𝒆 𝒑𝒓é𝒔𝒆𝒏𝒕𝒆𝒏𝒕 𝒑𝒂𝒔 𝒅𝒆 𝒎𝒖𝒍𝒕𝒊𝒄𝒐𝒍𝒊𝒏é𝒂𝒓𝒊𝒕é

 𝑺𝒐𝒊𝒕 𝒊𝒏𝒕𝒓𝒐𝒅𝒖𝒊𝒓𝒆 𝒖𝒏𝒆 𝒊𝒏𝒇𝒐𝒓𝒎𝒂𝒕𝒊𝒐𝒏 𝒂 𝒑𝒓𝒊𝒐𝒓𝒊 . 𝑺𝒖𝒑𝒑𝒐𝒔𝒐𝒏𝒔 𝒑𝒂𝒓 𝒆𝒙𝒆𝒎𝒑𝒍𝒆 𝒒𝒖𝒆 𝒅𝒂𝒏𝒔 𝒍𝒂

𝒇𝒐𝒏𝒄𝒕𝒊𝒐𝒏 𝒅𝒆 𝒑𝒓𝒐𝒅𝒖𝒄𝒕𝒊𝒐𝒏 ∶ 𝐥𝐧 𝑸𝒕 = 𝑨 + 𝜶 𝐥𝐧 𝑲𝒕 + 𝜷 𝐥𝐧 𝑳𝒕 + 𝜺𝒕

𝑳𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝐥𝐧 𝑲𝒕 𝒆𝒕 𝐥𝐧 𝑳𝒕 𝒔𝒐𝒏𝒕 𝒇𝒐𝒓𝒕𝒆𝒎𝒆𝒏𝒕 𝒄𝒐𝒍𝒊𝒏é𝒂𝒊𝒓𝒆𝒔. 𝑺𝒊 𝒍′ 𝒐𝒏 𝒔𝒂𝒊𝒕 𝒒𝒖𝒆 𝒍𝒆𝒔 𝒓𝒆𝒏𝒅𝒆𝒎𝒆𝒏𝒕

𝒅′ é𝒄𝒉𝒆𝒍𝒍𝒆𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕 𝜶 + 𝜷 = 𝟏 , 𝒐𝒏 𝒑𝒆𝒖𝒕 𝒕𝒓𝒂𝒏𝒔𝒇𝒐𝒓𝒎𝒆𝒓 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒄𝒐𝒎𝒎𝒆 𝒔𝒖𝒊𝒕 ∶

𝐥𝐧 𝑸𝒕 = 𝑨 + 𝜶 𝐥𝐧 𝑲𝒕 + 𝟏 − 𝜶 𝐥𝐧 𝑳𝒕 + 𝜺𝒕

𝒐𝒖 𝐥𝐧 𝑸𝒕 − 𝐥𝐧 𝑳𝒕 = 𝑨 + 𝜶 𝐥𝐧 𝑲𝒕 − 𝐥𝐧 𝑳𝒕 + 𝜺𝒕

𝑪𝒆 𝒒𝒖𝒊 𝒂 𝒅𝒐𝒏𝒄 𝒑𝒐𝒖𝒓 𝒆𝒇𝒇𝒆𝒕 𝒅𝒆 𝒔𝒖𝒑𝒑𝒓𝒊𝒎𝒆𝒓 𝒖𝒏 𝒓é𝒈𝒓𝒆𝒔𝒔𝒆𝒖𝒓. 𝑪𝒆𝒄𝒊 𝒑𝒆𝒖𝒕 𝒓é𝒔𝒐𝒖𝒅𝒓𝒆 𝒍𝒆 𝒑𝒓𝒐𝒃𝒍è𝒎𝒆 .

𝑬𝒔𝒔𝒆𝒏𝒕𝒊𝒆𝒍𝒍𝒆𝒎𝒆𝒏𝒕 , 𝒍′ 𝒊𝒏𝒇𝒐𝒓𝒎𝒂𝒕𝒊𝒐𝒏𝒂 𝒑𝒓𝒊𝒐𝒓𝒊 𝜶 + 𝜷 = 𝟏 𝒔𝒖𝒑𝒑𝒍é𝒆 𝒂𝒖 𝒅é𝒇𝒂𝒖𝒕 𝒅′ 𝒊𝒏𝒇𝒐𝒓𝒎𝒂𝒕𝒊𝒐𝒏

𝒑𝒓é𝒔𝒆𝒏𝒕 𝒅𝒂𝒏𝒔 𝒍′ é𝒄𝒉𝒂𝒏𝒕𝒊𝒍𝒍𝒐𝒏 (𝒕𝒆𝒏𝒕𝒂𝒕𝒊𝒗𝒆 𝒅′ 𝒆𝒔𝒕𝒊𝒎𝒆𝒓 𝒕𝒓𝒐𝒑 𝒅𝒆 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔 𝒂𝒗𝒆𝒄 𝒕𝒓𝒐𝒑 𝒑𝒆𝒖𝒕 𝒅𝒆

𝒅𝒐𝒏𝒏é𝒆𝒔)

𝓫 • 𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒎𝒖𝒆𝒕𝒕𝒆𝒔 ∶

∎ 𝑺𝒚𝒏𝒐𝒏𝒚𝒎𝒆 ∶ 𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒊𝒏𝒅𝒊𝒄𝒂𝒕𝒓𝒊𝒄𝒆𝒔, 𝒒𝒖𝒂𝒍𝒊𝒕𝒂𝒕𝒊𝒗𝒆𝒔 , 𝒃𝒊𝒏𝒂𝒊𝒓𝒆𝒔 , 𝒅𝒖𝒎𝒎𝒚 ,

ème
42 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒅𝒊𝒄𝒉𝒐𝒕𝒐𝒎𝒊𝒒𝒖𝒆𝒔, 𝒂𝒖𝒙𝒊𝒍𝒊𝒂𝒊𝒓𝒆𝒔, 𝒂𝒓𝒕𝒊𝒇𝒊𝒄𝒊𝒆𝒍𝒍𝒆𝒔

𝑼𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒊𝒏𝒅𝒊𝒄𝒂𝒕𝒓𝒊𝒄𝒆 𝒆𝒔𝒕 𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒔𝒑é𝒄𝒊𝒂𝒍𝒆 𝒒𝒖𝒊 𝒏𝒆 𝒑𝒓𝒆𝒏𝒅 𝒒𝒖𝒆 𝒅𝒆𝒖𝒙 𝒗𝒂𝒍𝒆𝒖𝒓𝒔,

𝟏 , 𝒑𝒐𝒖𝒓 𝒊𝒏𝒅𝒊𝒒𝒖𝒆𝒓 𝒒𝒖𝒆 𝒍𝒆 𝒑𝒉é𝒏𝒐𝒎è𝒏𝒆 𝒐𝒖 𝒍′ é𝒗é𝒏𝒆𝒎𝒆𝒏𝒕 𝒂 𝒍𝒊𝒆𝒖


à 𝒔𝒂𝒗𝒐𝒊𝒓 ∶
𝟎 , 𝒑𝒐𝒖𝒓 𝒊𝒏𝒅𝒊𝒒𝒖𝒆𝒓 𝒒𝒖𝒆 𝒍𝒆 𝒑𝒉é𝒏𝒐𝒎è𝒏𝒆 𝒐𝒖 𝒍′ é𝒗é𝒏𝒆𝒎𝒆𝒏𝒕 𝒏′ 𝒂 𝒑𝒂𝒔 𝒍𝒊𝒆𝒖

𝑬𝒍𝒍𝒆 𝒆𝒔𝒕 𝒖𝒕𝒊𝒍𝒊𝒔é𝒆 𝒆𝒏 é𝒄𝒐𝒏𝒐𝒎é𝒕𝒓𝒊𝒆 𝒑𝒐𝒖𝒓 𝒔𝒂𝒊𝒔𝒊𝒓 𝒍𝒆𝒔 𝒇𝒂𝒄𝒕𝒆𝒖𝒓𝒔 𝒒𝒖𝒂𝒍𝒊𝒕𝒂𝒕𝒊𝒇𝒔- 𝒄𝒐𝒎𝒎𝒆 𝒍𝒂 𝒓𝒂𝒄𝒆,

𝒍𝒆 𝒔𝒆𝒙𝒆, 𝒍𝒂 𝒓𝒆𝒍𝒊𝒈𝒊𝒐𝒏 𝒐𝒖 𝒎ê𝒎𝒆 𝒖𝒏 é𝒗é𝒏𝒆𝒎𝒆𝒏𝒕 𝒕𝒆𝒍 𝒒𝒖’𝒖𝒏𝒆 𝒈𝒖𝒆𝒓𝒓𝒆, 𝒖𝒏𝒆 𝒈𝒓è𝒗𝒆, 𝒖𝒏 𝒕𝒔𝒖𝒏𝒂𝒎𝒊,

𝒆𝒕𝒄. - 𝒒𝒖𝒆 𝒍’𝒐𝒏 𝒅é𝒔𝒊𝒓𝒆 𝒊𝒏𝒕é𝒈𝒓𝒆𝒓 𝒅𝒂𝒏𝒔 𝒍𝒆𝒔 𝒎𝒐𝒅è𝒍𝒆𝒔. 𝑪𝒐𝒎𝒎𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆, 𝒐𝒏 𝒍𝒂 𝒏𝒐𝒕𝒆

𝒈é𝒏é𝒓𝒂𝒍𝒆𝒎𝒆𝒏𝒕 𝒑𝒂𝒓 𝒍𝒂 𝒍𝒆𝒕𝒕𝒓𝒆 𝑫, 𝒑𝒐𝒖𝒓 𝒅𝒊𝒓𝒆 𝒅𝒖𝒎𝒎𝒚.

𝑰𝒍 𝒆𝒔𝒕 é𝒈𝒂𝒍𝒆𝒎𝒆𝒏𝒕 𝒊𝒎𝒑𝒐𝒓𝒕𝒂𝒏𝒕 𝒅𝒆 𝒏𝒐𝒕𝒆𝒓 𝒒𝒖𝒆 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒃𝒊𝒏𝒂𝒊𝒓𝒆𝒔 𝒑𝒆𝒖𝒗𝒆𝒏𝒕 𝒊𝒏𝒕𝒆𝒓𝒗𝒆𝒏𝒊𝒓 𝒅𝒂𝒏𝒔

𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒅𝒆 𝒅𝒆𝒖𝒙 𝒎𝒂𝒏𝒊è𝒓𝒆𝒔, 𝒔𝒐𝒊𝒕 𝒄𝒐𝒎𝒎𝒆 𝒆𝒏𝒅𝒐𝒈è𝒏𝒆 (𝒎𝒐𝒅è𝒍𝒆 𝒅𝒆 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕é 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆,

𝒎𝒐𝒅è𝒍𝒆𝒔 𝑳𝒐𝒈𝒊𝒕, 𝑷𝒓𝒐𝒃𝒊𝒕, 𝑻𝒐𝒃𝒊𝒕, 𝑮𝒐𝒎𝒃𝒊𝒕) 𝒔𝒐𝒊𝒕 𝒄𝒐𝒎𝒎𝒆 𝒆𝒙𝒐𝒈è𝒏𝒆 (𝒎𝒐𝒅è𝒍𝒆𝒔 𝑨𝑵𝑶𝑽𝑨 𝒆𝒕 𝑨𝑵𝑪𝑶𝑽𝑨).

𝑵𝒐𝒖𝒔 𝒏𝒆 𝒏𝒐𝒖𝒔 𝒊𝒏𝒕é𝒓𝒆𝒔𝒔𝒐𝒏𝒔 𝒒𝒖’𝒂𝒖 𝒄𝒂𝒔 𝒐ù 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒎𝒖𝒆𝒕𝒕𝒆 𝒆𝒏𝒕𝒓𝒆 𝒄𝒐𝒎𝒎𝒆 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆 𝒅𝒂𝒏𝒔

𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆.

𝑨𝒖𝒔𝒔𝒊, 𝒍’𝒖𝒕𝒊𝒍𝒊𝒔𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒄𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒅é𝒑𝒆𝒏𝒅 𝒇𝒐𝒓𝒕𝒆𝒎𝒆𝒏𝒕 𝒅𝒖 𝒑𝒓𝒐𝒃𝒍è𝒎𝒆 𝒑𝒐𝒔é. 𝑪𝒐𝒎𝒎𝒆 𝒆𝒙𝒐𝒈è𝒏𝒆𝒔,

𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒅𝒖𝒎𝒎𝒚 𝒔𝒐𝒏𝒕 𝒖𝒕𝒊𝒍𝒊𝒔é𝒆𝒔 𝒑𝒐𝒖𝒓 𝒓é𝒑𝒐𝒏𝒅𝒓𝒆 à 𝒖𝒏 𝒕𝒓𝒊𝒑𝒍𝒆 𝒐𝒃𝒋𝒆𝒄𝒕𝒊𝒇 ∶

• 𝑪𝒐𝒓𝒓𝒊𝒈𝒆𝒓 𝒍𝒆𝒔 é𝒄𝒂𝒓𝒕𝒔 𝒂𝒃𝒆𝒓𝒓𝒂𝒏𝒕𝒔 (𝒐𝒖 𝒅é𝒗𝒊𝒂𝒏𝒕𝒔)


• 𝑪𝒂𝒑𝒕𝒆𝒓 𝒍𝒂 𝒑𝒓é𝒔𝒆𝒏𝒄𝒆 𝒅𝒆 𝒍𝒂 𝒅𝒊𝒔𝒄𝒓𝒊𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏
• 𝑪𝒂𝒑𝒕𝒆𝒓 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒕𝒊𝒐𝒏𝒔 𝒔𝒂𝒊𝒔𝒐𝒏𝒏𝒊è𝒓𝒆𝒔

❶ 𝑪𝒐𝒓𝒓𝒊𝒈𝒆𝒓 𝒍𝒆𝒔 𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒔𝒊𝒏𝒈𝒖𝒍𝒊è𝒓𝒆𝒔 𝒐𝒖 𝒂𝒏𝒐𝒓𝒎𝒂𝒍𝒆𝒔 ∶

𝑳𝒐𝒓𝒔𝒒𝒖𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒏𝒅𝒐𝒈è𝒏𝒆 𝒄𝒐𝒎𝒑𝒐𝒓𝒕𝒆, à 𝒄𝒆𝒓𝒕𝒂𝒊𝒏𝒆𝒔 𝒅𝒂𝒕𝒆𝒔, 𝒅𝒆𝒔 𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒂𝒕𝒚𝒑𝒊𝒒𝒖𝒆𝒔 𝒄-à-𝒅.

𝒅𝒆𝒔 𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒂𝒏𝒐𝒓𝒎𝒂𝒍𝒆𝒎𝒆𝒏𝒕 é𝒍𝒆𝒗é𝒆𝒔 𝒐𝒖 𝒂𝒏𝒐𝒓𝒎𝒂𝒍𝒆𝒎𝒆𝒏𝒕 𝒃𝒂𝒔𝒔𝒆𝒔 -𝒂𝒔𝒔𝒐𝒄𝒊é𝒆𝒔 𝒆𝒏 𝒈é𝒏é𝒓𝒂𝒍 à 𝒍𝒂

𝒔𝒖𝒓𝒗𝒆𝒏𝒂𝒏𝒄𝒆 𝒅𝒆 𝒄𝒉𝒐𝒄𝒔 𝒐𝒖 𝒅’é𝒗é𝒏𝒆𝒎𝒆𝒏𝒕 𝒓𝒂𝒓𝒆𝒔, 𝒊𝒍 𝒚 𝒂 𝒍𝒊𝒆𝒖 𝒅’𝒊𝒏𝒄𝒐𝒓𝒑𝒐𝒓𝒆𝒓 𝒖𝒏𝒆 𝒅𝒖𝒎𝒎𝒚 𝒅𝒂𝒏𝒔 𝒍𝒆

𝒎𝒐𝒅è𝒍𝒆 𝒂𝒇𝒊𝒏 𝒅’𝒆𝒏 𝒕𝒆𝒏𝒊𝒓 𝒄𝒐𝒎𝒑𝒕𝒆. 𝑳𝒂 𝒅é𝒎𝒂𝒓𝒄𝒉𝒆 𝒄𝒐𝒏𝒔𝒊𝒔𝒕𝒆𝒓𝒂𝒊𝒕 𝒔𝒊𝒎𝒑𝒍𝒆𝒎𝒆𝒏𝒕 à 𝒅é𝒕𝒆𝒄𝒕𝒆𝒓 𝒍𝒆𝒔

𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒂𝒏𝒐𝒓𝒎𝒂𝒍𝒆𝒔 𝒆𝒕 à 𝒍𝒆𝒔 𝒄𝒐𝒓𝒓𝒊𝒈𝒆𝒓, 𝒆𝒏 𝒎𝒆𝒕𝒕𝒂𝒏𝒕 𝟏 à 𝒄𝒆𝒔 𝒅𝒂𝒕𝒆𝒔 𝒍à 𝒆𝒕 𝟎 𝒂𝒊𝒍𝒍𝒆𝒖𝒓𝒔, 𝒂𝒇𝒊𝒏 𝒒𝒖𝒆

𝒍𝒆𝒔 𝒅é𝒗𝒊𝒂𝒏𝒕𝒔 𝒏𝒆 𝒑𝒆𝒓𝒕𝒖𝒓𝒃𝒆𝒏𝒕 𝒑𝒂𝒔 𝒍’𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒊𝒐𝒏 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆 𝒅𝒆𝒔 𝒂𝒖𝒕𝒓𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔.

 𝑹𝒆𝒎𝒂𝒓𝒒𝒖𝒆𝒔 ∶

∎ 𝑳𝒂 𝒄𝒐𝒓𝒓𝒆𝒄𝒕𝒊𝒐𝒏 𝒆𝒇𝒇𝒆𝒄𝒕𝒖é𝒆 𝒏’𝒆𝒔𝒕 𝒗𝒂𝒍𝒂𝒃𝒍𝒆 𝒒𝒖𝒆 𝒔𝒊 𝒍𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒂𝒔𝒔𝒐𝒄𝒊é à 𝒍𝒂

𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒅𝒖𝒎𝒎𝒚 𝒆𝒔𝒕 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆𝒎𝒆𝒏𝒕 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒇.

∎ 𝑨𝒑𝒓è𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒊𝒐𝒏, 𝒍𝒆 𝒔𝒊𝒈𝒏𝒆 𝒂𝒇𝒇𝒆𝒄𝒕é à 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒃𝒊𝒏𝒂𝒊𝒓𝒆 𝒆𝒔𝒕 𝒑𝒓𝒐𝒑𝒐𝒓𝒕𝒊𝒐𝒏𝒏𝒆𝒍𝒍𝒆

ème
43 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
à 𝒍’𝒂𝒏𝒐𝒎𝒂𝒍𝒊𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒕é𝒆 𝒅𝒂𝒏𝒔 𝒍𝒆𝒔 𝒅𝒐𝒏𝒏é𝒆𝒔. 𝑺’𝒊𝒍 𝒔’𝒂𝒈𝒊𝒕 𝒅’𝒖𝒏𝒆 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏 𝒂𝒏𝒐𝒓𝒎𝒂𝒍𝒆𝒎𝒆𝒏𝒕

𝒃𝒂𝒔𝒔𝒆, 𝒍𝒆 𝒔𝒊𝒈𝒏𝒆 𝒂𝒇𝒇𝒆𝒄𝒕é à 𝒍𝒂 𝒅𝒖𝒎𝒎𝒚 𝒔𝒆𝒓𝒂 – , 𝒄𝒆 𝒒𝒖𝒊 𝒊𝒏𝒅𝒊𝒒𝒖𝒆 𝒒𝒖𝒆 𝒍’é𝒄𝒂𝒓𝒕 𝒄𝒓𝒊𝒂𝒏𝒕 𝒂𝒗𝒂𝒊𝒕

𝒕𝒆𝒏𝒅𝒂𝒏𝒄𝒆 à 𝒓𝒂𝒎𝒆𝒏𝒆𝒓 𝒍𝒂 𝒅𝒓𝒐𝒊𝒕𝒆 𝒅𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒗𝒆𝒓𝒔 𝒍𝒆 𝒃𝒂𝒔. 𝑬𝒏 𝒓𝒆𝒗𝒂𝒏𝒄𝒉𝒆, 𝒔’𝒊𝒍 𝒆𝒔𝒕 𝒑𝒍𝒖𝒕ô𝒕

𝒒𝒖𝒆𝒔𝒕𝒊𝒐𝒏 𝒅’𝒖𝒏𝒆 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏 𝒂𝒏𝒐𝒓𝒎𝒂𝒍𝒆𝒎𝒆𝒏𝒕 é𝒍𝒆𝒗é𝒆, 𝒍𝒆 𝒔𝒊𝒈𝒏𝒆 𝒂𝒇𝒇𝒆𝒄𝒕é à 𝒍𝒂 𝒅𝒖𝒎𝒎𝒚 𝒔𝒆𝒓𝒂 + ,

𝒄𝒆 𝒒𝒖𝒊 𝒊𝒏𝒅𝒊𝒒𝒖𝒆 𝒒𝒖𝒆 𝒍𝒆 𝒅é𝒗𝒊𝒂𝒏𝒕 𝒂𝒗𝒂𝒊𝒕 𝒕𝒆𝒏𝒅𝒂𝒏𝒄𝒆 à 𝒕𝒊𝒓𝒆𝒓 𝒍𝒂 𝒅𝒓𝒐𝒊𝒕𝒆 𝒅𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒗𝒆𝒓𝒔 𝒍𝒆 𝒉𝒂𝒖𝒕.

∎ 𝑨𝒕𝒕𝒆𝒏𝒕𝒊𝒐𝒏 à 𝒏𝒆 𝒑𝒂𝒔 𝒔𝒂𝒊𝒔𝒊𝒓 𝒍𝒆𝒔 é𝒄𝒂𝒓𝒕𝒔 𝒂𝒏𝒐𝒓𝒎𝒂𝒍𝒆𝒎𝒆𝒏𝒕 é𝒍𝒆𝒗é𝒔 𝒆𝒕 𝒂𝒏𝒐𝒓𝒎𝒂𝒍𝒆𝒎𝒆𝒏𝒕

𝒃𝒂𝒔 𝒑𝒂𝒓 𝒖𝒏𝒆 𝒎ê𝒎𝒆 𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒎𝒖𝒆𝒕𝒕𝒆. 𝑳𝒐𝒓𝒔𝒒𝒖𝒆 𝒍𝒂 𝒔é𝒓𝒊𝒆 𝒑𝒓é𝒔𝒆𝒏𝒕𝒆 à 𝒍𝒂 𝒇𝒐𝒊𝒔 𝒍𝒆𝒔 𝒅𝒆𝒖𝒙 𝒕𝒚𝒑𝒆𝒔

𝒅’é𝒄𝒂𝒓𝒕𝒔, 𝒊𝒍 𝒄𝒐𝒏𝒗𝒊𝒆𝒏𝒕 𝒅𝒆 𝒍𝒆𝒔 𝒄𝒂𝒑𝒕𝒆𝒓 𝒑𝒂𝒓 𝒅𝒆𝒖𝒙 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒂𝒖𝒙𝒊𝒍𝒊𝒂𝒊𝒓𝒆𝒔 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒕𝒆𝒔, 𝒍’𝒖𝒏𝒆 𝒑𝒐𝒖𝒓

𝒍𝒆𝒔 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏𝒔 𝒆𝒙𝒄𝒆𝒑𝒕𝒊𝒐𝒏𝒏𝒆𝒍𝒍𝒆𝒎𝒆𝒏𝒕 é𝒍𝒆𝒗é𝒆𝒔 𝒆𝒕 𝒍’𝒂𝒖𝒕𝒓𝒆 𝒑𝒐𝒖𝒓 𝒄𝒆𝒍𝒍𝒆𝒔 𝒆𝒙𝒄𝒆𝒑𝒕𝒊𝒐𝒏𝒏𝒆𝒍𝒍𝒆𝒎𝒆𝒏𝒕

𝒃𝒂𝒔𝒔𝒆𝒔.

❷ 𝑪𝒂𝒑𝒕𝒆𝒓 𝒍𝒂 𝒑𝒓é𝒔𝒆𝒏𝒄𝒆 𝒅𝒆 𝒍𝒂 𝒅𝒊𝒔𝒄𝒓𝒊𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 ∶

𝑳’𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒅’𝒖𝒏 𝒑𝒉é𝒏𝒐𝒎è𝒏𝒆 𝒑𝒆𝒖𝒕 𝒑𝒂𝒓𝒇𝒐𝒊𝒔 𝒏é𝒄𝒆𝒔𝒔𝒊𝒕𝒆𝒓 𝒍𝒂 𝒑𝒓é𝒔𝒆𝒏𝒄𝒆 𝒅𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔

𝒒𝒖𝒂𝒍𝒊𝒕𝒂𝒕𝒊𝒗𝒆𝒔. 𝑺𝒖𝒑𝒑𝒐𝒔𝒐𝒏𝒔 𝒒𝒖𝒆 𝒍’𝒐𝒏 𝒔𝒐𝒖𝒉𝒂𝒊𝒕𝒆 𝒆𝒙𝒑𝒍𝒊𝒒𝒖𝒆𝒓, 𝒑𝒐𝒖𝒓 𝒅𝒊𝒙 é𝒕𝒖𝒅𝒊𝒂𝒏𝒕𝒔 𝒅𝒆 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆

𝒍𝒊𝒄𝒆𝒏𝒄𝒆 𝒆𝒏 𝑬𝒄𝒐𝒏𝒐𝒎𝒊𝒆 é𝒄𝒉𝒂𝒏𝒕𝒊𝒍𝒍𝒐𝒏𝒏é𝒔, 𝒍𝒆 𝒑𝒉é𝒏𝒐𝒎è𝒏𝒆 (𝒏𝒐𝒕𝒆 𝒐𝒃𝒕𝒆𝒏𝒖𝒆 𝒆𝒏 𝒎𝒂𝒄𝒓𝒐é𝒄𝒐𝒏𝒐𝒎𝒊𝒆 ∶

𝑵𝑴𝒊 ); 𝒕𝒐𝒖𝒕 𝒏𝒂𝒕𝒖𝒓𝒆𝒍𝒍𝒆𝒎𝒆𝒏𝒕 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒄𝒐𝒎𝒎𝒆 𝒑𝒓é𝒔𝒆𝒏𝒄𝒆 𝒂𝒖 𝒄𝒐𝒖𝒓𝒔 𝑷𝑪𝒊 , 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅’𝒉𝒆𝒖𝒓𝒆𝒔

𝒅’é𝒕𝒖𝒅𝒆 𝒄𝒐𝒏𝒔𝒂𝒄𝒓é𝒆𝒔 à 𝒍𝒂 𝒎𝒂𝒄𝒓𝒐é𝒄𝒐𝒏𝒐𝒎𝒊𝒆 𝑯𝑬𝒊 … 𝒔’𝒂𝒗è𝒓𝒆𝒏𝒕 𝒑𝒆𝒓𝒕𝒊𝒏𝒆𝒏𝒕𝒆𝒔. 𝑴𝒂𝒊𝒔 𝒊𝒍 𝒆𝒔𝒕 𝒕𝒐𝒖𝒕 à 𝒇𝒂𝒊𝒕

𝒂𝒖𝒔𝒔𝒊 𝒑𝒐𝒔𝒔𝒊𝒃𝒍𝒆 𝒒𝒖𝒆 𝒅𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒄𝒐𝒎𝒎𝒆 𝒍𝒂 𝒓𝒆𝒍𝒊𝒈𝒊𝒐𝒏 𝒅𝒆 𝒍’é𝒕𝒖𝒅𝒊𝒂𝒏𝒕 𝑹𝑬𝒊 , 𝒐𝒖 𝒔𝒂 𝒕𝒓𝒊𝒃𝒖 𝑻𝑬𝒊 ,

𝒔𝒐𝒊𝒆𝒏𝒕 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒏𝒕𝒆𝒔 𝒅𝒂𝒏𝒔 𝒍’𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒅𝒖 𝒑𝒉é𝒏𝒐𝒎è𝒏𝒆 é𝒕𝒖𝒅𝒊é. 𝑫𝒂𝒏𝒔 𝒄𝒆 𝒄𝒂𝒔, 𝒍’𝒖𝒕𝒊𝒍𝒊𝒔𝒂𝒕𝒊𝒐𝒏

𝒅’𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒃𝒊𝒏𝒂𝒊𝒓𝒆 𝒑𝒆𝒓𝒎𝒆𝒕 𝒅𝒆 𝒔𝒆𝒈𝒎𝒆𝒏𝒕𝒆𝒓 𝒍𝒆𝒔 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖𝒔 𝒆𝒏 𝒅𝒆𝒖𝒙 𝒈𝒓𝒐𝒖𝒑𝒆𝒔 𝒆𝒕 𝒅𝒆

𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒆𝒓 𝒔𝒊 𝒍𝒆 𝒄𝒓𝒊𝒕è𝒓𝒆 𝒅𝒆 𝒔𝒆𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒆𝒔𝒕 𝒓é𝒆𝒍𝒍𝒆𝒎𝒆𝒏𝒕 𝒅𝒊𝒔𝒄𝒓𝒊𝒎𝒊𝒏𝒂𝒏𝒕.

𝑫𝒂𝒏𝒔 𝒏𝒐𝒕𝒓𝒆 𝒆𝒙𝒆𝒎𝒑𝒍𝒆 𝒍𝒂 𝒏𝒐𝒕𝒆 𝒐𝒃𝒕𝒆𝒏𝒖𝒆 𝒆𝒏 𝒎𝒂𝒄𝒓𝒐é𝒄𝒐𝒏𝒐𝒎𝒊𝒆, 𝒔𝒊 𝒍’𝒐𝒏 𝒂𝒔𝒔𝒖𝒎𝒆 𝒒𝒖𝒆 𝒍’𝒂𝒑𝒑𝒂𝒓𝒕𝒆𝒏𝒂𝒏𝒄𝒆

𝒐𝒖 𝒏𝒐𝒏 à 𝒍𝒂 𝒓𝒆𝒍𝒊𝒈𝒊𝒐𝒏 𝒄𝒂𝒕𝒉𝒐𝒍𝒊𝒒𝒖𝒆 𝒆𝒔𝒕 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒏𝒕𝒆 𝒅𝒂𝒏𝒔 𝒍𝒂 𝒓é𝒖𝒔𝒔𝒊𝒕𝒆, 𝒄𝒆 𝒒𝒖𝒊 𝒓𝒆𝒗𝒊𝒆𝒏𝒕 à 𝒅𝒊𝒓𝒆 𝒒𝒖𝒆

𝒍𝒂 𝒓𝒆𝒍𝒊𝒈𝒊𝒐𝒏 𝒆𝒔𝒕 𝒖𝒏 𝒇𝒂𝒄𝒕𝒆𝒖𝒓 𝒅𝒆 𝒅𝒊𝒔𝒄𝒓𝒊𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏, 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 à 𝒆𝒔𝒕𝒊𝒎𝒆𝒓 𝒔𝒆𝒓𝒂 ∶

𝟏 , 𝒔𝒊 𝒍′ é𝒕𝒖𝒅𝒊𝒂𝒏𝒕𝒆𝒔𝒕 𝒄𝒂𝒕𝒉𝒐𝒍𝒊𝒒𝒖𝒆
𝑵𝑴𝒊 = 𝜷𝟎 + 𝜷𝟏 𝑷𝑪𝒊 + 𝜷𝟐 𝑯𝑬𝒊 + 𝜷𝟑 𝑹𝑬𝒊 + 𝜺𝒊 ; 𝒐ù 𝑹𝑬𝒊 =
𝟎 , 𝒔𝒊 𝒂𝒖𝒕𝒓𝒆 𝒓𝒆𝒍𝒊𝒈𝒊𝒐𝒏

𝑷𝒖𝒊𝒔 𝒆𝒔𝒕𝒊𝒎𝒆𝒓, 𝒐𝒏 𝒂𝒑𝒑𝒍𝒊𝒒𝒖𝒆 𝒍𝒆𝒔 𝑴𝑪𝑶. 𝑨𝒑𝒓è𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒊𝒐𝒏, 𝒔𝒊 𝜷𝟑 𝒆𝒔𝒕 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆𝒎𝒆𝒏𝒕 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒇

, 𝒐𝒏 𝒆𝒏 𝒄𝒐𝒏𝒄𝒍𝒖𝒓𝒂𝒊𝒕 𝒒𝒖𝒆 𝒍𝒂 𝒓𝒆𝒍𝒊𝒈𝒊𝒐𝒏 𝒄𝒂𝒕𝒉𝒐𝒍𝒊𝒒𝒖𝒆 𝒂 𝒋𝒐𝒖é 𝒔𝒖𝒓 𝒍𝒂 𝒏𝒐𝒕𝒆 𝒆𝒏 𝒎𝒂𝒄𝒓𝒐é𝒄𝒐𝒏𝒐𝒎𝒊𝒆, 𝒆𝒍𝒍𝒆

𝒆𝒔𝒕 𝒅𝒐𝒏𝒄 𝒃𝒊𝒆𝒏 𝒖𝒏 𝒇𝒂𝒄𝒕𝒆𝒖𝒓 𝒅𝒊𝒔𝒄𝒓𝒊𝒎𝒊𝒏𝒂𝒏𝒕 𝒅𝒆 𝒍𝒂 𝒏𝒐𝒕𝒆 𝒐𝒃𝒕𝒆𝒏𝒖𝒆 𝒆𝒏 𝒎𝒂𝒄𝒓𝒐é𝒄𝒐𝒏𝒐𝒎𝒊𝒆. 𝑨 𝒍’𝒐𝒑𝒑𝒐𝒔é,

ème
44 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒔𝒊 𝜷𝟑 𝒆𝒔𝒕 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆𝒎𝒆𝒏𝒕 𝒏𝒐𝒏 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒇, 𝒐𝒏 𝒆𝒏 𝒄𝒐𝒏𝒄𝒍𝒖𝒓𝒂𝒊𝒕 𝒒𝒖𝒆 𝒍𝒂 𝒓𝒆𝒍𝒊𝒈𝒊𝒐𝒏 𝒄𝒂𝒕𝒉𝒐𝒍𝒊𝒒𝒖𝒆

𝒏’𝒂 𝒑𝒂𝒔 𝒋𝒐𝒖é 𝒔𝒖𝒓 𝒍𝒂 𝒓é𝒖𝒔𝒔𝒊𝒕𝒆 𝒆𝒏 𝒎𝒂𝒄𝒓𝒐é𝒄𝒐𝒏𝒐𝒎𝒊𝒆.

 𝑹𝒆𝒎𝒂𝒓𝒒𝒖𝒆𝒔 ∶

∎ 𝑫𝒂𝒏𝒔 𝒍𝒆 𝒄𝒂𝒔 𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒅𝒖𝒎𝒎𝒚 à 𝒑𝒍𝒖𝒔𝒊𝒆𝒖𝒓𝒔 𝒎𝒐𝒅𝒂𝒍𝒊𝒕é𝒔, 𝒑𝒂𝒓 𝒆𝒙𝒆𝒎𝒑𝒍𝒆 𝒍’é𝒕𝒂𝒕

𝒄𝒊𝒗𝒊𝒍 𝒄é𝒍𝒊𝒃𝒂𝒕𝒂𝒊𝒓𝒆, 𝒎𝒂𝒓𝒊é, 𝒅𝒊𝒗𝒐𝒓𝒄é, 𝒂𝒖𝒕𝒓𝒆𝒔 , 𝒊𝒍 𝒆𝒔𝒕 𝒄𝒐𝒏𝒗𝒆𝒏𝒂𝒃𝒍𝒆 𝒅𝒆 𝒄𝒐𝒅𝒆𝒓 𝒂𝒍𝒐𝒓𝒔 𝒂𝒖𝒕𝒂𝒏𝒕 𝒅𝒆

𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒊𝒏𝒅𝒊𝒄𝒂𝒕𝒓𝒊𝒄𝒆𝒔 𝒒𝒖’𝒊𝒍 𝒚 𝒂 𝒅𝒆 𝒎𝒐𝒅𝒂𝒍𝒊𝒕é𝒔 𝒎𝒐𝒊𝒏𝒔 𝒖𝒏𝒆. 𝑨𝒊𝒏𝒔𝒊, 𝒑𝒐𝒖𝒓 𝒍’é𝒕𝒂𝒕 𝒄𝒊𝒗𝒊𝒍, 𝒐𝒏

𝟏 , 𝒔𝒊 𝒍’𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖 𝒆𝒔𝒕 𝒄é𝒍𝒊𝒃𝒂𝒕𝒂𝒊𝒓𝒆


𝒅é𝒇𝒊𝒏𝒊𝒓𝒂 𝒕𝒓𝒐𝒊𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒃𝒊𝒏𝒂𝒊𝒓𝒆𝒔 ∶ 𝑪é𝒍𝒊𝒃𝒂𝒕𝒂𝒊𝒓𝒆𝒊 =
𝟎 , 𝒔𝒊 𝒏𝒐𝒏
𝟏 , 𝒔𝒊 𝒍’𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖 𝒆𝒔𝒕 𝒎𝒂𝒓𝒊é 𝟏 , 𝒔𝒊 𝒍’𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖 𝒆𝒔𝒕 𝒅𝒊𝒗𝒐𝒓𝒄é
𝑴𝒂𝒓𝒊é𝒊 = ; 𝑫𝒊𝒗𝒐𝒓𝒄é𝒊 =
𝟎 , 𝒔𝒊 𝒏𝒐𝒏 𝟎 , 𝒔𝒊 𝒏𝒐𝒏

, 𝒍𝒂 𝒎𝒐𝒅𝒂𝒍𝒊𝒕é 𝒂𝒖𝒕𝒓𝒆𝒔 é𝒕𝒂𝒏𝒕 𝒊𝒎𝒑𝒍𝒊𝒄𝒊𝒕𝒆𝒎𝒆𝒏𝒕 𝒄𝒐𝒏𝒕𝒆𝒏𝒖𝒆 𝒅𝒂𝒏𝒔 𝒍𝒆 𝒕𝒆𝒓𝒎𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕 𝒆𝒕 𝒏𝒆 𝒔𝒆𝒓𝒂𝒊𝒕

𝒅𝒐𝒏𝒄 𝒔𝒑é𝒄𝒊𝒇𝒊é𝒆 à 𝒑𝒂𝒓𝒕 𝒒𝒖𝒆 𝒅𝒂𝒏𝒔 𝒖𝒏 𝒎𝒐𝒅è𝒍𝒆 𝒔𝒂𝒏𝒔 𝒕𝒆𝒓𝒎𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕.

∎ 𝑳𝒂 𝒄𝒐𝒅𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒅é𝒑𝒆𝒏𝒅 𝒅𝒖 𝒎𝒐𝒅é𝒍𝒊𝒔𝒂𝒕𝒆𝒖𝒓 𝒆𝒕 𝒅𝒐𝒊𝒕 ê𝒕𝒓𝒆 𝒑𝒓𝒊𝒔𝒆 𝒆𝒏 𝒄𝒐𝒎𝒑𝒕𝒆 𝒅𝒂𝒏𝒔

𝒍’𝒊𝒏𝒕𝒆𝒓𝒑𝒓é𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝒓é𝒔𝒖𝒍𝒕𝒂𝒕𝒔. 𝑨 𝒕𝒊𝒕𝒓𝒆 𝒆𝒙𝒆𝒎𝒑𝒍𝒂𝒕𝒊𝒇, 𝒔𝒊 𝒍’𝒐𝒏 𝒄𝒐𝒏𝒔𝒊𝒅è𝒓𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒒𝒖𝒂𝒍𝒊𝒕𝒂𝒕𝒊𝒗𝒆

𝒔𝒆𝒙𝒆, 𝒍𝒆 𝒎𝒐𝒅é𝒍𝒊𝒔𝒂𝒕𝒆𝒖𝒓 𝒆𝒔𝒕 𝒍𝒊𝒃𝒓𝒆 𝒅𝒆 𝒄𝒐𝒅𝒆𝒓 𝟏; 𝒔𝒊 𝒇𝒆𝒎𝒎𝒆 𝒆𝒕 𝟎; 𝒔𝒊 𝒉𝒐𝒎𝒎𝒆 𝒆𝒕 𝒊𝒏𝒗𝒆𝒓𝒔𝒆𝒎𝒆𝒏𝒕.

𝑰𝒍 𝒅𝒐𝒊𝒕 𝒔𝒆𝒖𝒍𝒆𝒎𝒆𝒏𝒕 𝒆𝒏 𝒕𝒆𝒏𝒊𝒓 𝒄𝒐𝒎𝒑𝒕𝒆 𝒍𝒐𝒓𝒔 𝒅𝒆 𝒍’𝒊𝒏𝒕𝒆𝒓𝒑𝒓é𝒕𝒂𝒕𝒊𝒐𝒏.

❸ 𝑪𝒂𝒑𝒕𝒆𝒓 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒕𝒊𝒐𝒏𝒔 𝒔𝒂𝒊𝒔𝒐𝒏𝒏𝒊è𝒓𝒆𝒔 ∶

𝑳𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒊𝒏𝒅𝒊𝒄𝒂𝒕𝒓𝒊𝒄𝒆𝒔 𝒔𝒐𝒏𝒕 𝒂𝒖𝒔𝒔𝒊 𝒖𝒕𝒊𝒍𝒊𝒔é𝒆𝒔 𝒑𝒐𝒖𝒓 𝒑𝒓𝒆𝒏𝒅𝒓𝒆 𝒆𝒏 𝒄𝒐𝒎𝒑𝒕𝒆 𝒍𝒆𝒔 𝒎𝒐𝒖𝒗𝒆𝒎𝒆𝒏𝒕𝒔

𝒔𝒂𝒊𝒔𝒐𝒏𝒏𝒊𝒆𝒓𝒔 𝒒𝒖𝒊 𝒄𝒂𝒓𝒂𝒄𝒕é𝒓𝒊𝒔𝒆𝒏𝒕 𝒄𝒆𝒓𝒕𝒂𝒊𝒏𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒄𝒐𝒎𝒎𝒆 𝒍𝒆𝒔 𝒅é𝒑𝒆𝒏𝒔𝒆𝒔 𝒅𝒆 𝒑𝒖𝒃𝒍𝒊𝒄𝒊𝒕é, 𝒒𝒖𝒊

𝒔𝒐𝒏𝒕 𝒈é𝒏é𝒓𝒂𝒍𝒆𝒎𝒆𝒏𝒕 𝒑𝒍𝒖𝒔 𝒊𝒎𝒑𝒐𝒓𝒕𝒂𝒏𝒕𝒆𝒔 𝒆𝒏 𝒄𝒆𝒓𝒕𝒂𝒊𝒏𝒆𝒔 𝒑é𝒓𝒊𝒐𝒅𝒆𝒔 𝒅𝒆 𝒍’𝒂𝒏𝒏é𝒆 𝒒𝒖’𝒆𝒏 𝒅’𝒂𝒖𝒕𝒓𝒆𝒔.

𝑺𝒖𝒑𝒑𝒐𝒔𝒐𝒏𝒔 𝒒𝒖𝒆 𝒍’𝒐𝒏 𝒔’𝒊𝒏𝒕é𝒓𝒆𝒔𝒔𝒆 à 𝒍𝒂 𝒓𝒆𝒍𝒂𝒕𝒊𝒐𝒏 𝒆𝒏𝒕𝒓𝒆 𝒍𝒆 𝒄𝒉𝒊𝒇𝒇𝒓𝒆 𝒅’𝒂𝒇𝒇𝒂𝒊𝒓𝒆𝒔 𝑪𝒉𝒕 𝒆𝒕 𝒍𝒆𝒔

𝒅é𝒑𝒆𝒏𝒔𝒆𝒔 𝒅𝒆 𝒑𝒖𝒃𝒍𝒊𝒄𝒊𝒕é 𝑫𝒑𝒖𝒃𝒕 . 𝑶𝒏 𝒑𝒆𝒖𝒕 é𝒄𝒓𝒊𝒓𝒆 ∶ 𝑴𝟏 ∶ 𝑪𝒉𝒕 = 𝜷𝟎 + 𝜷𝟏 𝑫𝒑𝒖𝒃𝒕 + 𝜺𝒕

𝑬𝒏 𝒖𝒕𝒊𝒍𝒊𝒔𝒂𝒏𝒕 𝒍𝒆𝒔 𝒅𝒐𝒏𝒏é𝒆𝒔 𝒕𝒓𝒊𝒎𝒆𝒔𝒕𝒓𝒊𝒆𝒍𝒍𝒆𝒔, 𝒊𝒍 𝒏𝒆 𝒔𝒆𝒓𝒂𝒊𝒕 𝒑𝒂𝒔 𝒄𝒐𝒓𝒓𝒆𝒄𝒕 𝒅’𝒆𝒔𝒕𝒊𝒎𝒆𝒓 𝒅𝒊𝒓𝒆𝒄𝒕𝒆𝒎𝒆𝒏𝒕 𝒍𝒆

𝒎𝒐𝒅è𝒍𝒆 𝑴𝟏 , 𝒑𝒂𝒓𝒄𝒆 𝒒𝒖’𝒐𝒏 𝒏’𝒂𝒖𝒓𝒂𝒊𝒕 𝒑𝒂𝒔 𝒕𝒆𝒏𝒖 𝒄𝒐𝒎𝒑𝒕𝒆 𝒅𝒆 𝒍’𝒆𝒇𝒇𝒆𝒕 𝒔𝒂𝒊𝒔𝒐𝒏𝒏𝒊𝒆𝒓, 𝒍𝒆𝒔 𝒅é𝒑𝒆𝒏𝒔𝒆𝒔 𝒅𝒆

𝒑𝒖𝒃𝒍𝒊𝒄𝒊𝒕é 𝒏𝒆 𝒔𝒐𝒏𝒕 𝒑𝒂𝒔 𝒍𝒆𝒔 𝒎ê𝒎𝒆𝒔 𝒕𝒐𝒖𝒔 𝒍𝒆𝒔 𝒕𝒓𝒐𝒊𝒔 𝒎𝒐𝒊𝒔 𝒕𝒓𝒊𝒎𝒆𝒔𝒕𝒓𝒆 .

𝑶𝒏 𝒑𝒆𝒖𝒕 𝒄𝒂𝒑𝒕𝒆𝒓 𝒍’𝒆𝒇𝒇𝒆𝒕 𝒔𝒂𝒊𝒔𝒐𝒏𝒏𝒊𝒆𝒓 𝒆𝒏 𝒊𝒏𝒕𝒓𝒐𝒅𝒖𝒊𝒔𝒂𝒏𝒕 𝒅𝒂𝒏𝒔 𝑴𝟏 𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒅𝒖𝒎𝒎𝒚. 𝑷𝒐𝒖𝒓

𝒏𝒐𝒕𝒓𝒆 𝒄𝒂𝒔, 𝒐𝒏 𝒂𝒖𝒓𝒂 𝒂𝒖𝒕𝒂𝒏𝒕 𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒅𝒖𝒎𝒎𝒚 𝒒𝒖’𝒊𝒍 𝒚 𝒂 𝒅𝒆 𝒕𝒓𝒊𝒎𝒆𝒔𝒕𝒓𝒆𝒔, 𝒔𝒐𝒊𝒕 𝒒𝒖𝒂𝒕𝒓𝒆

𝒅𝒖𝒎𝒎𝒚. 𝑺𝒂𝒄𝒉𝒂𝒏𝒕 𝒒𝒖’𝒐𝒏 𝒄𝒐𝒎𝒑𝒕𝒆 𝒒𝒖𝒂𝒕𝒓𝒆 𝒕𝒓𝒊𝒎𝒆𝒔𝒕𝒓𝒆𝒔 𝒑𝒂𝒓 𝒂𝒏𝒏é𝒆, 𝒍’𝒊𝒏𝒕𝒓𝒐𝒅𝒖𝒄𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔

ème
45 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒅𝒖𝒎𝒎𝒚 𝒔𝒆 𝒇𝒆𝒓𝒂 𝒄𝒐𝒎𝒎𝒆 𝒔𝒖𝒊𝒕 ∶

𝑻𝒓𝒊𝒎𝒆𝒔𝒕𝒓𝒆 𝑫𝟏𝒕 𝑫𝟐𝒕 𝑫𝟑𝒕 𝑫𝟒𝒕

𝟏è𝒓 𝒕𝒓𝒊𝒎𝒆𝒔𝒕𝒓𝒆 𝟏 𝟎 𝟎 𝟎 𝟏

𝟐è𝒎𝒆 𝒕𝒓𝒊𝒎𝒆𝒔𝒕𝒓𝒆 𝟎 𝟏 𝟎 𝟎 𝟏
𝟐𝟎𝟎𝟓

𝟑è𝒎𝒆 𝒕𝒓𝒊𝒎𝒆𝒔𝒕𝒓𝒆 𝟎 𝟎 𝟏 𝟎 𝟏

𝟒è𝒎𝒆 𝒕𝒓𝒊𝒎𝒆𝒔𝒕𝒓𝒆 𝟎 𝟎 𝟎 𝟏 𝟏

𝟏è𝒓 𝒕𝒓𝒊𝒎𝒆𝒔𝒕𝒓𝒆 𝟏 𝟎 𝟎 𝟎 𝟏

𝟐è𝒎𝒆 𝒕𝒓𝒊𝒎𝒆𝒔𝒕𝒓𝒆 𝟎 𝟏 𝟎 𝟎 𝟏
𝟐𝟎𝟎𝟔

𝟑è𝒎𝒆 𝒕𝒓𝒊𝒎𝒆𝒔𝒕𝒓𝒆 𝟎 𝟎 𝟏 𝟎 𝟏

𝟒è𝒎𝒆 𝒕𝒓𝒊𝒎𝒆𝒔𝒕𝒓𝒆 𝟎 𝟎 𝟎 𝟏 𝟏

⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮

𝑬𝒕 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝑴𝟏 𝒅𝒆𝒗𝒊𝒆𝒏𝒕 𝑪𝒉𝒕 = 𝜷𝟎 + 𝜷𝟏 𝑫𝒑𝒖𝒃𝒕 + 𝜷𝟐 𝑫𝟏𝒕 + 𝜷𝟑 𝑫𝟐𝒕 + 𝜷𝟒 𝑫𝟑𝒕 + 𝜺𝒕 𝑴𝟐

𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 𝑪𝒉𝒕 = 𝜷𝟏 𝑫𝒑𝒖𝒃𝒕 + 𝜷𝟐 𝑫𝟏𝒕 + 𝜷𝟑 𝑫𝟐𝒕 + 𝜷𝟒 𝑫𝟑𝒕 + 𝜷𝟓 𝑫𝟒𝒕 + 𝜺𝒕 𝑴𝟑

𝑺𝒊 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒄𝒐𝒏𝒕𝒊𝒆𝒏𝒕 𝒖𝒏 𝒕𝒆𝒓𝒎𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕, 𝒄𝒆𝒍𝒖𝒊-𝒄𝒊 𝒋𝒐𝒖𝒆 𝒅’𝒐𝒇𝒇𝒊𝒄𝒆 𝒍𝒆 𝒓ô𝒍𝒆 𝒅𝒆 𝒍’𝒖𝒏𝒆 𝒅𝒆𝒔 𝒒𝒖𝒂𝒕𝒓𝒆

𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒅𝒖𝒎𝒎𝒚. 𝑫𝒂𝒏𝒔 𝑴𝟐 𝒑𝒂𝒓 𝒆𝒙𝒆𝒎𝒑𝒍𝒆, 𝜷𝟎 𝒋𝒐𝒖𝒆 𝒍𝒆 𝒓ô𝒍𝒆 𝒅𝒆 𝑫𝟒𝒕 (𝒐𝒏 𝒂 𝒍𝒆 𝒄𝒉𝒐𝒊𝒙 𝒑𝒐𝒖𝒓 𝒍𝒂

𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒃𝒊𝒏𝒂𝒊𝒓𝒆 à é𝒄𝒂𝒓𝒕𝒆𝒓) . 𝑬𝒏 𝒓𝒆𝒗𝒂𝒏𝒄𝒉𝒆, 𝒆𝒏 𝒂𝒃𝒔𝒆𝒏𝒄𝒆 𝒅𝒖 𝒕𝒆𝒓𝒎𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕, 𝒊𝒍 𝒄𝒐𝒏𝒗𝒊𝒆𝒏𝒕 𝒅𝒆

𝒑𝒓𝒆𝒏𝒅𝒓𝒆 𝒆𝒏 𝒄𝒐𝒎𝒑𝒕𝒆, 𝒄𝒐𝒎𝒎𝒆 𝒅𝒂𝒏𝒔 𝒍𝒂 𝒓𝒆𝒍𝒂𝒕𝒊𝒐𝒏 𝑴𝟑 𝒅𝒆 𝒕𝒐𝒖𝒕𝒆𝒔 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒅𝒖𝒎𝒎𝒚.

𝑼𝒏𝒆 𝒇𝒐𝒊𝒔 𝒄𝒆𝒕𝒕𝒆 𝒈𝒚𝒎𝒏𝒂𝒔𝒕𝒊𝒒𝒖𝒆 𝒕𝒆𝒓𝒎𝒊𝒏é𝒆, 𝒐𝒏 𝒑𝒆𝒖𝒕 𝒂𝒍𝒐𝒓𝒔, 𝒔𝒂𝒏𝒔 𝒅𝒊𝒇𝒇𝒊𝒄𝒖𝒍𝒕é 𝒏𝒐𝒓𝒎𝒂𝒍𝒆𝒎𝒆𝒏𝒕,

𝒂𝒑𝒑𝒍𝒊𝒒𝒖𝒆𝒓 𝒍𝒆𝒔 𝑴𝑪𝑶 𝒔𝒐𝒊𝒕 𝒔𝒖𝒓 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝑴𝟐 , 𝒔𝒐𝒊𝒕 𝒔𝒖𝒓 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝑴𝟑 .

𝓬 • 𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝑷𝒓𝒐𝒙𝒚 ∶

∎ 𝑷𝒓é𝒔𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒖 𝒑𝒓𝒐𝒃𝒍è𝒎𝒆 ∶

 𝑬𝒔𝒕𝒊𝒎𝒆𝒓 𝒍𝒆 𝒓𝒆𝒏𝒅𝒆𝒎𝒆𝒏𝒕 𝒅𝒆 𝒍’é𝒅𝒖𝒄𝒂𝒕𝒊𝒐𝒏 ∶

ème
46 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝑺𝒐𝒊𝒕 𝒍𝒂 𝒇𝒐𝒏𝒄𝒕𝒊𝒐𝒏 𝒎𝒊𝒏𝒄é𝒓𝒊𝒆𝒏𝒏𝒆 𝒅𝒆 𝒔𝒂𝒍𝒂𝒊𝒓𝒆 ∶ 𝒍𝒏 𝑾𝒕 = 𝜷𝟎 + 𝜷𝟏 𝑬𝑫𝑼𝑪𝒕 + 𝜷𝟐 𝑬𝑿𝑷𝑬𝑹𝒕 + 𝒖𝒕

𝑨𝒗𝒆𝒄 ∶ 𝑾: 𝒔𝒂𝒍𝒂𝒊𝒓𝒆 , 𝑬𝑫𝑼𝑪: 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅’𝒂𝒏𝒏é𝒆𝒔 𝒅’é𝒕𝒖𝒅𝒆𝒔 𝒆𝒕 𝑬𝑿𝑷𝑬𝑹: 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅’𝒂𝒏𝒏é𝒆𝒔

𝒅’𝒆𝒙𝒑é𝒓𝒊𝒆𝒏𝒄𝒆.

𝑳𝒆𝒔 𝒄𝒂𝒑𝒂𝒄𝒊𝒕é𝒔 𝒊𝒏𝒕𝒆𝒍𝒍𝒆𝒄𝒕𝒖𝒆𝒍𝒍𝒆𝒔 𝒊𝒏𝒕𝒓𝒊𝒏𝒔è𝒒𝒖𝒆𝒔 𝑪𝑰𝑰 𝒅𝒆 𝒍’𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖 𝒂𝒃𝒊𝒍𝒊𝒕𝒚 𝒔𝒐𝒏𝒕 ∶

• 𝑰𝒏𝒐𝒃𝒔𝒆𝒓𝒗é𝒆𝒔

• 𝑷𝒐𝒔𝒊𝒕𝒊𝒗𝒆𝒎𝒆𝒏𝒕 𝒄𝒐𝒓𝒓é𝒍é𝒆𝒔 𝒂𝒗𝒆𝒄 𝒍𝒆 𝒏𝒊𝒗𝒆𝒂𝒖 𝒅’é𝒅𝒖𝒄𝒂𝒕𝒊𝒐𝒏 ∶ 𝑬𝑫𝑼𝑪𝒕 = 𝜹𝟏 𝑪𝑰𝑰𝒕 + 𝒗𝒕

• 𝑷𝒐𝒔𝒊𝒕𝒊𝒗𝒆𝒎𝒆𝒏𝒕 𝒄𝒐𝒓𝒓é𝒍é𝒆𝒔 𝒂𝒗𝒆𝒄 𝒍𝒆 𝒏𝒊𝒗𝒆𝒂𝒖 𝒅𝒆 𝒔𝒂𝒍𝒂𝒊𝒓𝒆 ∶ 𝒍𝒏 𝑾𝒕 = 𝜹𝟐 𝑪𝑰𝑰𝒕 + 𝒘𝒕

𝑳𝒆 𝒓𝒆𝒏𝒅𝒆𝒎𝒆𝒏𝒕 𝒅𝒆 𝒍’é𝒅𝒖𝒄𝒂𝒕𝒊𝒐𝒏 𝒆𝒔𝒕𝒊𝒎é 𝒑𝒂𝒓 ∶ 𝒍𝒏 𝑾𝒕 = 𝜷𝟎 + 𝜷𝟏 𝑬𝑫𝑼𝑪𝒕 + 𝜷𝟐 𝑬𝑿𝑷𝑬𝑹𝒕 + 𝒖𝒕

𝑳𝒂 𝒒𝒖𝒆𝒔𝒕𝒊𝒐𝒏 𝒒𝒖𝒊 𝒔𝒆 𝒑𝒐𝒔𝒆 ∶ 𝑬𝒔𝒕-𝒕-𝒊𝒍 𝒔𝒖𝒓𝒆𝒔𝒕𝒊𝒎é 𝒐𝒖 𝒔𝒐𝒖𝒔-𝒆𝒔𝒕𝒊𝒎é ?


∎ É𝒕𝒆𝒏𝒅𝒖𝒆 𝒅𝒖 𝒑𝒓𝒐𝒃𝒍è𝒎𝒆 ∶

𝑪𝒆 𝒑𝒓𝒐𝒃𝒍è𝒎𝒆 𝒆𝒔𝒕 𝒊𝒏𝒉é𝒓𝒆𝒏𝒕 à 𝒕𝒐𝒖𝒕𝒆 𝒂𝒏𝒂𝒍𝒚𝒔𝒆 é𝒄𝒐𝒏𝒐𝒎é𝒕𝒓𝒊𝒒𝒖𝒆 ∶

• 𝑪𝒆𝒓𝒕𝒂𝒊𝒏𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒔𝒐𝒏𝒕 𝒑𝒂𝒓 𝒏𝒂𝒕𝒖𝒓𝒆 𝒊𝒏𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒃𝒍𝒆𝒔 𝒐𝒖 𝒏𝒐𝒏 𝒎𝒆𝒔𝒖𝒓𝒂𝒃𝒍𝒆𝒔 (𝑫𝒚𝒏𝒂𝒎𝒊𝒔𝒎𝒆,

𝒄𝒉𝒂𝒓𝒊𝒔𝒎𝒆, 𝒄𝒂𝒑𝒊𝒕𝒂𝒍 𝒔𝒐𝒄𝒊𝒂𝒍 𝒅’𝒖𝒏 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖, 𝒆𝒔𝒑𝒓𝒊𝒕 𝒅’é𝒒𝒖𝒊𝒑𝒆 𝒅𝒂𝒏𝒔 𝒖𝒏𝒆 𝒆𝒏𝒕𝒓𝒆𝒑𝒓𝒊𝒔𝒆, 𝒆𝒕𝒄. )

• 𝑪𝒆𝒓𝒕𝒂𝒊𝒏𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒔𝒐𝒏𝒕 𝒏𝒐𝒏 𝒅𝒊𝒔𝒑𝒐𝒏𝒊𝒃𝒍𝒆𝒔 𝒑𝒐𝒖𝒓 𝒍’é𝒄𝒐𝒏𝒐𝒎è𝒕𝒓𝒆 (𝒒𝒖𝒆𝒔𝒕𝒊𝒐𝒏𝒔 𝒏𝒐𝒏 𝒑𝒐𝒔é𝒆𝒔,

𝒓é𝒑𝒐𝒏𝒔𝒆𝒔 𝒃𝒊𝒂𝒊𝒔é𝒆𝒔 𝒔𝒖𝒓𝒅𝒆𝒔 𝒔𝒖𝒋𝒆𝒕𝒔 𝒔𝒆𝒏𝒔𝒊𝒃𝒍𝒆𝒔, 𝒆𝒕𝒄. )

• 𝑰𝒍 𝒇𝒂𝒖𝒕 𝒋𝒖𝒔𝒕𝒆 𝒓𝒆𝒔𝒕𝒆𝒓 𝒄𝒐𝒏𝒔𝒄𝒊𝒆𝒏𝒕 𝒒𝒖𝒆 𝒄𝒆𝒓𝒕𝒂𝒊𝒏𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒑𝒆𝒖𝒗𝒆𝒏𝒕 𝒄𝒂𝒑𝒕𝒆𝒓 𝒅𝒆𝒔 𝒆𝒇𝒇𝒆𝒕𝒔 𝒑𝒍𝒖𝒔

𝒍𝒂𝒓𝒈𝒆𝒔 𝒒𝒖𝒆 𝒄𝒆 𝒑𝒐𝒖𝒓𝒒𝒖𝒐𝒊 𝒆𝒍𝒍𝒆𝒔 𝒔𝒐𝒏𝒕 𝒊𝒏𝒄𝒍𝒖𝒆𝒔 𝒅𝒂𝒏𝒔 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆

∎ 𝑭𝒐𝒓𝒎𝒂𝒍𝒊𝒔𝒂𝒕𝒊𝒐𝒏 ∶

• 𝑳𝒐𝒓𝒔𝒒𝒖𝒆 𝒍’𝒐𝒏 𝒆𝒔𝒕 𝒇𝒂𝒄𝒆 𝒂𝒖 𝒑𝒓𝒐𝒃𝒍è𝒎𝒆 𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒐𝒎𝒊𝒔𝒆, 𝒊𝒍 𝒆𝒔𝒕 𝒑𝒐𝒔𝒔𝒊𝒃𝒍𝒆 𝒅’𝒖𝒕𝒊𝒍𝒊𝒔𝒆𝒓 𝒅𝒆𝒔

𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔« 𝑷𝒓𝒐𝒙𝒚 » 𝒒𝒖𝒊 𝒑𝒆𝒓𝒎𝒆𝒕𝒕𝒆𝒏𝒕 𝒅𝒆 𝒄𝒐𝒓𝒓𝒊𝒈𝒆𝒓 𝒍𝒆𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝒔𝒑é𝒄𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏

• 𝑼𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒑𝒓𝒐𝒙𝒚 𝒆𝒔𝒕 𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒄𝒐𝒓𝒓é𝒍é𝒆 à 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒃𝒍𝒆 𝒎𝒂𝒊𝒔 𝒏𝒐𝒏

𝒅𝒊𝒓𝒆𝒄𝒕𝒆𝒎𝒆𝒏𝒕 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆 𝒅𝒖 𝒎𝒐𝒅è𝒍𝒆 é𝒕𝒖𝒅𝒊é

• 𝑳𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒑𝒓𝒐𝒙𝒚 𝒆𝒔𝒕 𝒔𝒖𝒃𝒔𝒕𝒊𝒕𝒖é𝒆 à 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒊𝒏𝒐𝒃𝒔𝒆𝒓𝒗é𝒆 𝒆𝒕 𝒍𝒆 𝒔𝒊𝒈𝒏𝒆 𝒅𝒖 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕

𝒆𝒔𝒕𝒊𝒎é 𝒆𝒔𝒕 𝒊𝒏𝒕𝒆𝒓𝒑𝒓é𝒕é 𝒆𝒏 𝒇𝒐𝒏𝒄𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒓𝒆𝒍𝒂𝒕𝒊𝒐𝒏 𝒕𝒉é𝒐𝒓𝒊𝒒𝒖𝒆 𝒓𝒆𝒍𝒊𝒂𝒏𝒕 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒑𝒓𝒐𝒙𝒚 𝒆𝒕

𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒊𝒏𝒐𝒃𝒔𝒆𝒓𝒗é𝒆

𝑹𝒆𝒑𝒓𝒆𝒏𝒐𝒏𝒔 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒈é𝒏é𝒓𝒂𝒍 ∶ 𝒚𝒕 = 𝜷𝟎 + 𝜷𝟏 𝒙𝒕𝟏 + 𝜷𝟐 𝒙∗𝒕𝟐 + 𝒖𝒕 𝟏

𝒙∗𝟐 𝒊𝒏𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒃𝒍𝒆, 𝒄𝒐𝒓𝒓é𝒍é𝒆 𝒂𝒗𝒆𝒄 𝒙𝟏 , 𝒂𝒗𝒆𝒄 𝒙∗𝒕𝟐 = 𝜹𝟎 + 𝜹𝟏 𝒙𝒕𝟐 + 𝒗𝒕 𝟐 𝒐ù 𝒙𝟐 𝒆𝒔𝒕 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒃𝒍𝒆

𝑺𝒐𝒖𝒔 𝒒𝒖𝒆𝒍𝒍𝒆𝒔 𝒄𝒐𝒏𝒅𝒊𝒕𝒊𝒐𝒏𝒔, 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒑𝒓𝒐𝒙𝒚 𝒙𝟐 𝒑𝒆𝒓𝒎𝒆𝒕 𝒖𝒏𝒆 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒊𝒐𝒏 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒆𝒕

ème
47 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒄𝒐𝒏𝒗𝒆𝒓𝒈𝒆𝒏𝒕𝒆 𝒅𝒆 𝜷𝟏 𝒑𝒂𝒓 𝒚𝒕 = 𝝅𝟎 + 𝜷𝟏 𝒙𝒕𝟏 + 𝝅𝟐 𝒙𝒕𝟐 + 𝒘𝒕 ?

𝑳𝒆𝒔 é𝒒𝒖𝒂𝒕𝒊𝒐𝒏𝒔 𝟏 𝒆𝒕 𝟐 𝒊𝒎𝒑𝒍𝒊𝒒𝒖𝒆𝒏𝒕 :


𝒚𝒕 = 𝜷𝟎 + 𝜷𝟏 𝒙𝒕𝟏 + 𝜷𝟐 𝜹𝟎 + 𝜹𝟏 𝒙𝒕𝟐 + 𝒗𝒕 + 𝒖𝒕

= 𝜷𝟎 + 𝜷𝟐 𝜹𝟎 + 𝜷𝟏 𝒙𝒕𝟏 + 𝜷𝟐 𝜹𝟏 𝒙𝒕𝟐 + 𝜷𝟐 𝒗𝒕 + 𝒖𝒕

= 𝝅𝟎 + 𝜷𝟏 𝒙𝒕𝟏 + 𝝅𝟐 𝒙𝒕𝟐 + 𝒘𝒕

𝒘𝒕 𝒏𝒆 𝒅𝒐𝒊𝒕 𝒑𝒂𝒔 ê𝒕𝒓𝒆 𝒄𝒐𝒓𝒓é𝒍é 𝒂𝒗𝒆𝒄 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒔 𝒅𝒖 𝒎𝒐𝒅è𝒍𝒆, 𝒅𝒐𝒏𝒄 𝒖𝒕 𝒆𝒕 𝒗𝒕

𝒅𝒐𝒊𝒗𝒆𝒏𝒕 ê𝒕𝒓𝒆 𝒏𝒐𝒏 𝒄𝒐𝒓𝒓é𝒍é𝒔 𝒂𝒗𝒆𝒄 𝒙𝟏 𝒆𝒕 𝒙𝟐

• 𝑵𝑩 ∶ 𝑳𝒆𝒔 𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒅𝒆𝒔 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 𝒆𝒔𝒕𝒊𝒎é𝒔 𝒑𝒐𝒖𝒓 𝒍𝒆 𝒕𝒆𝒓𝒎𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕 𝒆𝒕 𝒍𝒂 𝒑𝒓𝒐𝒙𝒚 𝒏𝒆 𝒔𝒐𝒏𝒕

𝒑𝒂𝒔 𝒅𝒊𝒓𝒆𝒄𝒕𝒆𝒎𝒆𝒏𝒕 𝒊𝒏𝒕𝒆𝒓𝒑𝒓é𝒕𝒂𝒃𝒍𝒆𝒔.

𝑺𝒊 𝒆𝒏 𝒓𝒆𝒗𝒂𝒏𝒄𝒉𝒆 𝒐𝒏 𝒂, 𝒙∗𝒕𝟐 = 𝜹𝟎 + 𝜹𝟏 𝒙𝒕𝟏 + 𝜹𝟐 𝒙𝒕𝟐 + 𝒗𝒕 𝒂𝒗𝒆𝒄 𝒘𝒕 𝒏𝒐𝒏-𝒄𝒐𝒓𝒓é𝒍é à 𝒙𝟏 𝒆𝒕 𝒙𝟐 , 𝒂𝒍𝒐𝒓𝒔 ∶

𝒚𝒕 = 𝜷𝟎 + 𝜷𝟏 𝒙𝒕𝟏 + 𝜷𝟐 𝜹𝟎 + 𝜹𝟏 𝒙𝒕𝟏 + 𝜹𝟐 𝒙𝒕𝟐 + 𝒗𝒕 + 𝒖𝒕

= 𝜷𝟎 + 𝜷𝟐 𝜹𝟎 + 𝜷𝟏 + 𝜷𝟐 𝜹𝟏 𝒙𝒕𝟏 + 𝜷𝟐 𝜹𝟐 𝒙𝒕𝟐 + 𝜷𝟐 𝒗𝒕 + 𝒖𝒕

• 𝑳𝒆 𝒔𝒊𝒈𝒏𝒆 𝒆𝒕 𝒍𝒂 𝒗𝒂𝒍𝒆𝒖𝒓 𝒅𝒖 𝒃𝒊𝒂𝒊𝒔 𝒅é𝒑𝒆𝒏𝒅𝒆𝒏𝒕 𝒅𝒆𝒔 𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒅𝒆𝒔 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔 𝜷𝟐 𝒆𝒕 𝜹𝟏

• 𝑳𝒆 𝒃𝒊𝒂𝒊𝒔 𝒓𝒆𝒔𝒕𝒆 𝒆𝒏 𝒈é𝒏é𝒓𝒂𝒍 𝒊𝒏𝒇é𝒓𝒊𝒆𝒖𝒓 𝒂𝒖 𝒃𝒊𝒂𝒊𝒔 𝒊𝒏𝒊𝒕𝒊𝒂𝒍 (𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒐𝒎𝒊𝒔𝒆)

∎ 𝑩𝒊𝒂𝒊𝒔 𝒅’𝒐𝒎𝒊𝒔𝒔𝒊𝒐𝒏 ∶

𝒚𝒊 = 𝜷𝟏 + 𝜷𝟐 𝒙𝟐𝒊 + 𝜷𝟑 𝒙𝟑𝒊 + 𝜺𝒊 𝒗𝒓𝒂𝒊 𝒎𝒐𝒅è𝒍𝒆


𝑺𝒖𝒑𝒑𝒐𝒔𝒐𝒏𝒔 𝒅𝒆𝒖𝒙 𝒎𝒐𝒅è𝒍𝒆𝒔 ∶
𝒚𝒊 = 𝜷𝟏 + 𝜷𝟐 𝒙𝟐𝒊 + 𝜺𝒊 𝒎𝒐𝒅è𝒍𝒆 𝒔𝒐𝒖𝒔-𝒅𝒊𝒎𝒆𝒏𝒔𝒊𝒐𝒏𝒏é

• 𝑳𝒆𝒔 𝒄𝒐𝒏𝒔é𝒒𝒖𝒆𝒏𝒄𝒆𝒔 𝒅𝒆 𝒍’𝒐𝒎𝒊𝒔𝒔𝒊𝒐𝒏 𝒅𝒆 𝒙𝟑 𝒔𝒐𝒏𝒕

 𝑳’𝒐𝒎𝒊𝒔𝒔𝒊𝒐𝒏 𝒅’𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆 𝒊𝒎𝒑𝒐𝒓𝒕𝒂𝒏𝒕𝒆 𝒄𝒐𝒏𝒅𝒖𝒊𝒕 à 𝒖𝒏 𝒃𝒊𝒂𝒊𝒔 𝒅’𝒐𝒎𝒊𝒔𝒔𝒊𝒐𝒏

 𝑳’𝒊𝒎𝒑𝒐𝒓𝒕𝒂𝒏𝒄𝒆 𝒅𝒖 𝒃𝒊𝒂𝒊𝒔 𝒅é𝒑𝒆𝒏𝒅 𝒅𝒆 𝒍𝒂 𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒄𝒆 𝒆𝒏𝒕𝒓𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒐𝒎𝒊𝒔𝒆 𝒆𝒕 𝒍𝒆𝒔

𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒔 𝒊𝒏𝒄𝒍𝒖𝒔𝒆𝒔 𝒅𝒂𝒏𝒔 𝒍𝒂 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏


 𝑺𝒊 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒐𝒎𝒊𝒔𝒆 𝒙𝟑 𝒆𝒔𝒕 𝒄𝒐𝒓𝒓é𝒍é𝒆 𝒂𝒗𝒆𝒄 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒙𝟐 , 𝒄. -à-𝒅. , 𝒔𝒊 𝒓𝟐𝟑 , 𝒍𝒆

𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒆𝒏𝒕𝒓𝒆 𝒍𝒆𝒔 𝒅𝒆𝒖𝒙 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒏’𝒆𝒔𝒕 𝒑𝒂𝒔 𝒏𝒖𝒍 𝜷𝟏 𝒆𝒕 𝜷𝟐 𝒔𝒐𝒏𝒕 𝒃𝒊𝒂𝒊𝒔é𝒆𝒔 𝒆𝒕

𝒊𝒏𝒄𝒐𝒉é𝒓𝒆𝒏𝒕𝒔 . 𝑨𝒖𝒕𝒓𝒆𝒎𝒆𝒏𝒕 𝒅𝒊𝒕 𝑬 𝜷𝟏 ≠ 𝜷𝟏 𝒆𝒕 𝑬 𝜷𝟐 ≠ 𝜷𝟐 . 𝑳𝒆 𝒃𝒊𝒂𝒊𝒔 𝒏𝒆 𝒅𝒊𝒔𝒑𝒂𝒓𝒂î𝒕 𝒑𝒂𝒔 𝒍𝒐𝒓𝒔𝒒𝒖𝒆

𝒍𝒂 𝒕𝒂𝒊𝒍𝒍𝒆 𝒅𝒆 𝒍’é𝒄𝒉𝒂𝒏𝒕𝒊𝒍𝒍𝒐𝒏 𝒔’𝒂𝒄𝒄𝒓𝒐î𝒕

 𝑴ê𝒎𝒆 𝒔𝒊 𝒙𝟐 𝒆𝒕 𝒙𝟑 𝒏𝒆 𝒔𝒐𝒏𝒕 𝒑𝒂𝒔 𝒄𝒐𝒓𝒓é𝒍é𝒔, 𝜷𝟏 𝒆𝒔𝒕 𝒃𝒊𝒂𝒊𝒔é, 𝒃𝒊𝒆𝒏 𝒒𝒖𝒆 𝜷𝟐 𝒏𝒆 𝒍𝒆 𝒔𝒐𝒊𝒕 𝒑𝒍𝒖𝒔

 𝑳𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 𝝇𝟐𝜺 𝒆𝒔𝒕 𝒊𝒏𝒄𝒐𝒓𝒓𝒆𝒄𝒕𝒆𝒎𝒆𝒏𝒕 𝒆𝒔𝒕𝒊𝒎é𝒆

 𝑳𝒂 𝒎𝒆𝒔𝒖𝒓𝒆 𝒉𝒂𝒃𝒊𝒕𝒖𝒆𝒍𝒍𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒆 𝜷𝟐 𝒆𝒔𝒕 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒃𝒊𝒂𝒊𝒔é 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆

ème
48 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒖 𝒗é𝒓𝒊𝒕𝒂𝒃𝒍𝒆 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝜷𝟐

 𝑬𝒏 𝒄𝒐𝒏𝒔é𝒒𝒖𝒆𝒏𝒄𝒆, 𝒍’𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆 𝒅𝒆 𝒄𝒐𝒏𝒇𝒊𝒂𝒏𝒄𝒆 𝒔𝒕𝒂𝒏𝒅𝒂𝒓𝒅 𝒆𝒕 𝒍𝒆𝒔 𝒑𝒓𝒐𝒄é𝒅é𝒔 𝒅𝒆 𝒕𝒆𝒔𝒕

𝒅’𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒇𝒐𝒖𝒓𝒏𝒊𝒓𝒐𝒏𝒕 𝒑𝒓𝒐𝒃𝒂𝒃𝒍𝒆𝒎𝒆𝒏𝒕 𝒅𝒆𝒔 𝒄𝒐𝒏𝒄𝒍𝒖𝒔𝒊𝒐𝒏𝒔 𝒆𝒓𝒓𝒐𝒏é𝒆𝒔 𝒔𝒖𝒓 𝒍𝒂 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏

𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆 𝒅𝒆𝒔 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔 𝒆𝒔𝒕𝒊𝒎é𝒔

 𝑼𝒏𝒆 𝒂𝒖𝒕𝒓𝒆 𝒄𝒐𝒏𝒔é𝒒𝒖𝒆𝒏𝒄𝒆 𝒆𝒔𝒕 𝒒𝒖𝒆 𝒍𝒆𝒔 𝒑𝒓é𝒗𝒊𝒔𝒊𝒐𝒏𝒔 𝒃𝒂𝒔é𝒆𝒔 𝒔𝒖𝒓 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒊𝒏𝒄𝒐𝒓𝒓𝒆𝒄𝒕 𝒆𝒕

𝒍𝒆𝒔 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆𝒔 𝒅𝒆 𝒑𝒓é𝒗𝒊𝒔𝒊𝒐𝒏 𝒏𝒆 𝒔𝒆𝒓𝒐𝒏𝒕 𝒑𝒂𝒔 𝒇𝒊𝒂𝒃𝒍𝒆

• 𝑳𝒆 𝒃𝒊𝒂𝒊𝒔 𝒆𝒔𝒕 𝒅’𝒂𝒖𝒕𝒂𝒏𝒕 𝒏é𝒈𝒍𝒊𝒈𝒆𝒂𝒃𝒍𝒆 𝒒𝒖𝒆

 𝑳’𝒆𝒇𝒇𝒆𝒕 𝒑𝒂𝒓𝒕𝒊𝒆𝒍 𝒅𝒆 𝒙𝟑 𝒔𝒖𝒓 𝒚 𝒆𝒔𝒕 𝒏é𝒈𝒍𝒊𝒈𝒆𝒂𝒃𝒍𝒆

 𝑳𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒙𝟐 𝒆𝒕 𝒙𝟑 𝒔𝒐𝒏𝒕 𝒇𝒂𝒊𝒃𝒍𝒆𝒎𝒆𝒏𝒕 𝒄𝒐𝒓𝒓é𝒍é𝒆𝒔

 𝑳𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒆 𝒙𝟐 𝒆𝒔𝒕 é𝒍𝒆𝒗é𝒆


𝑺𝒙𝟐,𝒙𝟑
• 𝑳𝒆 𝒃𝒊𝒂𝒊𝒔 𝒅𝒖 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆 𝒆𝒔𝒕 𝒅𝒐𝒏𝒏é 𝒑𝒂𝒓 ∶ 𝑬 𝜷𝟐 − 𝜷𝟐 = 𝜷𝟑
𝑺𝟐𝒙𝟐

𝑺𝒙𝟐,𝒙𝟑 > 0 𝑺𝒙𝟐 ,𝒙𝟑 < 0

𝜷𝟑 > 0 𝑩𝒊𝒂𝒊𝒔 𝒑𝒐𝒔𝒊𝒕𝒊𝒇 𝑩𝒊𝒂𝒊𝒔 𝒏é𝒈𝒂𝒕𝒊𝒇

𝜷𝟑 < 0 𝑩𝒊𝒂𝒊𝒔 𝒏é𝒈𝒂𝒕𝒊𝒇 𝑩𝒊𝒂𝒊𝒔 𝒑𝒐𝒔𝒊𝒕𝒊𝒇

• 𝑬𝒓𝒓𝒆𝒖𝒓 𝒒𝒖𝒂𝒅𝒓𝒂𝒕𝒊𝒒𝒖𝒆 𝒎𝒐𝒚𝒆𝒏𝒏𝒆 ∶

𝑬𝑸𝑴 𝜷𝟐
= 𝟏 + 𝒓𝟐𝟐𝟑 𝒕𝟐𝟑 − 𝟏
𝑬𝑸𝑴 𝜷𝟐

𝜷𝟑
𝒐ù 𝒓𝟐𝟐𝟑 𝒍𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒆𝒏𝒕𝒓𝒆 𝒍𝒆𝒔 𝒅𝒆𝒖𝒙 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒙𝟐 𝒆𝒕 𝒙𝟑 𝒆𝒕 𝒕𝟑 =
𝝇𝜷𝟑

𝑨 𝒑𝒂𝒓𝒕𝒊𝒓 𝒅𝒆 𝒄𝒆 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 𝒐𝒏 𝒑𝒆𝒖𝒕 𝒄𝒐𝒏𝒄𝒍𝒖𝒓𝒆 𝒒𝒖𝒆 𝜷𝟐 𝒂 𝒖𝒏𝒆 𝒆𝒓𝒓𝒆𝒖𝒓 𝒒𝒖𝒂𝒅𝒓𝒂𝒕𝒊𝒒𝒖𝒆 𝒊, 𝒇é𝒓𝒊𝒆𝒖𝒓𝒆 à

𝒄𝒆𝒍𝒍𝒆 𝒅𝒆 𝜷𝟐 𝒔𝒊 𝒕𝟑 < 1

𝑪𝒐𝒎𝒎𝒆 𝒕𝟑 𝒆𝒔𝒕 𝒊𝒏𝒄𝒐𝒏𝒏𝒖𝒆, 𝒐𝒏 𝒅𝒐𝒊𝒕 𝒍′ 𝒆𝒔𝒕𝒊𝒎𝒆𝒓à 𝒑𝒂𝒓𝒕𝒊𝒓 𝒅𝒆 𝒍′ é𝒒𝒖𝒂𝒕𝒊𝒐𝒏 𝒄𝒐𝒎𝒑𝒍è𝒕𝒆

𝑪𝒐𝒎𝒎𝒆 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒅𝒆 𝜷𝟐 , 𝒐𝒏 𝒑𝒆𝒖𝒕 𝒖𝒕𝒊𝒍𝒊𝒔𝒆𝒓 𝒍′ 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒅é𝒇𝒊𝒏𝒊 𝒑𝒂𝒓 ∶

𝜷𝟐 ∶ 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒅𝒆𝒔 𝑴𝑪𝑶 𝒅𝒆 𝒍′ é𝒒𝒖𝒂𝒕𝒊𝒐𝒏 𝒅𝒖 𝒗𝒓𝒂𝒊 𝒎𝒐𝒅è𝒍𝒆 , 𝒏 𝒔𝒊 𝒕𝟑 ≥ 𝟏


𝜷𝟐 =
𝜷𝟐 ∶ 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒐𝒎𝒊𝒔𝒆 , 𝒔𝒊 𝒕𝟑 < 1

ème
49 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014

 𝑹𝒆𝒎𝒂𝒓𝒒𝒖𝒆 ∶ 𝑨𝒖 𝒍𝒊𝒆𝒖 𝒅 𝒖𝒕𝒊𝒍𝒊𝒔𝒆𝒓 𝜷𝟐 𝒆𝒕 𝜷𝟐 𝒆𝒏 𝒇𝒐𝒏𝒄𝒕𝒊𝒐𝒏 𝒅𝒆 𝒕𝟑 𝒐𝒏 𝒑𝒆𝒖𝒕 , 𝒐𝒏 𝒑𝒆𝒖𝒕

𝒄𝒐𝒏𝒔𝒊𝒅é𝒓𝒆𝒓 𝒖𝒏𝒆 𝒄𝒐𝒎𝒃𝒊𝒏𝒂𝒊𝒔𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒅𝒆𝒔 𝒅𝒆𝒖𝒙, 𝝀𝜷𝟐 + 𝟏 − 𝝀 𝜷𝟐 𝒂𝒑𝒑𝒆𝒍é 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒎𝒐𝒚𝒆𝒏

𝒕𝟐𝟑
𝒑𝒐𝒏𝒅é𝒓é 𝒆𝒕 𝒊𝒍 𝒚 𝒂 𝒖𝒏𝒆 𝒆𝒓𝒓𝒆𝒖𝒓 𝒒𝒖𝒂𝒅𝒓𝒂𝒕𝒊𝒒𝒖𝒆 𝒎𝒐𝒚𝒆𝒏𝒏𝒆 𝝀 =
𝟏 + 𝒕𝟐𝟑

Moindres carrées sous contraintes linéaires


𝓒– 𝟏 • 𝑳′ 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒅𝒆 𝜷 𝒔𝒐𝒖𝒔 𝒄𝒐𝒏𝒕𝒓𝒂𝒊𝒏𝒕𝒆𝒔 ∶

𝑶𝒏 𝒔’𝒊𝒏𝒕é𝒓𝒆𝒔𝒔𝒆 𝒎𝒂𝒊𝒏𝒕𝒆𝒏𝒂𝒏𝒕 à 𝒍’𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝜷𝒄 𝒅𝒖 𝒗𝒆𝒄𝒕𝒆𝒖𝒓 𝜷 𝒔𝒐𝒖𝒔 𝒖𝒏 𝒔𝒚𝒔𝒕è𝒎𝒆 𝒅𝒆 𝑱

𝒄𝒐𝒏𝒕𝒓𝒂𝒊𝒏𝒕𝒆𝒔 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆𝒔, 𝒒𝒖𝒊 𝒑𝒆𝒖𝒕 𝒔′ é𝒄𝒓𝒊𝒓𝒆 𝒔𝒐𝒖𝒔 𝒍𝒂 𝒇𝒐𝒓𝒎𝒆 ∶ 𝑹 𝜷𝒄 = 𝒓


𝑱×𝒌 𝒌×𝟏 𝑱×𝟏

𝑹 é𝒕𝒂𝒏𝒕 𝒖𝒏𝒆 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝑱 × 𝒌 𝒅𝒆 𝒓𝒂𝒏𝒈 𝑱 , 𝒓 𝒆𝒔𝒕 𝒖𝒏 𝒗𝒆𝒄𝒕𝒆𝒖𝒓 𝑱 × 𝟏 𝒆𝒕 𝜷𝒄 𝒆𝒔𝒕 𝒍𝒆 𝒗𝒆𝒄𝒕𝒆𝒖𝒓 𝒅𝒆𝒔

𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔 𝒅𝒆 𝜷 𝒔𝒐𝒖𝒔 𝒄𝒐𝒏𝒕𝒓𝒂𝒊𝒏𝒕𝒆𝒔.

𝑵𝒐𝒖𝒔 𝒎𝒊𝒏𝒊𝒎𝒊𝒔𝒐𝒏𝒔 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒆𝒔 𝒅𝒆𝒔 𝒓é𝒔𝒊𝒅𝒖𝒔 𝒔𝒐𝒖𝒔 𝒍𝒆𝒔 𝒄𝒐𝒏𝒕𝒓𝒂𝒊𝒏𝒕𝒆𝒔 𝒅𝒖 𝒔𝒚𝒔𝒕è𝒎𝒆

𝑹𝜷𝒄 = 𝒓. 𝑶𝒏 é𝒄𝒓𝒊𝒓𝒂 𝒄𝒆 𝒔𝒚𝒔𝒕è𝒎𝒆 𝒔𝒐𝒖𝒔 𝒍𝒂 𝒇𝒐𝒓𝒎𝒆 𝟐 𝑹𝜷𝒄 − 𝒓 = 𝟎 𝒆𝒕 𝒐𝒏 𝒇𝒐𝒓𝒎𝒆𝒓𝒂 𝒍𝒆 𝑳𝒂𝒈𝒓𝒂𝒏𝒈𝒊𝒆𝒏 ∶



𝝓 = 𝒀 − 𝑿𝜷𝒄 𝒀 − 𝑿𝜷𝒄 − 𝟐𝝀′ 𝑹𝜷𝒄 − 𝒓 .

𝑶ù 𝝀′ 𝒆𝒔𝒕 𝒖𝒏 𝒗𝒆𝒄𝒕𝒆𝒖𝒓 𝒍𝒊𝒈𝒏𝒆 𝒅𝒆 𝑱 𝒎𝒖𝒍𝒕𝒊𝒑𝒍𝒊𝒄𝒂𝒕𝒆𝒖𝒓𝒔 𝒅𝒆 𝑳𝒂𝒈𝒓𝒂𝒏𝒈𝒆.

∎ 𝑪𝒐𝒏𝒅𝒊𝒕𝒊𝒐𝒏 𝒅𝒆 𝒑𝒓𝒆𝒎𝒊𝒆𝒓 𝒐𝒓𝒅𝒓𝒆 ∶

𝝏𝝓
= −𝟐𝑿′ 𝒀 + 𝟐 𝑿′ 𝑿 𝜷𝒄 − 𝟐𝑹′ 𝝀 = 𝟎 𝟏
𝝏𝜷𝒄
𝝏𝝓
= −𝟐 𝑹𝜷𝒄 − 𝒓 = 𝟎 𝟐
𝝏𝝀

𝟏 ⇒ 𝜷𝒄 = 𝜷 + 𝑿′ 𝑿 −𝟏
𝑹′ 𝝀 𝟑 ; 𝒐ù 𝜷 = 𝑿′ 𝑿 −𝟏
𝑿′ 𝒀 𝒍′ 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔𝒂𝒏𝒔 𝒄𝒐𝒏𝒕𝒓𝒂𝒊𝒏𝒕𝒆𝒔

𝑬𝒏 𝒎𝒖𝒍𝒕𝒊𝒑𝒍𝒊𝒂𝒏𝒕 𝒑𝒂𝒓 𝑹 ∶ 𝑹𝜷𝒄 = 𝑹𝜷 + 𝑹 𝑿′ 𝑿 −𝟏


𝑹′ 𝝀 , 𝒐𝒓 𝟐 ⇒ 𝑹𝜷𝒄 = 𝒓

𝒄𝒆𝒄𝒊 𝒊𝒎𝒑𝒍𝒒𝒖𝒆 ∶ 𝝀 = 𝑹 𝑿′ 𝑿 −𝟏
𝑹′ −𝟏
𝒓 − 𝑹𝜷

𝑫′ 𝒐ù 𝜷𝒄 = 𝜷 + 𝑿′ 𝑿 −𝟏
𝑹′ 𝑹 𝑿′ 𝑿 −𝟏
𝑹′ −𝟏
𝒓 − 𝑹𝜷 𝟒

𝑶𝒏 𝒄𝒐𝒏𝒔𝒕𝒂𝒕𝒆 𝒒𝒖𝒆 𝜷𝒄 𝒍′ 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒄𝒐𝒏𝒕𝒓𝒂𝒊𝒏𝒕 𝒅𝒊𝒇𝒇è𝒓𝒆 𝒅𝒆 𝜷 𝒍′ 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒏𝒐𝒏 𝒄𝒐𝒏𝒕𝒓𝒂𝒊𝒏𝒕

𝒑𝒂𝒓 𝒖𝒏𝒆 𝒇𝒐𝒏𝒄𝒕𝒊𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒅𝒖 𝒗𝒆𝒄𝒕𝒆𝒖𝒓 𝒓 − 𝑹𝜷 . 𝑪𝒆 𝒅𝒆𝒓𝒏𝒊𝒆𝒓 𝒔𝒆𝒓𝒂 𝒏𝒖𝒍 𝒔𝒊 𝒍𝒆 𝒗𝒆𝒄𝒕𝒆𝒖𝒓 𝜷 𝒗é𝒓𝒊𝒇𝒊𝒆

𝒍𝒆𝒔 𝒓𝒆𝒔𝒕𝒓𝒊𝒄𝒕𝒊𝒐𝒏𝒔 𝒂 𝒑𝒓𝒊𝒐𝒓𝒊

ème
50 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝓒– 𝟐 • 𝑬𝒇𝒇𝒊𝒄𝒂𝒄𝒊𝒕é 𝒅𝒆 𝒍′ 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒅𝒆 𝜷 𝒔𝒐𝒖𝒔 𝒄𝒐𝒏𝒕𝒓𝒂𝒊𝒏𝒕𝒆𝒔 ∶

𝑶𝒏 𝒔𝒆 𝒑𝒓𝒐𝒑𝒐𝒔𝒆 𝒅𝒆 𝒅é𝒎𝒐𝒏𝒕𝒓𝒆𝒓 𝒒𝒖𝒆 𝒔𝒊 𝒍𝒆𝒔 𝒓𝒆𝒔𝒕𝒓𝒊𝒄𝒕𝒊𝒐𝒏𝒔 𝒂 𝒑𝒓𝒊𝒐𝒓𝒊 𝒔𝒐𝒏𝒕 𝒗é𝒓𝒊𝒇𝒊é𝒔 𝒑𝒂𝒓 𝒍𝒆 𝒗𝒆𝒄𝒕𝒆𝒖𝒓 𝜷

𝒄-à-𝒅. 𝒑𝒂𝒓 𝒍𝒆𝒔 𝒗𝒓𝒂𝒊𝒆𝒔 𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒅𝒆𝒔 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔 à 𝒆𝒔𝒕𝒊𝒎𝒆𝒓 , 𝒍′ 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝜷𝒄 𝒔𝒆𝒓𝒂 𝒂𝒖 𝒎𝒐𝒊𝒏𝒔

𝑬 𝜷𝒄 = 𝜷
𝒂𝒖𝒔𝒔𝒊 𝒆𝒇𝒇𝒊𝒄𝒂𝒄𝒆 𝒒𝒖𝒆 𝒍′ 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝜷 ; 𝒆𝒏 𝒑𝒂𝒓𝒕𝒊𝒄𝒖𝒍𝒊𝒆𝒓 ∶
𝑽𝒂𝒓 𝜷𝒋𝒄 ≤ 𝑽𝒂𝒓 𝜷𝒋 , ∀𝒋 = 𝟏, 𝟐, … , 𝒌

𝑬𝒏 𝒔𝒖𝒃𝒔𝒕𝒊𝒕𝒖𝒂𝒏𝒕 𝜷 = 𝜷 + 𝑿′ 𝑿 −𝟏
𝑿′ 𝓔 𝒅𝒂𝒏𝒔 𝟒 ∶ 𝜷𝒄 = 𝜷 + 𝑿′ 𝑿 −𝟏
𝑹′ 𝑹 𝑿′ 𝑿 −𝟏
𝑹′ −𝟏
𝒓 − 𝑹𝜷

𝒐𝒏 𝒐𝒃𝒕𝒊𝒆𝒏𝒕 ∶

𝜷𝒄 = 𝜷 + 𝑿′ 𝑿 −𝟏
𝑿′ 𝓔 + 𝑿′ 𝑿 −𝟏
𝑹′ 𝑹 𝑿′ 𝑿 −𝟏
𝑹′ −𝟏
𝒓 − 𝑹𝜷 − 𝑹 𝑿′ 𝑿 −𝟏
𝑿′ 𝓔

𝜷𝒄 = 𝜷 + 𝑰𝒏 − 𝑿′ 𝑿 −𝟏
𝑹′ 𝑹 𝑿′ 𝑿 −𝟏
𝑹′ −𝟏
𝑹 𝑿′ 𝑿 −𝟏
𝑿′ 𝓔 𝒔𝒐𝒖𝒔 𝒍′ 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒓 − 𝑹𝜷 = 𝟎
𝑨

𝜷𝒄 = 𝜷 + 𝑨 𝑿′ 𝑿 −𝟏
𝑿′ 𝓔 𝒐ù 𝑨 𝒆𝒔𝒕 𝒏𝒐𝒏 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆, 𝒅𝒐𝒏𝒄 𝑬 𝜷𝒄 = 𝜷

𝒆𝒕 𝑽𝒂𝒓 𝜷𝒄 = 𝑬 𝜷𝒄 − 𝑬 𝜷𝒄 𝜷𝒄 − 𝑬 𝜷𝒄


= 𝑬 𝜷𝒄 − 𝜷 𝜷𝒄 − 𝜷

= 𝑨 𝑿′ 𝑿 −𝟏
𝑿′ 𝑬 𝓔𝓔′ 𝑿 𝑿′ 𝑿 −𝟏 ′
𝑨

= 𝝇𝟐𝜺 𝑨 𝑿′ 𝑿 −𝟏
𝑿′ 𝑿 𝑿′ 𝑿 −𝟏 ′
𝑨
𝑰𝒌

𝑽𝒂𝒓 𝜷𝒄 = 𝝇𝟐𝜺 𝑨 𝑿′ 𝑿 −𝟏 ′
𝑨

𝑶𝒏 𝒗é𝒓𝒊𝒇𝒊𝒆 𝒃𝒊𝒆𝒏 𝒒𝒖𝒆 𝒔𝒊 𝑽 = 𝝇𝟐𝜺 𝑿′ 𝑿 −𝟏


= 𝑽𝒂𝒓 𝜷 , 𝒂𝒍𝒐𝒓𝒔

′ −𝟏 −𝟏
𝝇𝟐𝜺 𝑨 𝑿 𝑿 𝑨′ = 𝑽 − 𝑽𝑹′ 𝑹𝑽𝑹′ 𝑹𝑽

𝑽𝒂𝒓 𝜷𝒄 − 𝑽𝒂𝒓 𝜷
= −𝑽𝑹′ 𝑹𝑽𝑹′ −𝟏 𝑹𝑽 , 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝒔𝒆𝒎𝒊– 𝒅é𝒇𝒊𝒏𝒊𝒆 𝒏é𝒈𝒂𝒕𝒊𝒗𝒆 , 𝒍𝒆𝒔 é𝒍é𝒎𝒆𝒏𝒕𝒔 𝒅𝒆 𝒔𝒂 𝒅𝒊𝒂𝒈𝒐𝒏𝒂𝒍𝒆 𝒔𝒐𝒏𝒕

𝒏𝒐𝒏 𝒑𝒐𝒔𝒊𝒕𝒊𝒇𝒔 𝒆𝒕 𝑽𝒂𝒓 𝜷𝒋𝒄 ≤ 𝑽𝒂𝒓 𝜷𝒋 , ∀𝒋 = 𝟏, 𝟐, … , 𝒌

𝓒– 𝟑 • 𝑫é𝒄𝒐𝒎𝒑𝒐𝒔𝒊𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒓é𝒔𝒊𝒅𝒖𝒔 𝒄𝒐𝒏𝒕𝒓𝒂𝒊𝒏𝒕𝒔 ∶

𝑺𝒐𝒊𝒕 𝓔𝒄 = 𝒀 − 𝑿𝜷𝒄 , 𝒍𝒆 𝒗𝒆𝒄𝒕𝒆𝒖𝒓 𝒅𝒆𝒔 𝒓é𝒔𝒊𝒅𝒖𝒔 𝒄𝒐𝒏𝒕𝒓𝒂𝒊𝒏𝒕𝒔. 𝑶𝒏 𝒂 ∶



𝓔𝒄 𝓔′𝒄 = 𝒀 − 𝑿𝜷𝒄 𝒀 − 𝑿𝜷𝒄

= 𝒀 − 𝑿𝜷 + 𝑿𝜷 − 𝑿𝜷𝒄 𝒀 − 𝑿𝜷 + 𝑿𝜷 − 𝑿𝜷𝒄

= 𝓔 + 𝑿 𝜷 − 𝜷𝒄 𝓔 + 𝑿 𝜷 − 𝜷𝒄

ème
51 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
′ ′
= 𝓔′ 𝓔 + 𝟐 𝜷 − 𝜷𝒄 𝑿′ 𝓔 + 𝜷 − 𝜷𝒄 𝑿′ 𝑿 𝜷 − 𝜷𝒄

𝓔𝒄 𝓔′𝒄 = 𝓔′ 𝓔 + 𝜷 − 𝜷𝒄 𝑿′ 𝑿 𝜷 − 𝜷𝒄

𝜷 − 𝜷𝒄 𝑿′ 𝑿 𝜷 − 𝜷𝒄 𝒆𝒔𝒕 𝒖𝒏𝒆 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝒔𝒆𝒎𝒊– 𝒅é𝒇𝒊𝒏𝒊𝒆 𝒑𝒐𝒔𝒊𝒕𝒊𝒗𝒆. 𝑶𝒏 𝒂 𝒅𝒐𝒏𝒄 ∶ 𝓔𝒄 𝓔′𝒄 ≥ 𝓔′ 𝓔

𝓔𝒄 𝓔′𝒄 𝓔′ 𝓔
𝑬𝒕 𝒄𝒐𝒎𝒎𝒆 𝑹𝟐𝒄 =𝟏− 𝒏 𝟐
𝟐
𝒆𝒕 𝑹 = 𝟏 − 𝒏 𝟐
⇒ 𝑹𝟐𝒄 ≤ 𝑹𝟐
𝒊=𝟏 𝒚𝒊 − 𝒚 𝒊=𝟏 𝒚𝒊 − 𝒚

Cas particuliers de l'inférence en régression classique


𝓓– 𝟏 • 𝑫𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒕𝒊𝒐𝒏𝒔 𝒅𝒆𝒔 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆𝒔 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏 ∶

∎ 𝓔 ↝ 𝓝 𝟎, 𝝇𝟐𝜺 𝑰𝒏

∎ 𝒀 ↝ 𝓝 𝑿𝜷, 𝝇𝟐𝜺 𝑰𝒏

∎ 𝜷 ↝ 𝓝 𝜷, 𝝇𝟐𝜺 𝑿′ 𝑿 −𝟏

𝒏 − 𝒌 𝝇𝟐𝜺 𝑺𝑪𝑹 𝒏 − 𝒌 𝝇𝟐𝜷


∎ = 𝟐 = ↝ 𝝌𝟐 𝒏 − 𝒌
𝝇𝟐𝜺 𝝇𝜺 𝝇𝟐𝜷

𝜷𝒋 − 𝜷𝒋
∎ =↝ 𝓣 𝒏 − 𝒌 , 𝒍𝒂 𝒍𝒐𝒊 𝒅𝒆 𝑺𝒕𝒖𝒅𝒆𝒏𝒕 𝒅𝒆 𝒅. 𝒅. 𝒍 𝒏 − 𝒌
𝝇𝜷𝒋

𝟐
𝜷𝒋 − 𝜷𝒋
∎ =↝ 𝓕 𝟏, 𝒏 − 𝒌 , 𝒍𝒂 𝒍𝒐𝒊 𝒅𝒆 𝑭𝒊𝒔𝒉𝒆𝒓 𝒅𝒆𝒅𝒆𝒈𝒓é𝒔 𝒅𝒆 𝒍𝒊𝒃𝒆𝒓𝒕é 𝒓𝒆𝒔𝒑𝒆𝒄𝒕𝒊𝒇𝒔 𝟏 𝒆𝒕 𝒏 − 𝒌
𝝇𝟐𝜷
𝒋

𝜷′ 𝑿′ 𝑿 𝜷 𝒌 𝜷′ 𝑿′ 𝑿 𝜷 𝒌 𝑹𝟐∗ 𝒏−𝒌
∎ = = ↝ 𝓕 𝒌, 𝒏 − 𝒌
𝝇𝟐𝜺 𝑺𝑪𝑹 𝒏 − 𝒌 𝟏 − 𝑹𝟐∗ 𝒌

𝓓– 𝟐 • 𝑻𝒆𝒔𝒕 𝒅𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒊𝒕é 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖𝒆𝒍𝒍𝒆 ∶

𝑪𝒐𝒎𝒎𝒆 𝒑𝒐𝒖𝒓 𝒍𝒆 𝒄𝒂𝒔 𝒔𝒊𝒎𝒑𝒍𝒆, 𝒍𝒆 𝒕𝒆𝒔𝒕 𝒅𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒊𝒕é 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖𝒆𝒍𝒍𝒆, 𝒒𝒖𝒊 𝒑𝒐𝒓𝒕𝒆 𝒔𝒖𝒓 𝒄𝒉𝒂𝒒𝒖𝒆

𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆, 𝒆𝒔𝒕 𝒎𝒆𝒏é 𝒆𝒏 𝒄𝒂𝒍𝒄𝒖𝒍𝒂𝒏𝒕 𝒍𝒆𝒔 𝒓𝒂𝒕𝒊𝒐𝒔 𝒅𝒆 𝑺𝒕𝒖𝒅𝒆𝒏𝒕. 𝑷𝒐𝒖𝒓 𝒖𝒏 𝒕𝒆𝒔𝒕 𝒃𝒊𝒍𝒂𝒕é𝒓𝒂𝒍,

𝑯𝟎 ∶ 𝜷𝒋 = 𝜷𝟎𝒋
𝒍𝒆𝒔 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 𝒅𝒖 𝒕𝒆𝒔𝒕 𝒔𝒐𝒏𝒕 ∶ 𝒄𝒐𝒏𝒕𝒓𝒆
𝑯𝟏 ∶ 𝜷𝒋 ≠ 𝜷𝟎𝒋

𝜷𝒋 − 𝜷𝟎𝒋
𝑶𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝑯𝟎 𝒔𝒊 > 𝒕𝟏−𝜶 𝒏 − 𝒌 ; 𝒋 ∈ 𝟏, 𝟐, … , 𝒌
𝝇𝜷𝒋 𝟐

ème
52 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝓓– 𝟑 • 𝑻𝒆𝒔𝒕 𝒅𝒆 𝒏𝒖𝒍𝒍𝒊𝒕é 𝒅𝒆 𝒕𝒐𝒖𝒔 𝒍𝒆𝒔 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 (𝒍𝒂 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 𝜷𝟏 𝒇𝒂𝒊𝒔𝒂𝒏𝒕 𝒑𝒂𝒓𝒕𝒊𝒆) ∶
𝑯𝟎 ∶ 𝜷 = 𝟎
𝒄𝒐𝒏𝒕𝒓𝒆
𝑯𝟏 ∶ 𝜷 ≠ 𝟎

𝑶𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝑯𝟎 𝒔𝒊 𝑭𝒐𝒃𝒔 > 𝒇𝟏−𝜶 𝒌, 𝒏 − 𝒌

𝜷′ 𝑿′ 𝑿 𝜷 𝒌 𝑹𝟐∗ 𝒏−𝒌
𝒐ù 𝑭𝒐𝒃𝒔 = = , 𝒔𝒐𝒖𝒔 𝑯𝟎
𝑺𝑪𝑹 𝒏 − 𝒌 𝟏 − 𝑹𝟐∗ 𝒌

𝒌𝑭𝒐𝒃𝒔
𝑶𝒏 𝒗é𝒓𝒊𝒇𝒊𝒆 𝒒𝒖𝒆 𝑹𝟐∗ =
𝒏 − 𝒌 + 𝒌𝑭𝒐𝒃𝒔

𝒌𝒇𝟏−𝜶 𝒌, 𝒏 − 𝒌
𝑫𝒆 𝒎𝒂𝒏𝒊è𝒓𝒆 é𝒒𝒖𝒊𝒗𝒂𝒍𝒆𝒏𝒕𝒆 𝒐𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝑯𝟎 𝒔𝒊 𝑹𝟐∗ >
𝒏 − 𝒌 + 𝒌𝒇𝟏−𝜶 𝒌, 𝒏 − 𝒌

𝓓– 𝟒 • 𝑻𝒆𝒔𝒕 𝒅𝒆 𝒏𝒖𝒍𝒍𝒊𝒕é 𝒅𝒆 𝒕𝒐𝒖𝒔 𝒍𝒆𝒔 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 (𝒔𝒂𝒖𝒇 𝒍𝒂 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 𝜷𝟏 ) ∶


𝜷𝟐
𝑯𝟎 ∶ 𝜷 = 𝟎
𝜷𝟑
𝒄𝒐𝒏𝒕𝒓𝒆 𝒐ù 𝜷 =

𝑯𝟏 ∶ 𝜷 ≠ 𝟎 𝜷𝒌

𝑶𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝑯𝟎 𝒔𝒊 𝑭𝒐𝒃𝒔 > 𝒇𝟏−𝜶 𝒌 − 𝟏 , 𝒏 − 𝒌

𝒀′𝒄 𝒀𝒄 𝒌 − 𝟏 𝑺𝑪𝑬 𝒌 − 𝟏 𝜷′ 𝑿′ 𝑿 𝜷 𝒌 − 𝟏 𝑹𝟐 𝒏−𝒌


𝒐ù 𝑭𝒐𝒃𝒔 = = = = 𝟐
𝒀′𝒄 𝒀𝒄 − 𝒀′𝒄 𝒀𝒄 𝒏−𝒌 𝑺𝑪𝑹 𝒏 − 𝒌 𝑺𝑪𝑹 𝒏 − 𝒌 𝟏−𝑹 𝒌−𝟏

𝜷𝟐
𝒔𝒐𝒖𝒔 𝑯𝟎 ; 𝒂𝒗𝒆𝒄𝜷 = 𝜷𝟑

𝜷𝒌

𝒌 − 𝟏 𝑭𝒐𝒃𝒔
𝑶𝒏 𝒗é𝒓𝒊𝒇𝒊𝒆 𝒒𝒖𝒆 𝑹𝟐 =
𝒏 − 𝒌 + 𝒌 − 𝟏 𝑭𝒐𝒃𝒔

𝒌 − 𝟏 𝒇𝟏−𝜶 𝒌 − 𝟏 , 𝒏 − 𝒌
𝑫𝒆 𝒎𝒂𝒏𝒊è𝒓𝒆 é𝒒𝒖𝒊𝒗𝒂𝒍𝒆𝒏𝒕𝒆 𝒐𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝑯𝟎 𝒔𝒊 𝑹𝟐 >
𝒏 − 𝒌 + 𝒌 − 𝟏 𝒇𝟏−𝜶 𝒌 − 𝟏 , 𝒏 − 𝒌

𝓓– 𝟓 • 𝑻𝒆𝒔𝒕 𝒔𝒖𝒓 𝒖𝒏𝒆 𝒄𝒐𝒎𝒃𝒊𝒏𝒂𝒊𝒔𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒅𝒆𝒔 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 ∶


𝑯𝟎 ∶ 𝒄′ 𝜷 − 𝒓 = 𝟎
𝒄𝒐𝒏𝒕𝒓𝒆 𝒐ù 𝒄 𝒆𝒔𝒕 𝒖𝒏 𝒗𝒆𝒄𝒕𝒆𝒖𝒓 𝒌 × 𝟏 𝒅𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆𝒔 𝒆𝒕 𝒓 𝒖𝒏 𝒔𝒄𝒂𝒍𝒂𝒊𝒓𝒆
𝑯𝟏 ∶ 𝒄𝜷 − 𝒓 ≠ 𝟎

𝑺𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏 ∶

ème
53 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝟐
𝒄′ 𝜷 − 𝒓 𝒄′ 𝜷 − 𝒓
𝑭= 𝟐 ↝ 𝓕 𝟏, 𝒏 − 𝒌 𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 𝑻 = ↝𝝉 𝑻−𝒌
𝝇𝜺 𝒄′ 𝑿′ 𝑿 −𝟏 𝒄
𝝇𝜺 𝒄′ 𝑿′ 𝑿 −𝟏 𝒄

𝓓– 𝟓 • 𝑻𝒆𝒔𝒕 𝒅𝒆 𝒔𝒕𝒂𝒃𝒊𝒍𝒊𝒕é 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒍𝒍𝒆 𝑪𝒉𝒐𝒘 :

𝑶𝒏 𝒗𝒂 𝒅𝒊𝒗𝒊𝒔𝒆𝒓 𝒍𝒂 𝒑é𝒓𝒊𝒐𝒅𝒆 𝒅𝒆 𝒍′ é𝒄𝒉𝒂𝒏𝒕𝒊𝒍𝒍𝒐𝒏 𝒆𝒏 𝟐 𝒔𝒐𝒖𝒔-𝒑é𝒓𝒊𝒐𝒅𝒆𝒔 𝒅𝒆 𝒏𝒐𝒎𝒃𝒓𝒆𝒔 𝒅′ 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏𝒔

𝒏𝟏 > 𝑘 𝑒𝑡 𝒏𝟐 > 𝑘 , 𝑒𝑡 é𝑡𝑢𝑑𝑖𝑒𝑟 𝑙𝑎 𝑠𝑡𝑎𝑏𝑖𝑙𝑖𝑡é 𝑑𝑒𝑠 𝒄𝒐é𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 𝒅𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒅′ 𝒖𝒏𝒆 𝒔𝒐𝒖𝒔 𝒑é𝒓𝒊𝒐𝒅𝒆

à 𝒍′ 𝒂𝒖𝒕𝒓𝒆. 𝑺𝒐𝒖𝒔 𝒍′ 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒏𝒖𝒍𝒍𝒆 𝒔𝒕𝒂𝒃𝒊𝒍𝒊𝒕é 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒍𝒍𝒆 , 𝒍𝒆𝒔 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 𝒔𝒐𝒏𝒕 𝒍𝒆𝒔 𝒎ê𝒎𝒆,

𝒔𝒐𝒖𝒔 𝒍′ 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒂𝒍𝒕𝒆𝒓𝒏𝒂𝒕𝒊𝒗𝒆 , 𝒊𝒍𝒔 𝒔𝒐𝒏𝒕 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒕𝒔

𝑺𝒐𝒖𝒔 𝑯𝟏 𝒑𝒂𝒔 𝒅𝒆 𝒔𝒕𝒂𝒃𝒊𝒍𝒊𝒕é 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒍𝒍𝒆 , 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒔′ é𝒄𝒓𝒊𝒕 ∶

𝒀𝟏 𝑿 𝟎 𝜷𝟏 𝓔
𝒀= = 𝟏 + 𝟏
𝒀𝟐 𝟎 𝑿𝟐 𝜷𝟐 𝓔𝟐

𝒀𝟏 𝒆𝒕 𝓔𝟏 𝒔𝒐𝒏𝒕 𝒏𝟏 × 𝟏 𝒆𝒕 𝒀𝟐 𝒆𝒕 𝓔𝟐 𝒔𝒐𝒏𝒕 𝒏𝟐 × 𝟏 , 𝑿𝟏 𝒆𝒔𝒕 𝒏𝟏 × 𝒌 𝒆𝒕 𝑿𝟐 𝒆𝒔𝒕 𝒏𝟐 × 𝒌 ; 𝜷𝟏 𝒆𝒕 𝜷𝟐 𝒔𝒐𝒏𝒕 𝒌 × 𝟏

𝑶𝒏 𝒂 𝒊𝒄𝒊 𝟐𝒌 𝒓é𝒈𝒓𝒆𝒔𝒔𝒆𝒖𝒓𝒔

𝑯𝟎 ∶ 𝜷 𝟏 = 𝜷 𝟐
𝒄𝒐𝒏𝒕𝒓𝒆
𝑯𝟏 ∶ 𝜷 𝟏 ≠ 𝜷 𝟐

𝑺𝒐𝒖𝒔 𝑯𝟎 𝒔𝒕𝒂𝒃𝒊𝒍𝒊𝒕é 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒍𝒍𝒆 , 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒔′ é𝒄𝒓𝒊𝒕 ∶

𝒀𝟏 𝑿 𝓔
𝒀= = 𝟏 𝜷 + 𝟏 𝒐ù 𝜷 = 𝜷𝟏 = 𝜷𝟐
𝒀𝟐 𝑿𝟐 𝓔𝟐

𝑶𝒏 𝒂 𝒊𝒄𝒊 𝒌 𝒓é𝒈𝒓𝒆𝒔𝒔𝒆𝒖𝒓𝒔

𝑺𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏 ∶

𝓔′𝒄 𝓔𝒄 − 𝓔′ 𝓔 𝒌
𝑭= ↝ 𝓕 𝟏, 𝒏 − 𝒌
𝓔′ 𝓔 𝒏 − 𝟐𝒌
𝑿𝟏
𝑳𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒄𝒐𝒏𝒕𝒓𝒂𝒊𝒏𝒕 𝒄𝒐𝒓𝒓𝒆𝒔𝒑𝒐𝒏𝒅 𝒂𝒖𝒙 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 𝒅𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒄𝒍𝒂𝒔𝒔𝒊𝒒𝒖𝒆 𝒂𝒗𝒆𝒄 𝑿 =
𝑿𝟐

𝓔′𝒄 𝓔𝒄 = 𝒀′ 𝒀 − 𝜷′𝒄 𝑿′ 𝒀 = 𝒀′ 𝑰𝒏 − 𝑿 𝑿′ 𝑿 −𝟏
𝑿′ 𝒀 = 𝒀′ 𝑴𝒀

𝑿𝟏 𝟎
𝑳𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒏𝒐𝒏 𝒄𝒐𝒏𝒕𝒓𝒂𝒊𝒏𝒕 , 𝒐𝒏 𝒂 𝒄𝒐𝒎𝒎𝒆 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝒅𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒆𝒖𝒓𝒔 𝑿∗ =
𝟎 𝑿𝟐

𝓔′ 𝓔 = 𝒀′ 𝒀 − 𝜷′ 𝑿′∗ 𝒀 = 𝒀′ 𝑰𝒏 − 𝑿∗ 𝑿′∗ 𝑿∗ −𝟏
𝑿′∗ 𝒀 = 𝒀′ 𝑴∗ 𝒀

𝑴𝟏 = 𝑰𝒏𝟏 − 𝑿𝟏 𝑿′𝟏 𝑿𝟏 −𝟏
𝑿′𝟏
𝑶𝒏 𝒗é𝒓𝒊𝒇𝒊𝒆 𝒇𝒂𝒄𝒊𝒍𝒆𝒎𝒆𝒏𝒕 𝒒𝒖𝒆 ∶ 𝒀′ 𝑴∗ 𝒀 = 𝒀′ 𝑴𝟏 𝒀 + 𝒀′ 𝑴𝟐 𝒀, 𝒂𝒗𝒆𝒄
𝑴𝟐 = 𝑰𝒏𝟐 − 𝑿𝟐 𝑿′𝟐 𝑿𝟐 −𝟏
𝑿′𝟐

ème
54 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
′ ′ ′
𝒀 𝑴𝒀 − 𝒀 𝑴𝟏 𝒀 + 𝒀 𝑴𝟐 𝒀 𝒌
𝒂𝒊𝒏𝒔𝒊 , 𝒐𝒏 𝒐𝒃𝒕𝒊𝒆𝒏𝒕 ∶ 𝑭𝒐𝒃𝒔 = ,
𝒀′ 𝑴𝟏 𝒀 + 𝒀′ 𝑴𝟐 𝒀 𝒏 − 𝟐𝒌

𝒐𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆𝑯𝟎 𝒔𝒕𝒂𝒃𝒊𝒍𝒊𝒕é 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒍𝒍𝒆 , 𝒔𝒊 𝑭𝒐𝒃𝒔 > 𝒇𝟏−𝜶 𝒌, 𝒏 − 𝟐𝒌

𝓓– 𝟔 • 𝑷𝒓é𝒗𝒊𝒔𝒊𝒐𝒏 𝒅𝒂𝒏𝒔 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒅𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒎𝒖𝒍𝒕𝒊𝒑𝒍𝒆:

𝑺𝒖𝒑𝒑𝒐𝒔𝒐𝒏𝒔 𝒒𝒖𝒆 𝒏𝒐𝒖𝒔 𝒐𝒃𝒔𝒆𝒓𝒗𝒐𝒏𝒔 𝒌 𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒇𝒖𝒕𝒖𝒓𝒆𝒔 𝒅𝒆𝒔 𝒌 𝒓é𝒈𝒓𝒆𝒔𝒔𝒆𝒖𝒓𝒔 à 𝒖𝒏𝒆 𝒑é𝒓𝒊𝒐𝒅𝒆 𝜽

𝒔𝒖𝒊𝒗𝒂𝒏𝒕 𝒍𝒂 𝒅𝒆𝒓𝒏𝒊è𝒓𝒆 𝒑é𝒓𝒊𝒐𝒅𝒆 𝒅𝒆 𝒍′ é𝒄𝒉𝒂𝒏𝒕𝒊𝒍𝒍𝒐𝒏. 𝑪𝒆𝒔 𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒇𝒐𝒓𝒎𝒆𝒏𝒕 𝒖𝒏 𝒗𝒆𝒄𝒕𝒆𝒖𝒓 𝒅𝒆

𝒅𝒊𝒎𝒆𝒏𝒔𝒊𝒐𝒏 𝟏 × 𝒌 , 𝒔𝒐𝒊𝒕 𝒙′𝜽 .

𝑶𝒏 𝒔𝒆 𝒑𝒓𝒐𝒑𝒐𝒔𝒆 𝒅𝒆 𝒄𝒂𝒍𝒄𝒖𝒍𝒆𝒓 𝒖𝒏 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆 𝒅𝒆 𝒑𝒓é𝒗𝒊𝒔𝒊𝒐𝒏 𝒄𝒆𝒏𝒕𝒓é 𝒔𝒖𝒓 𝒍𝒂 𝒑𝒓é𝒗𝒊𝒔𝒊𝒐𝒏 𝒚𝜽 𝒅𝒆 𝒍𝒂

𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆.

𝑺𝒊 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒓𝒆𝒔𝒕𝒆 𝒊𝒏𝒄𝒉𝒂𝒏𝒈é à 𝒍𝒂 𝒑é𝒓𝒊𝒐𝒅𝒆 𝜽 , 𝒐𝒏 𝒂 ∶ 𝒚𝜽 = 𝒙′𝜽 𝜷 + 𝜺𝜽

𝑨𝒗𝒆𝒄 𝑬 𝜺𝜽 𝜺𝟏 = ⋯ = 𝑬 𝜺𝜽 𝜺𝒏 = 𝟎 𝒆𝒕 𝒚𝜽 = 𝒙′𝜽 𝜷

𝑺𝒐𝒖𝒔 𝒍′ 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝜺𝜽 ↝ 𝓝 𝟎, 𝝇𝟐𝜺 , 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒐𝒏 𝒍𝒂 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍′ 𝒆𝒓𝒓𝒆𝒖𝒓𝒅𝒆 𝒑𝒓é𝒗𝒊𝒔𝒊𝒐𝒏 ∶

𝒚𝜽 − 𝒚𝜽 = 𝜺𝜽 − 𝒙′𝜽 𝜷 − 𝜷 𝒆𝒔𝒕 𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒏𝒐𝒓𝒎𝒂𝒍𝒆 𝒅𝒆 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔 ∶ 𝑬 𝒚𝜽 − 𝒚𝜽 = 𝟎 𝒆𝒕


𝟐
𝑽𝒂𝒓 𝒚𝜽 − 𝒚𝜽 = 𝑬 𝜺𝟐𝜽 + 𝑬 𝒙′𝜽 𝜷 − 𝜷 − 𝟐𝑪𝒐𝒗 𝜺𝜽 , 𝒙′𝜽 𝜷 − 𝜷

𝑪𝒐𝒗 𝜺𝜽 , 𝒙′𝜽 𝜷 − 𝜷 = 𝟎, 𝒑𝒖𝒊𝒔𝒒𝒖𝒆 𝜷 𝒏𝒆 𝒅é𝒑𝒆𝒏𝒅 𝒒𝒖𝒆 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 𝜺𝟏 , 𝜺𝟐 , … , 𝜺𝒏 𝒅𝒆 𝒍′ é𝒄𝒉𝒂𝒏𝒕𝒊𝒍𝒍𝒐𝒏

𝒒𝒖𝒊 𝒔𝒐𝒏𝒕 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆𝒔 𝒅𝒆 𝜺𝜽 𝒑𝒂𝒓 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆. 𝑶𝒏 𝒂 𝒂𝒍𝒐𝒓𝒔 ∶



𝑽𝒂𝒓 𝒚𝜽 − 𝒚𝜽 = 𝝇𝟐𝜺 + 𝑬 𝒙′𝜽 𝜷 − 𝜷 𝜷 − 𝜷 𝒙𝜽 = 𝝇𝟐𝜺 + 𝝇𝟐𝜺 𝒙′𝜽 𝑿′ 𝑿 −𝟏
𝒙𝜽

𝒚𝜽 − 𝒚𝜽 𝓔′ 𝓔 𝒚𝜽 − 𝒚𝜽
↝ 𝓝 𝟎, 𝟏 𝒆𝒕 𝟐 ↝ 𝝌𝟐 𝒏 − 𝒌 ⇒ ↝𝓣 𝒏−𝒌
𝝇𝜺 𝟏 + 𝒙′𝜽 𝑿′ 𝑿 −𝟏 𝒙𝜽 𝝇𝜺 𝝇𝜺 𝟏 + 𝒙′𝜽 𝑿′ 𝑿 −𝟏 𝒙
𝜽

𝑶𝒏 𝒐𝒃𝒕𝒊𝒆𝒏𝒕 𝒂𝒊𝒏𝒔𝒊 𝒍’𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆 𝒅𝒆 𝒑𝒓é𝒗𝒊𝒔𝒊𝒐𝒏 ∶

𝑰𝑷𝟏−𝜶 𝒚𝜽 = 𝒚𝜽 ± 𝒕𝟏−𝜶 𝒏 − 𝒌 𝝇𝜺 𝟏 + 𝒙′𝜽 𝑿′ 𝑿 −𝟏 𝒙


𝜽
𝟐

ème
55 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
Institut de Financement du Développement du Maghreb Arabe
CONCOURS DE RECRUTEMENT DE LA XXXIVème PROMOTION
AOÛT 2014

Exercice 1 : (12 points: 1 point par question et 2 points pour la dernière question)
ÉNONCÉ
On considère un échantillon de 𝒏 = 𝟏𝟎𝟎 logements pour lesquels on observe le logarithme du prix 𝒀 ,
le logarithme de la superficie en 𝒎𝟐 𝑿 , et le nombre de pièces 𝒁 . On fournit les données suivantes :
𝟏𝟎𝟎 𝟏𝟎𝟎 𝟏𝟎𝟎 𝟏𝟎𝟎 𝟏𝟎𝟎
𝟐 𝟐
𝒀𝒊 = 𝟏𝟏𝟕𝟗, 𝑿𝒊 = 𝟕𝟑𝟑, 𝒁𝒊 = 𝟑𝟎𝟎, 𝒀𝒊 − 𝒀 = 𝟐𝟒, 𝑿𝒊 − 𝑿 = 𝟏𝟑,
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝟏𝟎𝟎 𝟏𝟎𝟎 𝟏𝟎𝟎 𝟏𝟎𝟎


𝟐
𝒁𝒊 − 𝒁 = 𝟒𝟐, 𝒀𝒊 − 𝒀 𝑿𝒊 − 𝑿 = 𝟏𝟔, 𝒀𝒊 − 𝒀 𝒁𝒊 − 𝒁 = 𝟏𝟒, 𝒁𝒊 − 𝒁 𝑿𝒊 − 𝑿 = 𝟏𝟒
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

On adopte le modèle définit par :

𝒀𝒊 = 𝜶 + 𝜷𝑿𝒊 + 𝜺𝒊 , 𝒊 = 𝟏, 𝟐, … , 𝟏𝟎𝟎 𝟏

Avec 𝜺𝒊 : un terme d’erreur vérifiant les hypothèses suivantes :

𝑬 𝜺𝒊 = 𝟎 ∀ 𝒊 , 𝑽 𝜺𝒊 = 𝝇𝟐 ∀ 𝒊 , 𝑪𝒐𝒗 𝜺𝒊 , 𝜺𝒋 = 𝟎 ∀ 𝒊 ≠ 𝒋 , 𝑪𝒐𝒗 𝜺𝒊 , 𝑿𝒊 = 𝟎 ∀ 𝒊

1) Calculer les coefficients de corrélation linéaire entre 𝒀 𝒆𝒕 𝑿 d’une part et entre 𝒀 𝒆𝒕 𝒁 d’autre
part.
2) Donner une interprétation économique de ce modèle ainsi que du paramètre𝜷.
3) Commenter économiquement les hypothèses 𝑪𝒐𝒗 𝜺𝒊 , 𝜺𝒋 = 𝟎 𝒑𝒐𝒖𝒓 𝒊 ≠ 𝒋 et 𝑪𝒐𝒗 𝜺𝒊 , 𝑿𝒊 = 𝟎
4) Estimer par la méthode des moindres carrés ordinaires (MCO) les paramètres 𝜶 𝒆𝒕 𝜷, notés
respectivement 𝜶 𝒆𝒕 𝜷. Commenter.
5) Calculer la somme des carrés de résidus, en déduire la variance estimée de𝜷.
6) Sous l’hypothèse de la normalité des résidus, tester la significativité de 𝜷 au seuil de 5%.

On rajoute à présent la variable nombre de pièces comme variable explicative, le modèle


devient :

𝒀𝒊 = 𝜶 + 𝜷𝑿𝒊 + 𝜽𝒁𝒊 + 𝜺𝒊 , 𝒊 = 𝟏, 𝟐, … , 𝟏𝟎𝟎 𝟐

7) Reprendre l’estimation du modèle par la méthode des moindres carrés ordinaires. Commenter.
8) Ecrire l’équation d’analyse de la variance et calculer ses composantes.
9) En déduire le coefficient de détermination linéaire 𝑹𝟐 . Commenter.

ème
56 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
10) Sous l’hypothèse de la normalité des résidus, tester au seuil d 5% la significativité globale de ce
modèle.
11) On rajoute à présent une variable indicatrice pour le nouveau logement 𝑵 = 𝟏 s’il s’agit d’un
nouveau logement et 𝑵 = 𝟎 pour un ancien logement. L’estimation du modèle fournit les
résultats suivants :

𝒀𝒊 = 𝟏, 𝟕 + 𝟏, 𝟏𝟔𝑿𝒊 − 𝟎, 𝟎𝟖 𝒁𝒊 + 𝟎, 𝟐𝟏𝑵𝒊
𝟎,𝟓 𝟎,𝟎𝟔 𝟎,𝟎𝟐𝟓 𝟎,𝟎𝟕

Commenter ces résultats en termes d’ordre de grandeurs et de signes des coefficients sachant que les
nombres entre parenthèses sont les écarts types estimés.

Indication : Pour une loi de Fisher 𝓕 𝟐, 𝟗𝟕 et une loi de Student 𝓣 𝟗𝟖 , nous avons :

𝑷 𝓕 𝟐, 𝟗𝟕 > 3,09 = 𝟎, 𝟎𝟓 𝒆𝒕 𝑷 𝓣 𝟗𝟖 < 2,276 = 𝟎, 𝟗𝟓

Corrigé
1)
𝟏𝟎𝟎
𝒊=𝟏 𝒀𝒊 − 𝒀 𝑿𝒊 − 𝑿 𝟏𝟔
∎ 𝝆𝒀,𝑿 = = ⇒ 𝝆𝒀,𝑿 = 𝟎, 𝟗𝟏
𝟏𝟎𝟎 𝟐 𝟏𝟎𝟎 𝟐 𝟐𝟒 × 𝟏𝟑
𝒊=𝟏 𝒀𝒊 − 𝒀 𝒊=𝟏 𝑿𝒊 − 𝑿

𝟏𝟎𝟎
𝒊=𝟏 𝒀𝒊 − 𝒀 𝒁𝒊 − 𝒁 𝟏𝟒
∎ 𝝆𝒀,𝒁 = = ⇒ 𝝆𝒀,𝒁 = 𝟎, 𝟒𝟒
𝟏𝟎𝟎 𝟐 𝟏𝟎𝟎 𝟐 𝟐𝟒 × 𝟒𝟐
𝒊=𝟏 𝒀𝒊 − 𝒀 𝒊=𝟏 𝒁𝒊 − 𝒁

2)

𝓐– 𝟐 • 𝑳𝒆𝒔 𝒑𝒓𝒊𝒏𝒄𝒊𝒑𝒂𝒖𝒙 𝒎𝒐𝒅è𝒍𝒆𝒔 é𝒄𝒐𝒏𝒐𝒎é𝒕𝒓𝒊𝒒𝒖𝒆𝒔 (𝒔𝒑é𝒄𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏𝒔 𝒄𝒐𝒖𝒓𝒂𝒏𝒕𝒆𝒔) ∶

𝓭 • 𝑳𝒂 𝒔𝒑é𝒄𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝑳𝒐𝒈-𝑳𝒐𝒈 ∶

𝒍𝒏 𝒚𝒊 = 𝜷𝟏 + 𝜷𝟐 𝒍𝒏 𝒙𝒊 + 𝜺𝒊

𝑼𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒑𝒐𝒊𝒏𝒕𝒔 𝒅𝒆 𝒑𝒐𝒖𝒓𝒄𝒆𝒏𝒕𝒂𝒈𝒆 % 𝒅𝒆 𝒙 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒆 𝒚 𝒅𝒆 𝜷𝟐 %

𝒑𝒐𝒊𝒏𝒕𝒔 𝒅𝒆 𝒑𝒐𝒖𝒓𝒄𝒆𝒏𝒕𝒂𝒈𝒆 .

𝑪𝒆 𝒒𝒖𝒊 𝒏𝒐𝒖𝒔 𝒑𝒆𝒓𝒎𝒆𝒕 𝒅′ 𝒊𝒏𝒕𝒆𝒓𝒑𝒓é𝒕𝒆𝒓𝜷𝟐 𝒄𝒐𝒎𝒎𝒆 𝒖𝒏 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆 𝒅′ é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é

 𝑴𝒐𝒅è𝒍𝒆𝒔 𝒍𝒐𝒈𝒂𝒓𝒊𝒕𝒉𝒎𝒊𝒒𝒖𝒆𝒔 𝒆𝒕 É𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é𝒔 ∶

𝒅 𝐥𝐧 𝒚 𝟏 𝒅𝒚
𝒅𝒚 𝒚 = 𝒅 𝐥𝐧 𝒚 =
𝒅𝒚 𝒚 𝒚
𝑺𝒐𝒊𝒕 𝝐𝒙𝟎 𝒚 𝒙 𝒍’é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é 𝒅𝒆 𝒚 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 à 𝒙 , 𝒅𝒐𝒏𝒄 𝝐 = 𝒐𝒓 ⇒
𝒅𝒙 𝒙 𝒅 𝐥𝐧 𝒙 𝟏 𝒅𝒙
= 𝒅 𝐥𝐧 𝒙 =
𝒅𝒙 𝒙 𝒙

ème
57 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒅 𝐥𝐧 𝒚 𝒅𝒚 𝒚
𝒆𝒕 𝒄𝒐𝒎𝒎𝒆 𝒐𝒏 𝒂 𝜷𝟐 = ⇒ 𝜷𝟐 = =𝝐
𝒅 𝒍𝒏 𝒙 𝒅𝒙 𝒙

𝑳𝒆 𝒎𝒐𝒅è𝒍𝒆 é𝒕𝒂𝒏𝒕 𝒍𝒐𝒈𝒂𝒓𝒊𝒕𝒉𝒎𝒊𝒒𝒖𝒆 (𝒗𝒂𝒓𝒊𝒂𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝒑𝒓𝒊𝒙 𝒅𝒆𝒔 𝒍𝒐𝒈𝒆𝒎𝒆𝒏𝒕𝒔 𝒆𝒏 𝒇𝒐𝒏𝒄𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒆𝒖𝒓𝒔

𝒔𝒖𝒑𝒆𝒓𝒇𝒊𝒄𝒊𝒆𝒔) 𝒅𝒐𝒏𝒄 𝜷 𝒔𝒆𝒓𝒂 𝒍’é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é 𝒅𝒆𝒔 𝒑𝒓𝒊𝒙 𝒅𝒆𝒔 𝒍𝒐𝒈𝒆𝒎𝒆𝒏𝒕𝒔 𝒀 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 à 𝒍𝒂

𝒔𝒖𝒑𝒆𝒓𝒇𝒊𝒄𝒊𝒆 𝑿

3)

𝓐– 𝟑 • 𝑳𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒆𝒕 𝒔𝒆𝒔 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 ∶

𝓫 • 𝑳𝒆𝒔 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 ∶ 𝑳𝒆𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔 𝜷𝟏 𝒆𝒕 𝜷𝟐 𝒗𝒐𝒏𝒕 𝒅é𝒑𝒐𝒏𝒅𝒓𝒆 𝒅𝒆𝒔 𝒚𝒊 , 𝒅𝒐𝒏𝒄 𝒅𝒆𝒔 𝜺𝒊 ∶ 𝒄𝒆

𝒔𝒆𝒓𝒐𝒏𝒕 𝒅𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆𝒔 , 𝒆𝒕 𝒏𝒐𝒖𝒔 𝒂𝒖𝒓𝒐𝒏𝒔 𝒃𝒆𝒔𝒐𝒊𝒏 𝒅𝒆𝒔 𝒎𝒐𝒎𝒆𝒏𝒕𝒔 𝒅𝒆 𝒍𝒆𝒖𝒓𝒔 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒕𝒊𝒐𝒏.

𝑰𝒍 𝒏𝒐𝒖𝒔 𝒇𝒂𝒖𝒕 𝒅𝒐𝒏𝒄 𝒇𝒂𝒊𝒓𝒆 𝒅𝒆𝒔 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 𝒔𝒖𝒓 𝒍𝒂 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝜺𝒊

𝑴 : 𝒚𝒊 = 𝜷𝟏 + 𝜷𝟐 𝒙𝒊 + 𝜺𝒊 ; 𝒊 = 𝟏, 𝟐, … , 𝒏

∎ 𝓗𝟓 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒅’𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒄𝒆 𝒆𝒏𝒕𝒓𝒆 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒚𝒔𝒕é𝒎𝒂𝒕𝒊𝒒𝒖𝒆 𝒆𝒕 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆 :

𝑳’𝒆𝒓𝒓𝒆𝒖𝒓 𝒆𝒔𝒕 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒐𝒈è𝒏𝒆 𝒄-à-𝒅. 𝑪𝒐𝒗 𝜺𝒊 , 𝒙𝒊 = 𝟎 ∀ 𝒊 = 𝟏, 𝟐, … , 𝒏

𝑪𝒆𝒕𝒕𝒆 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒆 𝒒𝒖𝒆 𝒍’𝒆𝒓𝒓𝒆𝒖𝒓 𝒆𝒕 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒔 𝒐𝒏𝒕 𝒖𝒏𝒆 𝒊𝒏𝒇𝒍𝒖𝒆𝒏𝒄𝒆

𝒔é𝒑𝒂𝒓é𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒏𝒅𝒐𝒈è𝒏𝒆

∎ 𝓗𝟔 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 : 𝑰𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒄𝒆 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔. 𝑳𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔

𝒓𝒆𝒍𝒂𝒕𝒊𝒗𝒆𝒔 à 𝟐 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏𝒔 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒕𝒆𝒔𝒔𝒐𝒏𝒕 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆𝒔 𝒄-à-𝒅.

𝑪𝒐𝒗 𝜺𝒊 , 𝜺𝒋 = 𝑬 𝜺𝒊 𝜺𝒋 = 𝟎 𝒑𝒐𝒖𝒓 𝒊 ≠ 𝒋 .

𝑶𝒏 𝒑𝒂𝒓𝒍𝒆 𝒅𝒆 𝒍′ 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒅𝒆 𝒍𝒂 𝒏𝒐𝒏 𝒂𝒖𝒕𝒐𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔

∎𝑪𝒐𝒗 𝜺𝒊 , 𝜺𝒋 = 𝟎 𝒑𝒐𝒖𝒓 𝒊 ≠ 𝒋 : 𝑰𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒄𝒆 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔, 𝒂𝒖𝒕𝒓𝒆𝒎𝒆𝒏𝒕 𝒅𝒊𝒕 𝒍𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔

𝒓𝒆𝒍𝒂𝒕𝒊𝒗𝒆𝒔 à 𝟐 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏𝒔 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆𝒔 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒕𝒆𝒔 𝒅𝒆𝒔 𝒑𝒓𝒊𝒙 𝒅𝒆𝒔 𝒍𝒐𝒈𝒆𝒎𝒆𝒏𝒕𝒔 𝒔𝒐𝒏𝒕

𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆𝒔.

∎ 𝑪𝒐𝒗 𝜺𝒊 , 𝑿𝒊 = 𝟎 ∶ 𝑳𝒆 𝒕𝒆𝒓𝒎𝒆 𝒅’𝒆𝒓𝒓𝒆𝒖𝒓 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆 𝜺𝒊 𝒆𝒔𝒕 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒐𝒈è𝒏𝒆

𝒏𝒐𝒏-𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆 𝑿(𝒍𝒂 𝒔𝒖𝒑𝒆𝒓𝒇𝒊𝒄𝒊𝒆 𝒅’𝒖𝒏 𝒍𝒐𝒈𝒆𝒎𝒆𝒏𝒕).

𝑬𝒏 𝒅’𝒂𝒖𝒕𝒓𝒆𝒔 𝒕𝒆𝒓𝒎𝒆𝒔 𝒍’𝒐𝒎𝒊𝒔𝒔𝒊𝒐𝒏 𝒐𝒖 𝒍’𝒂𝒋𝒐𝒖𝒕 𝒅’𝒂𝒖𝒕𝒓𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒄𝒆𝒓𝒕𝒂𝒊𝒏𝒆𝒔 𝒏𝒐𝒏-𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆 𝒔𝒆𝒓𝒂

𝒏𝒐𝒏 𝒄𝒐𝒓𝒓é𝒍é 𝒂𝒗𝒆𝒄 𝒍𝒆𝒔 𝒑𝒆𝒓𝒕𝒖𝒓𝒃𝒂𝒕𝒊𝒐𝒏𝒔 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆𝒔.

𝑬𝒏 𝒅’𝒂𝒖𝒕𝒓𝒆𝒔 𝒕𝒆𝒓𝒎𝒆𝒔 𝒍’𝒐𝒎𝒊𝒔𝒔𝒊𝒐𝒏 𝒐𝒖 𝒍’𝒂𝒋𝒐𝒖𝒕 𝒅’𝒂𝒖𝒕𝒓𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒄𝒆𝒓𝒕𝒂𝒊𝒏𝒆𝒔 𝒏𝒐𝒏-𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆

𝒔𝒆𝒓𝒂 𝒏𝒐𝒏 𝒄𝒐𝒓𝒓é𝒍é 𝒂𝒗𝒆𝒄 𝒍𝒆𝒔 𝒑𝒆𝒓𝒕𝒖𝒓𝒃𝒂𝒕𝒊𝒐𝒏𝒔 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆𝒔.


ème
58 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
4)

𝓐– 𝟒 • 𝑬𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒅𝒆𝒔 𝒎𝒐𝒊𝒏𝒅𝒓𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒐𝒓𝒅𝒊𝒏𝒂𝒊𝒓𝒆𝒔 𝑴𝑪𝑶 -𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒂𝒗𝒆𝒄 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 𝜷𝟏 -

∎ 𝜷𝟏 = 𝒚 − 𝜷𝟐 𝒙
𝒏 𝒏
𝒊=𝟏 𝒙𝒊 𝒚𝒊 − 𝒏𝒙𝒚 𝒊=𝟏 𝒙𝒊 − 𝒙 𝒚𝒊 − 𝒚 𝑪𝒐𝒗 𝒙𝒊 , 𝒚𝒊 𝑺𝒙,𝒚
∎ 𝜷𝟐 = 𝒏 𝟐
= 𝒏 𝟐
= =
𝒊=𝟏 𝒙𝒊 − 𝒙 𝑽𝒂𝒓 𝒙𝒊 𝑺𝟐𝒙
𝟐
𝒊=𝟏 𝒙𝒊 − 𝒏𝒙

𝟏𝟎𝟎 𝟏𝟎𝟎
𝟐
𝟏𝟔
𝜷= 𝒀𝒊 − 𝒀 𝑿𝒊 − 𝑿 𝑿𝒊 − 𝑿 = ⇒ 𝜷 = 𝟏, 𝟐𝟑𝟏
𝟏𝟑
𝒊=𝟏 𝒊=𝟏
𝒏 𝒏 𝟏𝟎𝟎 𝟏𝟎𝟎 𝟏𝟔
𝟏 𝟏 𝟏𝟏𝟕𝟗 − 𝟏𝟑 × 𝟕𝟑𝟑
𝜶 = 𝒀 − 𝜷𝑿 = 𝒀𝒊 − 𝜷 𝑿𝒊 = × 𝒀𝒊 − 𝜷 𝑿𝒊 = ⇒ 𝜶 = 𝟐, 𝟕𝟕
𝒏 𝟏𝟎𝟎 𝟏𝟎𝟎
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝑳’é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é 𝒅𝒆𝒔 𝒑𝒓𝒊𝒙 𝒅𝒆𝒔 𝒍𝒐𝒈𝒆𝒎𝒆𝒏𝒕𝒔 (𝒀) 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 à 𝒍𝒂 𝒔𝒖𝒑𝒆𝒓𝒇𝒊𝒄𝒊𝒆(𝑿)𝒆𝒔𝒕 𝒆𝒔𝒕𝒊𝒎é𝒆 à 𝟏, 𝟐𝟑𝟏.

𝑨𝒊𝒏𝒔𝒊 𝒖𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒔𝒖𝒑𝒆𝒓𝒇𝒊𝒄𝒊𝒆 𝑿 𝒅𝒆 𝟏% 𝒆𝒏𝒕𝒓𝒂𝒊𝒏𝒆 𝒖𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝒑𝒓𝒊𝒙

𝒅𝒆 𝟏, 𝟐𝟑𝟏%, 𝒍’é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é é𝒕𝒂𝒏𝒕 𝒔𝒖𝒑é𝒓𝒊𝒆𝒖𝒓𝒆 à 𝒍’𝒖𝒏𝒊𝒕é 𝒅𝒐𝒏𝒄 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒕𝒊𝒐𝒏 𝒅𝒖 𝒑𝒓𝒊𝒙 𝒆𝒔𝒕 𝒑𝒍𝒖𝒔 𝒒𝒖𝒆

𝒑𝒓𝒐𝒑𝒐𝒓𝒕𝒊𝒐𝒏𝒏𝒆𝒍𝒍𝒆 à 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒔𝒖𝒑𝒆𝒓𝒇𝒊𝒄𝒊𝒆.

5)

𝓐– 𝟓 • 𝑴𝒐𝒎𝒆𝒏𝒕𝒔 𝒅𝒆𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔 𝒅𝒆 𝒎𝒐𝒊𝒏𝒅𝒓𝒆𝒔 𝒄𝒂𝒓𝒓é𝒆𝒔 ∶

𝑬 𝜷𝟏 = 𝜷𝟏 𝒅𝒐𝒏𝒄 𝜷𝟏 𝒆𝒔𝒕 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝜷𝟏

𝑬 𝜷𝟐 = 𝜷𝟐 𝒅𝒐𝒏𝒄 𝜷𝟐 𝒆𝒔𝒕 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝜷𝟐

𝝇𝟐𝜺
𝑽𝒂𝒓 𝜷𝟐 = 𝒏 𝟐
𝒊=𝟏 𝒙𝒊 − 𝒙
𝒏 𝟐
𝟏 𝒙𝟐 𝒊=𝟏 𝒙𝒊
𝑽𝒂𝒓 𝜷𝟏 = 𝝇𝟐𝜺 + 𝒏 𝟐
= 𝝇𝟐𝜺 𝒏 𝟐
𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙 𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙

𝒙
𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐 = − 𝝇𝟐𝜺 𝒏 𝟐
𝒊=𝟏 𝒙𝒊 − 𝒙
𝒑
𝜷𝟏 𝜷𝟏
𝒏→+∞

𝒑
𝜷𝟐 𝜷𝟐
𝒏→+∞

𝒏 𝟐
𝒊=𝟏 𝜺𝒊
𝑺𝑪𝑹 𝑺𝟐𝜺 𝜹𝟐𝒎𝒊𝒏 𝑺𝟐𝒚 𝟏 − 𝝆𝟐𝒙,𝒚
𝝇𝟐𝜺 = = = = = 𝒆𝒔𝒕 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝝇𝟐𝜺
𝒏−𝟐 𝒏−𝟐 𝒏−𝟐 𝒏−𝟐 𝒏−𝟐
 𝑳′ 𝒆𝒓𝒓𝒆𝒖𝒓 𝒒𝒖𝒂𝒅𝒓𝒂𝒕𝒊𝒒𝒖𝒆 𝒎𝒐𝒚𝒆𝒏𝒏𝒆 𝒎𝒊𝒏𝒊𝒎𝒂𝒍𝒆 ∶

𝜹𝟐𝒎𝒊𝒏 = 𝑺𝟐𝒚 𝟏 − 𝝆𝟐𝒙,𝒚

ème
59 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝓫 • 𝑳’é𝒒𝒖𝒂𝒕𝒊𝒐𝒏 𝒅’𝒂𝒏𝒂𝒍𝒚𝒔𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 ∶
𝒏 𝒏 𝒏

 𝑳𝒆𝒎𝒎𝒆 ∶ 𝑺𝑪𝑹 = 𝜺𝟐𝒊 = 𝒚𝒊 − 𝒚 𝟐


− 𝜷𝟐𝟐 𝒙𝒊 − 𝒙 𝟐
= 𝒏 𝑺𝟐𝒚 − 𝜷𝟐𝟐 𝑺𝟐𝒙
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝒏 𝒏 𝒏
𝟐
𝑺𝑪𝑬 = 𝒚𝒊 − 𝒚 = 𝜷𝟐𝟐 𝒙𝒊 − 𝒙 𝟐
= 𝒏𝜷𝟐𝟐 𝑺𝟐𝒙 = 𝜷𝟐 𝑿𝒊 − 𝑿 𝒀𝒊 − 𝒀 = 𝒏𝜷𝟐 𝑺𝒙,𝒚
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝒏
𝟐
𝑺𝑪𝑻 = 𝒚𝒊 − 𝒚 = 𝒏𝑺𝟐𝒚
𝒊=𝟏
𝒏 𝒏 𝒏

𝑺𝑪𝑹 = 𝜺𝟐𝒊 = 𝒚𝒊 − 𝒚 𝟐
− 𝜷𝟐𝟐 𝒙𝒊 − 𝒙 𝟐
= 𝒏 𝑺𝟐𝒚 − 𝜷𝟐𝟐 𝑺𝟐𝒙
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

∎ 𝑺𝑪𝑻 ∶ 𝒆𝒔𝒕 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒕𝒐𝒕𝒂𝒖𝒙. 𝑬𝒍𝒍𝒆 𝒊𝒏𝒅𝒊𝒒𝒖𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒊𝒍𝒊𝒕é 𝒕𝒐𝒕𝒂𝒍𝒆 𝒅𝒆 𝒀.

∎ 𝑺𝑪𝑬 ∶ 𝒆𝒔𝒕 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒔. 𝑬𝒍𝒍𝒆 𝒊𝒏𝒅𝒊𝒒𝒖𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒀 𝒅𝒖𝒆 à 𝒔𝒂

𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒔𝒖𝒓 𝑿.

∎ 𝑺𝑪𝑹 ∶ 𝒆𝒔𝒕 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒓é𝒔𝒊𝒅𝒖𝒆𝒍𝒔. 𝑬𝒍𝒍𝒆 𝒊𝒏𝒅𝒊𝒒𝒖𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒊𝒍𝒊𝒕é 𝒅𝒆 𝒀 𝒏𝒐𝒏

𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒆 𝒑𝒂𝒓 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆.


𝒏 𝒏 𝒏
𝟐
𝒚𝒊 − 𝒚 𝟐
= 𝒚𝒊 − 𝒚 + 𝜺𝟐𝒊 𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 𝑺𝑪𝑻 = 𝑺𝑪𝑬 + 𝑺𝑪𝑹 𝒔𝒆𝒖𝒍𝒆𝒎𝒆𝒏𝒕 𝒑𝒐𝒖𝒓 𝜷𝟏 ≠ 𝟎
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝑺𝑪𝑻 𝑺𝑪𝑬 𝑺𝑪𝑹

𝓬 • 𝑻𝒂𝒃𝒍𝒆𝒂𝒖 𝒅′𝒂𝒏𝒂𝒍𝒚𝒔𝒆 𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 ∶

𝑺𝒐𝒖𝒓𝒄𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒊𝒍𝒊𝒕é 𝑺𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝑫𝒆𝒈𝒓é 𝒅𝒆 𝒍𝒊𝒃𝒆𝒓𝒕é 𝑪𝒂𝒓𝒓é𝒔 𝒎𝒐𝒚𝒆𝒏𝒔

𝑹é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝑺𝑪𝑬 𝟏 𝑺𝑪𝑬

𝑹é𝒔𝒊𝒅𝒖𝒔 𝑺𝑪𝑹 𝒏−𝟐 𝝇𝟐 = 𝑺𝑪𝑹 𝒏 − 𝟐

𝑻𝒐𝒕𝒂𝒍 𝑺𝑪𝑻 𝒏−𝟏 𝑺𝟐 = 𝑺𝑪𝑻 𝒏 − 𝟏

𝟏𝟎𝟎 𝟏𝟎𝟎 𝟏𝟎𝟎

𝑺𝑪𝑹 = 𝜺𝟐𝒊 = 𝒀𝒊 − 𝒀 𝟐
−𝜷 𝟐
𝑿𝒊 − 𝑿 𝟐
= 𝟐𝟒 − 𝟏, 𝟐𝟑𝟏𝟐 × 𝟏𝟑 ⇒ 𝑺𝑪𝑹 = 𝟒, 𝟑
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝑺𝑪𝑹 𝟒, 𝟑
𝝇𝟐 = = = 𝟎, 𝟎𝟒𝟒 ⇒ 𝝇𝟐 = 𝟎, 𝟎𝟒𝟒 ⇒ 𝝇 = 𝟎, 𝟐𝟎𝟗
𝟏𝟎𝟎 − 𝟐 𝟗𝟖

ème
60 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝟏𝟎𝟎
𝟐
𝝇𝜷 = 𝝇
𝟐
𝑿𝒊 − 𝑿 𝟐
= 𝟎, 𝟎𝟒𝟒 𝟏𝟑 ⇒ 𝝇𝟐𝜷 = 𝟎, 𝟎𝟎𝟑𝟒 ⇒ 𝝇𝜷 = 𝟎, 𝟎𝟓𝟖
𝒊=𝟏

6)

𝓐– 𝟏𝟎 • 𝑰𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆𝒔 𝒅𝒆 𝒄𝒐𝒏𝒇𝒊𝒂𝒏𝒄𝒆 𝒆𝒕 𝑻𝒆𝒔𝒕𝒔 𝒅𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒊𝒕é ∶

𝓪 • 𝑽𝒂𝒓𝒊𝒂𝒏𝒄𝒆𝒔 𝒆𝒕 𝒄𝒐𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒆𝒔𝒕𝒊𝒎é𝒆𝒔 𝒅𝒆𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔 𝒅𝒆𝒔 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔 ∶

𝑺𝑪𝑹
𝝇𝟐𝜺 =
𝒏−𝟐 𝟏 𝒙𝟐
∎ 𝟏 𝒙𝟐 ⇒ 𝝇𝟐𝜷𝟏 = 𝝇𝟐𝜺 + 𝒏 𝟐
𝒏 𝒙𝒊 − 𝒙
𝝇𝟐𝜷𝟏 = 𝝇𝟐𝜺 + 𝒏 𝟐
𝒊=𝟏
𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙

𝑺𝑪𝑹
𝝇𝟐𝜺 =
𝒏−𝟐 𝝇𝟐𝜺
∎ ⇒ 𝝇𝟐𝜷𝟐 =
𝝇𝟐𝜺 𝒏
𝒙𝒊 − 𝒙 𝟐
𝝇𝟐𝜷𝟐 = 𝒏 𝟐
𝒊=𝟏
𝒊=𝟏 𝒙𝒊 − 𝒙

𝑺𝑪𝑹
𝝇𝟐𝜺 =
𝒏−𝟐 𝒙
∎ 𝒙 ⇒ 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐 = −𝝇𝟐𝜺 𝒏 𝟐
𝒙𝒊 − 𝒙
𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐 = − 𝝇𝟐𝜺 𝒏 𝟐
𝒊=𝟏
𝒊=𝟏 𝒙𝒊 − 𝒙

𝓫 • 𝑫𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒕𝒊𝒐𝒏𝒔 𝒅𝒆𝒔 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆𝒔 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏 ∶

𝟏 𝒙𝟐
𝝇𝟐𝜷𝟏 = 𝝇𝟐𝜺 + 𝒏 𝟐
𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙
𝟐
𝜷𝟏 − 𝜷𝟏 𝜷𝟏 − 𝜷𝟏
↝ 𝓣 𝒏 − 𝟐 𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 ↝ 𝓕 𝟏, 𝒏 − 𝟐 ,
𝝇𝜷𝟏 𝝇𝟐𝜷
𝟏

𝒏 − 𝟐 𝝇𝟐𝜺 𝒏 − 𝟐 𝝇𝟐𝜷𝟏
= 𝟐
↝ 𝝌𝟐 𝒏 − 𝟐
𝝇𝟐𝜺 𝝇𝜷
𝟏

𝝇𝟐𝜺
𝝇𝟐𝜷𝟐 = 𝒏 𝟐
𝒊=𝟏 𝒙𝒊 − 𝒙
𝟐
𝜷𝟐 − 𝜷𝟐 𝜷𝟐 − 𝜷𝟐
↝ 𝓣 𝒏 − 𝟐 𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 ↝ 𝓕 𝟏, 𝒏 − 𝟐 ,
𝝇𝜷𝟐 𝝇𝟐𝜷
𝟐

𝑺𝑪𝑬 𝟏 𝑹𝟐 𝟏
= ↝ 𝓕 𝟏, 𝒏 − 𝟐
𝑺𝑪𝑹 𝒏 − 𝟐 𝟏 − 𝑹𝟐 𝒏 − 𝟐

𝓬 • 𝑰𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆𝒔 𝒅𝒆 𝒄𝒐𝒏𝒇𝒊𝒂𝒏𝒄𝒆 ∶

ème
61 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
 𝑰𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆 𝒅𝒆 𝒄𝒐𝒏𝒇𝒊𝒂𝒏𝒄𝒆 𝒅𝒆 𝒔𝒆𝒖𝒊𝒍 𝜶 𝒑𝒐𝒖𝒓 𝜷𝟏 : 𝑰𝑪𝟏−𝜶 𝜷𝟏 = 𝜷𝟏 ± 𝒕𝟏−𝜶 𝒏 − 𝟐 𝝇𝜷𝟏
𝟐

 𝑰𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆 𝒅𝒆 𝒄𝒐𝒏𝒇𝒊𝒂𝒏𝒄𝒆 𝒅𝒆 𝒔𝒆𝒖𝒊𝒍 𝜶 𝒑𝒐𝒖𝒓 𝜷𝟐 : 𝑰𝑪𝟏−𝜶 𝜷𝟐 = 𝜷𝟐 ± 𝒕𝟏−𝜶 𝒏 − 𝟐 𝝇𝜷𝟐


𝟐

𝒏 − 𝟐 𝝇𝟐𝜺 𝒏 − 𝟐 𝝇𝟐𝜺
 𝑰𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆 𝒅𝒆 𝒄𝒐𝒏𝒇𝒊𝒂𝒏𝒄𝒆 𝒅𝒆 𝒔𝒆𝒖𝒊𝒍 𝜶 𝒑𝒐𝒖𝒓 𝝇𝟐𝜺 : 𝑰𝑪𝟏−𝜶 𝝇𝟐𝜺 = ,
𝝌𝟐𝟏−𝜶 𝒏 − 𝟐 𝝌𝟐𝜶 𝒏 − 𝟐
𝟐 𝟐

𝓭 • 𝑻𝒆𝒔𝒕𝒔 𝒔𝒖𝒓 𝒍𝒆𝒔 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖𝒆𝒍𝒔 ∶

𝑯𝟎 ∶ 𝜷𝒋 = 𝜷𝟎𝒋 𝜷𝒋 − 𝜷𝟎𝒋
𝑷𝒐𝒖𝒓 𝒕𝒆𝒔𝒕𝒆𝒓 ∶ 𝒄𝒐𝒏𝒕𝒓𝒆 , 𝑶𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝑯𝟎 𝒔𝒊 > 𝒕𝟏−𝜶 𝒏 − 𝟐 ; 𝒋 ∈ 𝟏, 𝟐
𝟎 𝝇𝜷𝒋 𝟐
𝑯𝟏 ∶ 𝜷 𝒋 ≠ 𝜷 𝒋

𝑯𝟎 ∶ 𝜷𝒋 = 𝜷𝟎𝒋 𝜷𝒋 − 𝜷𝟎𝒋
𝑷𝒐𝒖𝒓 𝒕𝒆𝒔𝒕𝒆𝒓 ∶ 𝒄𝒐𝒏𝒕𝒓𝒆 , 𝑶𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝑯𝟎 𝒔𝒊 > 𝒕𝟏−𝜶 𝒏 − 𝟐 ; 𝒋 ∈ 𝟏, 𝟐
𝝇𝜷𝒋
𝑯𝟏 ∶ 𝜷𝒋 > 𝜷𝟎𝒋

𝑯𝟎 ∶ 𝜷𝒋 = 𝜷𝟎𝒋 𝜷𝒋 − 𝜷𝟎𝒋
𝑷𝒐𝒖𝒓 𝒕𝒆𝒔𝒕𝒆𝒓 ∶ 𝒄𝒐𝒏𝒕𝒓𝒆 , 𝑶𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝑯𝟎 𝒔𝒊 < 𝒕𝜶 𝒏 − 𝟐 ; 𝒋 ∈ 𝟏, 𝟐
𝟎 𝝇𝜷𝒋
𝑯𝟏 ∶ 𝜷 𝒋 < 𝜷 𝒋

 𝑻𝒆𝒔𝒕 𝒅𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒊𝒕é 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖𝒆𝒍𝒍𝒆 ∶

𝑯𝟎 ∶ 𝜷𝒋 = 𝟎 𝒍𝒆 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆 𝒆𝒔𝒕 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆𝒎𝒆𝒏𝒕 𝒏𝒖𝒍, 𝒏𝒐𝒏 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒇


𝒄𝒐𝒏𝒕𝒓𝒆 ; 𝒋 ∈ 𝟏, 𝟐
𝑯𝟏 ∶ 𝜷𝒋 ≠ 𝟎 𝒍𝒆 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆 𝒆𝒔𝒕 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆𝒎𝒆𝒏𝒕 𝒏𝒐𝒏 𝒏𝒖𝒍, 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒇

𝜷𝒋
𝑶𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝑯𝟎 𝒔𝒊 𝒕𝜷𝒋 > 𝒕𝟏−𝜶 𝒏 − 𝟐 𝒂𝒗𝒆𝒄 𝒕𝜷𝒋 = 𝒍𝒆 𝒕-𝒓𝒂𝒕𝒊𝒐 𝒅𝒆 𝑺𝒕𝒖𝒅𝒆𝒏𝒕
𝟐 𝝇𝜷𝒋

𝑬𝒏 𝒓𝒆𝒋𝒆𝒕𝒂𝒏𝒕 𝑯𝟎 𝒍𝒆 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆 𝜷𝒋 𝒆𝒔𝒕 𝒅𝒊𝒕 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆𝒎𝒆𝒏𝒕 𝒏𝒐𝒏 𝒏𝒖𝒍, 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒙 𝒍𝒖𝒊 𝒂𝒔𝒔𝒐𝒄𝒊é𝒆

𝒂 𝒖𝒏𝒆 𝒊𝒏𝒇𝒍𝒖𝒆𝒏𝒄𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒇 𝒅𝒂𝒏𝒔 𝒍’𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒚

𝚫𝒙 𝚫𝒚
= 𝑯𝟎 ∶
𝑯𝟎 ∶ 𝜷 𝟏 = 𝟎 𝒙 𝒚
∎ 𝑺𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒊𝒕é 𝒅𝒖 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆 𝜷𝟏 : 𝒄𝒐𝒏𝒕𝒓𝒆 ⇔ 𝒄𝒐𝒏𝒕𝒓𝒆
𝑯𝟏 ∶ 𝜷 𝟏 ≠ 𝟎 𝚫𝒙 𝚫𝒚
𝑯𝟏 ∶ ≠
𝒙 𝒚

𝑨𝒖𝒕𝒓𝒆𝒎𝒆𝒏𝒕 𝒅𝒊𝒕 , 𝒕𝒆𝒔𝒕𝒆𝒓 𝒍𝒂 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒊𝒕é 𝒅𝒆 𝒍𝒂 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 𝜷𝟏 𝒓𝒆𝒗𝒊𝒆𝒏𝒕 à 𝒕𝒆𝒔𝒕𝒆𝒓 𝒍′ 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆

𝒅′ 𝒖𝒏 𝒕𝒓𝒂𝒏𝒔𝒇𝒆𝒓𝒕 𝒊𝒏𝒕é𝒈𝒓𝒂𝒍 𝒅’𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒕𝒊𝒐𝒏 𝒓𝒆𝒍𝒂𝒕𝒊𝒗𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆 𝒙 𝒗𝒆𝒓𝒔 𝒍𝒂

𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 à 𝒆𝒙𝒑𝒍𝒊𝒒𝒖𝒆𝒓 𝒚

ème
62 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝑯𝟎 ∶ 𝜷𝟐 = 𝟎 , 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒏’𝒆𝒔𝒕 𝒑𝒂𝒔 𝒃𝒐𝒏
∎ 𝑺𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒊𝒕é 𝒅𝒖 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆 𝜷𝟐 : 𝒄𝒐𝒏𝒕𝒓𝒆
𝑯𝟏 ∶ 𝜷𝟐 ≠ 𝟎 , 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒆𝒔𝒕 𝒃𝒐𝒏

𝑯𝟎 ∶ 𝑹 𝟐 = 𝟎
⇔ 𝒄𝒐𝒏𝒕𝒓𝒆
𝑯𝟏 ∶ 𝑹 𝟐 ≠ 𝟎

𝑯𝟎 ∶ 𝝆𝒙,𝒚 = 𝟎 , 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒅’𝒂𝒃𝒔𝒆𝒏𝒄𝒆 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏


⇔ 𝒄𝒐𝒏𝒕𝒓𝒆
𝑯𝟏 ∶ 𝝆𝒙,𝒚 ≠ 𝟎 , (𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒅’𝒂𝒃𝒔𝒆𝒏𝒄𝒆 𝒅𝒆 𝒅é𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏)

𝒏 − 𝟐 𝑹𝟐 𝒕𝟐𝜷𝟐
𝑶𝒏 𝒗é𝒓𝒊𝒇𝒊𝒆 𝒃𝒊𝒆𝒏 𝒒𝒖𝒆 𝒕𝟐𝜷𝒋 = 𝟐
𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 𝑹 = 𝟐
𝟏 − 𝑹𝟐 𝒕𝜷 + 𝒏 − 𝟐
𝟐

𝑯𝟎 ∶ 𝜷 𝟐 = 𝟏 𝑯𝟎 ∶ 𝚫𝒚 = 𝚫𝒙
′ 𝒄𝒐𝒏𝒕𝒓𝒆 𝒄𝒐𝒏𝒕𝒓𝒆
∎ 𝑻𝒆𝒔𝒕 𝒅𝒆 𝒓𝒆𝒏𝒅𝒆𝒎𝒆𝒏𝒕 𝒅 é𝒄𝒉𝒆𝒍𝒍𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕 ∶ ⇔
𝑯𝟏 ∶ 𝜷 𝟐 ≠ 𝟏 𝑯𝟏 ∶ 𝚫𝒚 = 𝚫𝒙

𝑨𝒖𝒕𝒓𝒆𝒎𝒆𝒏𝒕 𝒅𝒊𝒕 , 𝒕𝒆𝒔𝒕𝒆𝒓 𝒍′ 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒅′ 𝒖𝒏 𝒓𝒆𝒑𝒐𝒓𝒕 𝒊𝒏𝒕é𝒈𝒓𝒂𝒍 𝒅′ 𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒕𝒊𝒐𝒏 𝒂𝒃𝒔𝒐𝒍𝒖𝒆 𝒅𝒆 𝒍𝒂

𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆 𝒙 𝒗𝒆𝒓𝒔 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 à 𝒆𝒙𝒑𝒍𝒊𝒒𝒖𝒆𝒓 𝒚 𝑯𝟎 ∶ 𝚫𝒚 = 𝚫𝒙 𝒄𝒐𝒏𝒕𝒓𝒆 𝑯𝟏 ∶ 𝚫𝒚 = 𝚫𝒙

𝒓𝒆𝒗𝒊𝒆𝒏𝒕 à 𝒕𝒆𝒔𝒕𝒆𝒓 𝒍𝒆 𝒓𝒆𝒏𝒅𝒆𝒎𝒆𝒏𝒕 𝒅′ é𝒄𝒉𝒆𝒍𝒍𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕 𝑯𝟎 ∶ 𝜷𝟐 = 𝟏 𝒄𝒐𝒏𝒕𝒓𝒆 𝑯𝟏 ∶ 𝜷𝟐 ≠ 𝟏

𝑶𝒏 𝒔𝒆 𝒑𝒓𝒐𝒑𝒐𝒔𝒆 𝒅𝒆 𝒕𝒆𝒔𝒕𝒆𝒓 𝑯𝟎 : 𝜷 = 𝟎 𝒄𝒐𝒏𝒕𝒓𝒆 𝑯𝒂 : 𝜷 ≠ 𝟎 , 𝒔𝒐𝒖𝒔 𝒖𝒏 𝒏𝒊𝒗𝒆𝒂𝒖 𝒅𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏

𝜶 = 𝟓%

𝜷−𝜷
𝑻= ↝ 𝓣 𝟏𝟎𝟎 − 𝟐 , 𝒍𝒂 𝒍𝒐𝒊 𝒅𝒆 𝑺𝒕𝒖𝒅𝒆𝒏𝒕 𝒅𝒆 𝒅. 𝒅. 𝒍 𝟗𝟖
𝝇𝜷

𝑹è𝒈𝒍𝒆 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏 ∶ 𝒐𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝑯𝟎 𝒂𝒗𝒆𝒄 𝒖𝒏 𝒓𝒊𝒔𝒒𝒖𝒆 𝒅𝒆 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆 𝒆𝒔𝒑è𝒄𝒆 𝜶, 𝒔𝒊 𝑻𝟎 ≥ 𝒕𝟏−𝜶 𝟗𝟖


𝟐

𝜷−𝟎 𝟏, 𝟐𝟑𝟏
𝑻𝟎 = = = 𝟐𝟏, 𝟐𝟐𝟒
𝒐𝒓 𝝇𝜷 𝟎, 𝟎𝟓𝟖 ⇒ 𝑻𝟎 ≥ 𝒕𝟏−𝜶 𝟗𝟖
𝟐
𝒕𝟏−𝜶 𝟗𝟖 = 𝒕𝟎,𝟗𝟕𝟓 𝟗𝟖 = 𝟐, 𝟐𝟕𝟔
𝟐

𝑫’𝒐ù 𝜷 𝒆𝒔𝒕 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒎𝒆𝒏𝒕 𝒏𝒐𝒏 𝒏𝒖𝒍 𝒂𝒖 𝒓𝒊𝒔𝒒𝒖𝒆 𝒅𝒆 𝟓%

7)

𝓑– 𝟏 • 𝑭𝒐𝒓𝒎𝒖𝒍𝒂𝒕𝒊𝒐𝒏 𝒆𝒕 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 𝒅𝒆 𝒃𝒂𝒔𝒆 ∶


𝒌 𝒌

𝑴 : 𝒚 𝒊 = 𝜷𝟏 + 𝜷𝒋 𝒙𝒊𝒋 + 𝜺𝒊 = 𝜷𝟏 + 𝜷𝒋 𝒙𝒊𝒋 + 𝜺𝒊 ; 𝒊 = 𝟏, 𝟐 … , 𝒏
𝒋=𝟐 𝒋=𝟐

𝓪 • 𝑫𝒐𝒏𝒏é𝒆𝒔 𝒐𝒃𝒔𝒆𝒓𝒗é𝒆𝒔, 𝒆𝒕 𝒇𝒐𝒓𝒎𝒖𝒍𝒂𝒕𝒊𝒐𝒏 𝒎𝒂𝒕𝒓𝒊𝒄𝒊𝒆𝒍𝒍𝒆 ∶

ème
63 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝜷𝟏
𝒚𝟏 𝟏 𝒙𝟏𝟐 ⋯ 𝒙𝟏𝒌 𝜺𝟏
⋮ 𝜷𝟐
𝒀 = 𝑿𝜷 + 𝓔 = 𝑿𝜷 + 𝓔 𝒂𝒗𝒆𝒄 𝒀 = ,𝑿 = ⋮ ⋮ ⋯ ⋮ ,𝜷 = 𝒆𝒕 𝓔 = ⋮
𝒚𝒏 ⋮ 𝜺𝒏
𝟏 𝒙𝒏𝟐 ⋯ 𝒙𝒏𝒌
𝜷𝒌

𝓑– 𝟐 • 𝑬𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒅𝒆𝒔 𝒎𝒐𝒊𝒏𝒅𝒓𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒐𝒓𝒅𝒊𝒏𝒂𝒊𝒓𝒆𝒔 𝑴𝑪𝑶 :


𝒏


𝓔𝓔= 𝜺𝟐𝒊 = 𝒀 − 𝑿𝜷 𝒀 − 𝑿𝜷
𝒊=𝟏

𝓔′ 𝑿 = 𝑿′ 𝓔 = 𝟎

𝓔′ 𝒀 = 𝒀′ 𝓔 = 𝟎

∎ 𝑻𝒉é𝒐𝒓è𝒎𝒆 ∶ 𝑺𝒊 𝒍𝒂 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝑿 𝒄𝒐𝒏𝒕𝒊𝒆𝒏𝒕 𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 𝒅é𝒇𝒊𝒏𝒊𝒆 𝒅𝒆 𝒎𝒂𝒏𝒊è𝒓𝒆


𝒏

𝒆𝒙𝒑𝒍𝒊𝒄𝒊𝒕𝒆 𝒐𝒖 𝒊𝒎𝒑𝒍𝒊𝒄𝒊𝒕𝒆, 𝒂𝒍𝒐𝒓𝒔 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒓é𝒔𝒊𝒅𝒖𝒔 𝒆𝒔𝒕 𝒏𝒖𝒍𝒍𝒆 ∶ 𝟏′𝒏 𝓔 = 𝜺𝒊 = 𝟎


𝒊=𝟏

𝒀=𝒀
𝒏

𝜷= 𝑿𝑿 ′ −𝟏 ′
𝑿 𝒀 𝒎𝒊𝒏𝒊𝒎𝒊𝒔𝒆 𝜺𝟐𝒊
𝒊=𝟏

𝒏 𝒏 𝒏

𝒏 𝒙𝒊𝟐 ⋯ 𝒙𝒊,𝒑−𝟏 𝒙𝒊,𝒑 𝒏


𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝒏 𝒏 𝒏 𝒏 𝒚𝒊
𝒊=𝟏
𝒙𝒊𝟐 𝒙𝟐𝒊𝟐 ⋯ 𝒙𝒊,𝟐 𝒙𝒊,𝒑−𝟏 𝒙𝒊,𝟐 𝒙𝒊,𝒑 𝒏
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝑿′ 𝑿 = 𝒆𝒕 𝑿′ 𝒀 = 𝒙𝒊𝟐 𝒚𝒊
⋮ ⋮ ⋱ ⋮ ⋮
𝒏 𝒏 𝒏 𝒏 𝒊=𝟏
𝒙𝒊,𝒑−𝟏 𝒙𝒊,𝟐 𝒙𝒊,𝒑−𝟏 ⋯ 𝒙𝟐𝒊,𝒑−𝟏 𝒙𝒊,𝒑−𝟏 𝒙𝒊,𝒑 ⋮
𝒏
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝒏 𝒏 𝒏 𝒏 𝒙𝒊,𝒑 𝒚𝒊
𝒊=𝟏
𝒙𝒊,𝒑 𝒙𝒊,𝟐 𝒙𝒊,𝒑 ⋯ 𝒙𝒊,𝒑−𝟏 𝒙𝒊,𝒑 𝒙𝟐𝒊,𝒑
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝟏 𝒙𝟏𝟐 ⋯ 𝒙𝟏𝒌
𝓑– 𝟒 • 𝑹é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒂𝒗𝒆𝒄 𝒍𝒆𝒔 𝒅𝒐𝒏𝒏é𝒆𝒔 𝒄𝒆𝒏𝒕𝒓é𝒆𝒔 ∶ 𝑷𝒐𝒖𝒓 𝑿 = ⋮ ⋮ ⋯ ⋮
𝟏 𝒙𝒏𝟐 ⋯ 𝒙𝒏𝒌
𝒌 𝒌

𝑴 : 𝒚 𝒊 = 𝜷𝟏 + 𝜷𝒋 𝒙𝒊𝒋 + 𝜺𝒊 = 𝜷𝟏 + 𝜷𝒋 𝒙𝒊𝒋 + 𝜺𝒊
𝒋=𝟐 𝒋=𝟐

𝒌 𝒌

𝑴 : 𝒚 = 𝜷𝟏 + 𝜷𝒋 𝒙𝒋 + 𝜺 = 𝜷𝟏 + 𝜷𝒋 𝒙𝒋
𝒋=𝟐 𝒋=𝟐

ème
64 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒌 𝒌

𝑴𝒄 : 𝒚𝒊 − 𝒚 = 𝜷𝒋 𝒙𝒊𝒋 − 𝒙𝒋 + 𝜺𝒊 − 𝜺 = 𝜷𝒋 𝒙𝒊𝒋 − 𝒙𝒋 + 𝜺𝒊
𝒋=𝟐 𝒋=𝟐

𝒌 𝒌

𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 ∶ 𝑴𝒄 ∶ 𝒚𝒊,𝒄 = 𝜷𝒋 𝒙𝒊𝒋,𝒄 + 𝜺𝒊,𝒄 = 𝜷𝒋 𝒙𝒊𝒋,𝒄 + 𝜺𝒊


𝒋=𝟐 𝒋=𝟐

𝜷𝟐
∎ 𝜷= 𝜷𝟑

𝜷𝒌
𝒙𝟏𝟐 ⋯ 𝒙𝟏𝒌
∎ 𝑿= ⋮ ⋯ ⋮
𝒙𝒏𝟐 ⋯ 𝒙𝒏𝒌

𝟏
∎ 𝟏𝒏 = ⋮
𝟏
𝟏 𝟏 𝟏 𝟏
𝟏− − ⋯ − −
𝒏 𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝟏
− 𝟏− ⋯ − −
𝟏𝒏 𝟏′𝒏 𝒏 𝒏 𝒏 𝒏
∎ 𝑷𝒄 = 𝑰𝒏 − = ⋮ ⋮ ⋱ ⋮ ⋮
𝒏 𝟏 𝟏 𝟏 𝟏
− − ⋯ 𝟏− −
𝒏 𝒏 𝒏 𝒏
𝟏 𝟏 𝟏 𝟏
− − ⋯ − 𝟏−
𝒏 𝒏 𝒏 𝒏
𝒚𝟏 − 𝒚
∎ 𝒀𝒄 = 𝑷𝒄 𝒀 = 𝒀 − 𝟏𝒏 𝒀 = ⋮
𝒚𝒏 − 𝒚

𝒙𝟏𝟐 − 𝒙𝟐 ⋯ 𝒙𝟏𝒌 − 𝒙𝒌
∎ 𝑿𝒄 = 𝑷𝒄 𝑿 ⇒ 𝑿𝒄 = ⋮ ⋯ ⋮
𝒙𝒏𝟐 − 𝒙𝟐 ⋯ 𝒙𝒏𝒌 − 𝒙𝒌

𝑴𝒄 ∶ 𝒀𝒄 = 𝑿𝒄 𝜷 + 𝓔

−𝟏 𝒌
𝑿′𝒄 𝑿𝒄 𝑿′𝒄 𝒀𝒄
𝜷 = 𝑿′𝒄 𝑿𝒄 −𝟏 𝑿′𝒄 𝒀𝒄 = 𝒆𝒕 𝜷𝟏 = 𝒚 − 𝜷𝒋 𝒙𝒋
𝒏 𝒏
𝒋=𝟐

𝑺𝟐𝟐 𝑺𝟐𝟑 ⋯ 𝑺𝟐,𝒌−𝟏 𝑺𝟐𝒌


𝑿′𝒄 𝑿𝒄 𝑺𝟐𝟑 𝑺𝟐𝟑
⋯ 𝑺𝟑,𝒌−𝟏 𝑺𝟑𝒌
𝚺= = ⋮ ⋮ ⋱ ⋮ ⋮ ,
𝒏
𝑺𝟐,𝒌−𝟏 𝑺𝟑,𝒌−𝟏 ⋯ 𝑺𝟐𝒌−𝟏 𝑺𝒌−𝟏,𝒌−𝟏
𝑺𝟐𝒌 𝑺𝟑𝒌 ⋯ 𝑺𝒌−𝟏,𝒌−𝟏 𝑺𝟐𝒌

ème
65 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒏 𝒏
𝟏 𝟐 𝟏
𝑺𝟐𝒋 = 𝒙𝒊𝒋 − 𝒙𝒋 𝒆𝒕 𝑺𝒑𝒒 = 𝒙𝒊𝒑 − 𝒙𝒑 𝒙𝒊,𝒒 − 𝒙𝒒 ; 𝒋 , 𝒑 𝒆𝒕 𝒒 = 𝟐, 𝟑, … , 𝒌
𝒏 𝒏
𝒊=𝟏 𝒊=𝟏

𝑺𝟐𝒚
𝑺𝟑𝒚 𝒏
𝑿′𝒄 𝒀𝒄 𝟏
= ⋮ 𝒂𝒗𝒆𝒄 𝑺𝒋𝒚 = 𝒙𝒊𝒋 − 𝒙𝒋 𝒚𝒊 − 𝒚 ; 𝒋 = 𝟐, 𝟑, … , 𝒌
𝒏 𝑺𝒌−𝟏,𝒚 𝒏
𝒊=𝟏
𝑺𝒌𝒚

𝒀𝒊 = 𝜶 + 𝜷𝑿𝒊 + 𝜽𝒁𝒊 + 𝜺𝒊 , 𝒊 = 𝟏, 𝟐, … , 𝟏𝟎𝟎 𝟐

𝜷
𝜷 = = 𝑿′𝒄 𝑿𝒄 −𝟏
𝑿′𝒄 𝒀𝒄
𝜽
𝒏 𝒏
𝟐
𝑿𝒊 − 𝑿 𝑿𝒊 − 𝑿 𝒁𝒊 − 𝒁
𝒊=𝟏 𝒊=𝟏 𝟏𝟑 𝟏𝟒
𝒐ù 𝑿′𝒄 𝑿𝒄 = 𝒏 𝒏 =
𝟏𝟒 𝟒𝟐
𝟐
𝒁𝒊 − 𝒁 𝑿𝒊 − 𝑿 𝒁𝒊 − 𝒁
𝒊=𝟏 𝒊=𝟏

𝒀𝒊 − 𝒀 𝑿𝒊 − 𝑿
𝒊=𝟏 𝟏𝟔
𝒆𝒕 𝑿′𝒄 𝒀𝒄 = 𝒏 =
𝟏𝟒
𝒀𝒊 − 𝒀 𝒁𝒊 − 𝒁
𝒊=𝟏


𝑪𝒐𝒎 𝑿𝒄 ′ 𝑿𝒄
𝑿′𝒄 𝑿𝒄 −𝟏 =
𝒅𝒆𝒕 𝑿𝒄 ′ 𝑿𝒄

𝟏𝟑 𝟏𝟒 𝟒𝟐 −𝟏𝟒 𝟒𝟐 −𝟏𝟒
𝑪𝒐𝒎 𝑿′𝒄 𝑿𝒄 = 𝑪𝒐𝒎 = ⇒ 𝑪𝒐𝒎 𝑿′𝒄 𝑿𝒄 ′
= 𝑪𝒐𝒎 𝑿′𝒄 𝑿𝒄 =
𝟏𝟒 𝟒𝟐 −𝟏𝟒 𝟏𝟑 −𝟏𝟒 𝟏𝟑
𝟏𝟑 𝟏𝟒
𝒅𝒆𝒕 𝑿′𝒄 𝑿𝒄 = = 𝟏𝟑 × 𝟒𝟐 − 𝟏𝟒𝟐 = 𝟑𝟓𝟎
𝟏𝟒 𝟒𝟐

𝜷 𝟏 𝟒𝟐 −𝟏𝟒 𝟏𝟔 𝟏 𝟒𝟕𝟔 𝜷 𝟏, 𝟑𝟔
𝜷= = = ⇒ 𝜷= =
𝜽 𝟑𝟓𝟎 −𝟏𝟒 𝟏𝟑 𝟏𝟒 𝟑𝟓𝟎 −𝟒𝟐 𝜽 −𝟎, 𝟏𝟐

𝒏 𝒏 𝒏
𝟏 𝟏𝟏𝟕𝟗 − 𝟏, 𝟑𝟔 × 𝟕𝟑𝟑 + 𝟎, 𝟏𝟐 × 𝟑𝟎𝟎
𝜶 = 𝒀 − 𝜷𝑿 − 𝜽 𝒁 = 𝒀𝒊 − 𝜷 𝑿𝒊 − 𝜽 𝒁𝒊 =
𝒏 𝟏𝟎𝟎
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

⇒ 𝜶 = 𝟐, 𝟏𝟖

𝑳𝒂 𝒔𝒆𝒎𝒊 -é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é 𝒅𝒆𝒔 𝒑𝒓𝒊𝒙 𝒅𝒆𝒔 𝒍𝒐𝒈𝒆𝒎𝒆𝒏𝒕𝒔 𝒀 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 𝒂𝒖𝒙 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅𝒆 𝒑𝒊è𝒄𝒆𝒔 𝒁

é𝒕𝒂𝒏𝒕 𝒆𝒔𝒕𝒊𝒎é𝒆 à 𝜽 = −𝟎, 𝟏𝟐 . 𝑬𝒏 𝒆𝒇𝒇𝒆𝒕 𝒖𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅’𝒖𝒏𝒆 𝒑𝒊è𝒄𝒆 𝒊𝒎𝒑𝒍𝒊𝒒𝒖𝒆 𝒖𝒏𝒆

𝒅𝒊𝒎𝒊𝒏𝒖𝒕𝒊𝒐𝒏 𝒅𝒖 𝒑𝒓𝒊𝒙 𝒅𝒆 𝒍’𝒐𝒓𝒅𝒓𝒆 𝒅𝒆 𝟏𝟐%, 𝒄𝒉𝒐𝒔𝒆 𝒒𝒖𝒊 𝒆𝒔𝒕 𝒃𝒊𝒛𝒂𝒓𝒓𝒆 𝒗𝒐𝒊𝒓 𝒂𝒃𝒔𝒖𝒓𝒅𝒆 𝒅𝒆 𝒑𝒐𝒊𝒏𝒕 𝒅𝒆

ème
66 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒗𝒖𝒆 é𝒄𝒐𝒏𝒐𝒎𝒊𝒒𝒖𝒆.

8)

𝓑– 𝟑 • 𝑴𝒐𝒎𝒆𝒏𝒕𝒔 𝒅𝒆𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔 𝒅𝒆 𝒎𝒐𝒊𝒏𝒅𝒓𝒆𝒔 𝒄𝒂𝒓𝒓é𝒆𝒔 ∶

𝓪 • 𝑬𝒔𝒑é𝒓𝒂𝒏𝒄𝒆 𝒅𝒆 𝜷 ∶

𝑬 𝜷 = 𝜷 𝒅𝒐𝒏𝒄 𝜷 𝒆𝒔𝒕 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝜷

𝓫 • 𝑴𝒂𝒕𝒓𝒊𝒄𝒆 𝒅𝒆 𝒄𝒐𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒆 𝜷 ∶

𝝇𝟐𝜷𝟏 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐 … 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝒌


𝑪𝒐𝒗 𝜷𝟐 , 𝜷𝟏 𝝇𝟐𝜷𝟐 … 𝑪𝒐𝒗 𝜷𝟑 , 𝜷𝒌
𝑽𝒂𝒓 𝜷 = 𝛀𝜷 = 𝝇𝟐𝜷 = 𝝇𝟐𝜺 𝑿′ 𝑿 −𝟏
=
⋮ ⋮ ⋱ ⋮
𝟐
𝑪𝒐𝒗 𝜷𝒌 , 𝜷𝟏 𝑪𝒐𝒗 𝜷𝒌 , 𝜷𝟐 … 𝝇𝜷𝒌

𝓭 • 𝑬𝒔𝒕𝒊𝒎𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 𝝇𝟐𝜺 ∶



𝓔𝓔 𝑺𝑪𝑹
𝝇𝟐𝜺 = = 𝒆𝒔𝒕 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝝇𝟐𝜺
𝒏−𝒌 𝒏−𝒌

𝝇𝟐𝜷𝟏 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐 … 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝒌


𝑪𝒐𝒗 𝜷𝟐 , 𝜷𝟏 𝝇𝟐𝜷𝟐 … 𝑪𝒐𝒗 𝜷𝟑 , 𝜷𝒌
𝑽𝒂𝒓 𝜷 = 𝛀𝜷 = 𝝇𝟐𝜷 = 𝝇𝟐𝜺 𝑿′ 𝑿 −𝟏
=
⋮ ⋮ ⋱ ⋮
𝑪𝒐𝒗 𝜷𝒌 , 𝜷𝟏 𝑪𝒐𝒗 𝜷𝒌 , 𝜷𝟐 … 𝝇𝟐𝜷𝒌

𝓑– 𝟓 • 𝑫é𝒄𝒐𝒎𝒑𝒐𝒔𝒊𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆-𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 ∶

𝓪 • 𝑳𝒆𝒎𝒎𝒆 ∶ 𝓔′ 𝓔 = 𝒀′ 𝒀 − 𝜷′ 𝑿′ 𝒀
𝒏 𝒏
𝟏′𝒏 𝒀 𝟐
𝑺𝑪𝑻 = 𝒚𝒊 − 𝒚 𝟐
= 𝒚𝟐𝒊 − 𝒏𝒚𝟐 = 𝒀′ 𝒀 − = 𝒀′𝒄 𝒀𝒄
𝒏
𝒊=𝟏 𝒊=𝟏

𝒏 𝒏
𝟐 𝟐 𝟏′𝒏 𝒀 𝟐
𝑺𝑪𝑬 = 𝒚𝒊 − 𝒚 = 𝒚𝒊 − 𝒚 = 𝜷′ 𝑿′ 𝒀 − = 𝒀′𝒄 𝒀𝒄 = 𝜷′ 𝑿′𝒄 𝒀𝒄 = 𝜷′ 𝑿′𝒄 𝑿𝒄 𝜷
𝒏
𝒊=𝟏 𝒊=𝟏

𝒏 𝒏 𝒏
𝟐
𝒚𝒊 − 𝒚 𝟐
= 𝒚𝒊 − 𝒚 + 𝜺𝟐𝒊 𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 𝑺𝑪𝑻 = 𝑺𝑪𝑬 + 𝑺𝑪𝑹 𝒔𝒆𝒖𝒍𝒆𝒎𝒆𝒏𝒕 𝒑𝒐𝒖𝒓 𝜷𝟏 ≠ 𝟎
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝑺𝑪𝑻 𝑺𝑪𝑬 𝑺𝑪𝑹

𝑺𝑪𝑹 = 𝜺𝟐𝒊 = 𝓔′ 𝓔 = 𝒀′ 𝒀 − 𝜷′ 𝑿′ 𝒀 = 𝒀′𝒄 𝒀𝒄 − 𝒀′𝒄 𝒀𝒄


𝒊=𝟏

𝓬 • 𝑻𝒂𝒃𝒍𝒆𝒂𝒖 𝒅′𝒂𝒏𝒂𝒍𝒚𝒔𝒆 𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 ∶

ème
67 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014

𝑺𝒐𝒖𝒓𝒄𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒊𝒍𝒊𝒕é 𝑺𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝑫𝒆𝒈𝒓é 𝒅𝒆 𝒍𝒊𝒃𝒆𝒓𝒕é 𝑪𝒂𝒓𝒓é𝒔 𝒎𝒐𝒚𝒆𝒏𝒔

𝑹é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝑺𝑪𝑬 𝒌−𝟏 𝑺𝑪𝑬 𝒌 − 𝟏

𝑹é𝒔𝒊𝒅𝒖𝒔 𝑺𝑪𝑹 𝒏−𝒌 𝝇𝟐 = 𝑺𝑪𝑹 𝒏 − 𝒌

𝑻𝒐𝒕𝒂𝒍 𝑺𝑪𝑻 𝒏−𝟏 𝑺𝟐 = 𝑺𝑪𝑻 𝒏 − 𝟏

𝓭 • 𝑪𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 𝒅𝒂𝒏𝒔 𝒖𝒏 𝒎𝒐𝒅è𝒍𝒆 𝒂𝒗𝒆𝒄 𝒕𝒆𝒓𝒎𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕 𝜷𝟏 ∶

𝟐
𝑺𝑪𝑬 𝒀′𝒄 𝒀𝒄 𝑺𝑪𝑹 𝓔′ 𝓔
𝑹 = = =𝟏− =𝟏− ′ ∈ 𝟎, 𝟏 𝒔𝒆𝒖𝒍𝒆𝒎𝒆𝒏𝒕 𝒑𝒐𝒖𝒓 𝜷𝟏 ≠ 𝟎
𝑺𝑪𝑻 𝒀′𝒄 𝒀𝒄 𝑺𝑪𝑻 𝒀𝒄 𝒀𝒄

𝑪𝒐𝒗 𝒚𝒊 , 𝒚𝒊
𝑹𝟐 = = 𝝆𝟐𝒀,𝒀
𝑽𝒂𝒓 𝒚𝒊 𝑽𝒂𝒓 𝒚𝒊

𝑺𝑪𝑻 = 𝑺𝑪𝑬 + 𝑺𝑪𝑹


𝒏
𝟐
𝑺𝑪𝑻 = 𝒀𝒊 − 𝒀 ⇒ 𝑺𝑪𝑻 = 𝟐𝟒
𝒊=𝟏

𝟏𝟑 𝟏𝟒 𝟏, 𝟑𝟔 𝟏, 𝟑𝟔
𝑺𝑪𝑬 = 𝜷′ 𝑿′ 𝑿 𝜷 = 𝟏, 𝟑𝟔 −𝟎, 𝟏𝟐 = 𝟏𝟔 𝟏𝟒 ⇒ 𝑺𝑪𝑬 = 𝟐𝟎, 𝟎𝟖
𝟏𝟒 𝟒𝟐 −𝟎, 𝟏𝟐 −𝟎, 𝟏𝟐

𝑺𝑪𝑹 = 𝑺𝑪𝑻 − 𝑺𝑪𝑬 = 𝟐𝟒 − 𝟐𝟎, 𝟎𝟖 ⇒ 𝑺𝑪𝑹 = 𝟑, 𝟗𝟐

9)

𝓑– 𝟓 • 𝑫é𝒄𝒐𝒎𝒑𝒐𝒔𝒊𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆-𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 ∶

𝓭 • 𝑪𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 𝒅𝒂𝒏𝒔 𝒖𝒏 𝒎𝒐𝒅è𝒍𝒆 𝒂𝒗𝒆𝒄 𝒕𝒆𝒓𝒎𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕 𝜷𝟏 ∶

𝟐
𝑺𝑪𝑬 𝒀′𝒄 𝒀𝒄 𝑺𝑪𝑹 𝓔′ 𝓔
𝑹 = = =𝟏− =𝟏− ′ ∈ 𝟎, 𝟏 𝒔𝒆𝒖𝒍𝒆𝒎𝒆𝒏𝒕 𝒑𝒐𝒖𝒓 𝜷𝟏 ≠ 𝟎
𝑺𝑪𝑻 𝒀′𝒄 𝒀𝒄 𝑺𝑪𝑻 𝒀𝒄 𝒀𝒄

𝑪𝒐𝒗 𝒚𝒊 , 𝒚𝒊
𝑹𝟐 = = 𝝆𝟐𝒀,𝒀
𝑽𝒂𝒓 𝒚𝒊 𝑽𝒂𝒓 𝒚𝒊

𝑺𝑪𝑬 𝟐𝟎, 𝟎𝟖
𝑹𝟐 = = ⇒ 𝑹𝟐 = 𝟖𝟑, 𝟔𝟕% ⇒ 𝟖𝟑, 𝟔𝟕% 𝑫𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒊𝒍𝒊𝒕é 𝒍𝒐𝒈𝒂𝒓𝒊𝒕𝒉𝒎𝒆 𝒅𝒖 𝒑𝒓𝒊𝒙 𝒀
𝑺𝑪𝑻 𝟐𝟒
𝒆𝒔𝒕 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒆 𝒑𝒂𝒓 𝒍𝒆 𝒍𝒐𝒈𝒂𝒓𝒊𝒕𝒉𝒎𝒆 𝒅𝒆 𝒍𝒂 𝒔𝒖𝒑𝒆𝒓𝒇𝒊𝒄𝒊𝒆 𝑿 𝒆𝒕 𝒍𝒆 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅𝒆 𝒑𝒊è𝒄𝒆𝒔 𝒁 .

ème
68 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
10)

𝓓– 𝟏 • 𝑫𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒕𝒊𝒐𝒏𝒔 𝒅𝒆𝒔 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆𝒔 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏 ∶

∎ 𝓔 ↝ 𝓝 𝟎, 𝝇𝟐𝜺 𝑰𝒏

∎ 𝒀 ↝ 𝓝 𝑿𝜷, 𝝇𝟐𝜺 𝑰𝒏

∎ 𝜷 ↝ 𝓝 𝜷, 𝝇𝟐𝜺 𝑿′ 𝑿 −𝟏

𝒏 − 𝒌 𝝇𝟐𝜺 𝑺𝑪𝑹 𝒏 − 𝒌 𝝇𝟐𝜷


∎ = 𝟐 = 𝟐
↝ 𝝌𝟐 𝒏 − 𝒌
𝝇𝟐𝜺 𝝇𝜺 𝝇𝜷

𝜷𝒋 − 𝜷𝒋
∎ =↝ 𝓣 𝒏 − 𝒌 , 𝒍𝒂 𝒍𝒐𝒊 𝒅𝒆 𝑺𝒕𝒖𝒅𝒆𝒏𝒕 𝒅𝒆 𝒅. 𝒅. 𝒍 𝒏 − 𝒌
𝝇𝜷𝒋

𝟐
𝜷𝒋 − 𝜷𝒋
∎ =↝ 𝓕 𝟏, 𝒏 − 𝒌 , 𝒍𝒂 𝒍𝒐𝒊 𝒅𝒆 𝑭𝒊𝒔𝒉𝒆𝒓 𝒅𝒆𝒅𝒆𝒈𝒓é𝒔 𝒅𝒆 𝒍𝒊𝒃𝒆𝒓𝒕é 𝒓𝒆𝒔𝒑𝒆𝒄𝒕𝒊𝒇𝒔 𝟏 𝒆𝒕 𝒏 − 𝒌
𝝇𝟐𝜷
𝒋

𝜷′ 𝑿′ 𝑿 𝜷 𝒌 𝜷′ 𝑿′ 𝑿 𝜷 𝒌 𝑹𝟐∗ 𝒏−𝒌
∎ = = ↝ 𝓕 𝒌, 𝒏 − 𝒌
𝝇𝟐𝜺 𝑺𝑪𝑹 𝒏 − 𝒌 𝟏 − 𝑹𝟐∗ 𝒌

𝓓– 𝟒 • 𝑻𝒆𝒔𝒕 𝒅𝒆 𝒏𝒖𝒍𝒍𝒊𝒕é 𝒅𝒆 𝒕𝒐𝒖𝒔 𝒍𝒆𝒔 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 (𝒔𝒂𝒖𝒇 𝒍𝒂 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 𝜷𝟏 ) ∶

𝜷𝟐
𝑯𝟎 ∶ 𝜷 = 𝟎
𝜷𝟑
𝒄𝒐𝒏𝒕𝒓𝒆 𝒐ù 𝜷 =

𝑯𝟏 ∶ 𝜷 ≠ 𝟎 𝜷𝒌

𝑶𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝑯𝟎 𝒔𝒊 𝑭𝒐𝒃𝒔 > 𝒇𝟏−𝜶 𝒌 − 𝟏 , 𝒏 − 𝒌

𝒀′𝒄 𝒀𝒄 𝒌 − 𝟏 𝑺𝑪𝑬 𝒌 − 𝟏 𝜷′ 𝑿′𝒄 𝑿𝒄 𝜷 𝒌 − 𝟏 𝑹𝟐 𝒏−𝒌


𝒐ù 𝑭𝒐𝒃𝒔 = = = = 𝟐
𝒀′𝒄 𝒀𝒄 − 𝒀′𝒄 𝒀𝒄 𝒏−𝒌 𝑺𝑪𝑹 𝒏 − 𝒌 𝑺𝑪𝑹 𝒏 − 𝒌 𝟏−𝑹 𝒌−𝟏

𝜷𝟐
𝒔𝒐𝒖𝒔 𝑯𝟎 ; 𝒂𝒗𝒆𝒄𝜷 = 𝜷𝟑

𝜷𝒌

𝒌 − 𝟏 𝑭𝒐𝒃𝒔
𝑶𝒏 𝒗é𝒓𝒊𝒇𝒊𝒆 𝒒𝒖𝒆 𝑹𝟐 =
𝒏 − 𝒌 + 𝒌 − 𝟏 𝑭𝒐𝒃𝒔

𝒌 − 𝟏 𝒇𝟏−𝜶 𝒌 − 𝟏 , 𝒏 − 𝒌
𝑫𝒆 𝒎𝒂𝒏𝒊è𝒓𝒆 é𝒒𝒖𝒊𝒗𝒂𝒍𝒆𝒏𝒕𝒆 𝒐𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝑯𝟎 𝒔𝒊 𝑹𝟐 >
𝒏 − 𝒌 + 𝒌 − 𝟏 𝒇𝟏−𝜶 𝒌 − 𝟏 , 𝒏 − 𝒌

ème
69 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝜷 𝟎
𝑯𝟎 : 𝜷 = 𝟎 𝑯𝟎 : =
𝜽 𝟎
𝑶𝒏 𝒔𝒆 𝒑𝒓𝒐𝒑𝒐𝒔𝒆 𝒅𝒆 𝒄𝒐𝒏𝒇𝒓𝒐𝒏𝒕𝒆𝒓 𝒄𝒐𝒏𝒕𝒓𝒆 ⇔ 𝒄𝒐𝒏𝒕𝒓𝒆
𝑯𝟏 : 𝜷 ≠ 𝟎 𝜷 𝟎
𝑯𝟏 : ≠
𝜽 𝟎

𝒔𝒐𝒖𝒔 𝒖𝒏 𝒏𝒊𝒗𝒆𝒂𝒖 𝒅𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝜶 = 𝟓%

𝜷′ 𝑿′𝒄 𝑿𝒄 𝜷 𝟐
𝑺𝒕𝒂𝒕 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏: 𝑭 = =↝ 𝓕 𝟐, 𝟗𝟕
𝑺𝑪𝑹 𝟏𝟎𝟎 − 𝟑

𝑺𝑪𝑬 𝟐 𝟐𝟎, 𝟎𝟖 𝟐
𝑭𝒐𝒃𝒔 = = = 𝟐𝟐𝟔, 𝟒𝟖𝟒
𝒐𝒓 𝑺𝑪𝑹 𝟗𝟕 𝟒, 𝟑 𝟗𝟕 ⇒ 𝑭𝒐𝒃𝒔 ≫ 𝒇𝟗𝟓% 𝟐, 𝟗𝟕
𝒆𝒕
𝒇𝟗𝟓% 𝟐, 𝟗𝟕 = 𝟑, 𝟎𝟗
𝑫𝒐𝒏𝒄 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒆𝒔𝒕 𝒈𝒍𝒐𝒃𝒂𝒍𝒆𝒎𝒆𝒏𝒕 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒇 𝒂𝒖 𝒓𝒊𝒔𝒒𝒖𝒆 𝒅𝒆 𝟓%

11)

𝓑– 𝟓 • 𝑫é𝒄𝒐𝒎𝒑𝒐𝒔𝒊𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆-𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕𝒔 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 ∶

𝓯 • 𝑪𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓𝒕𝒊𝒆𝒍𝒍𝒆:

𝑳𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓𝒕𝒊𝒆𝒍𝒍𝒆 𝒂𝒔𝒔𝒐𝒄𝒊é à 𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒒𝒖𝒆𝒍𝒄𝒐𝒏𝒒𝒖𝒆 𝒆𝒔𝒕 𝒍𝒂 𝒑𝒂𝒓𝒕

𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒍𝒂𝒊𝒔𝒔é𝒆 𝒊𝒏𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒆 𝒑𝒂𝒓 𝒍𝒆𝒔 𝒂𝒖𝒕𝒓𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒒𝒖𝒊 𝒆𝒔𝒕 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒆 𝒈𝒓â𝒄𝒆

à 𝒍’𝒊𝒏𝒕𝒓𝒐𝒅𝒖𝒄𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 é𝒕𝒖𝒅𝒊é𝒆.

𝑰𝒍 𝒎𝒆𝒔𝒖𝒓𝒆 𝒍’𝒊𝒏𝒇𝒍𝒖𝒆𝒏𝒄𝒆 𝒅𝒆 𝑿𝒋 𝒔𝒖𝒓 𝒀 𝒔𝒊 𝒐𝒏 é𝒍𝒊𝒎𝒊𝒏𝒆 𝒍’𝒆𝒇𝒇𝒆𝒕 𝒅𝒆𝒔 𝒂𝒖𝒕𝒓𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒔.

∎ 𝑼𝒏𝒆 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒆𝒏 𝒍’𝒂𝒃𝒔𝒆𝒏𝒄𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 é𝒕𝒖𝒅𝒊é𝒆 𝑿𝒋 ∶

𝑺𝑪𝑻𝟏 = 𝑺𝑪𝑬𝟏 + 𝑺𝑪𝑹𝟏 𝑴𝟏

∎ 𝑼𝒏𝒆 𝒔𝒆𝒄𝒐𝒏𝒅𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒆𝒏 𝒑𝒓𝒆𝒏𝒂𝒏𝒕 𝒕𝒐𝒖𝒕𝒆𝒔 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔, 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝑿𝒋 𝒄𝒐𝒎𝒑𝒓𝒊𝒔𝒆 ∶

𝑺𝑪𝑻𝟐 = 𝑺𝑪𝑬𝟐 + 𝑺𝑪𝑹𝟐 𝑴𝟐

∎ 𝑺𝑪𝑹𝟏 : 𝑪𝒆 𝒒𝒖𝒊 𝒏’𝒆𝒔𝒕 𝒑𝒂𝒔 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é 𝒑𝒂𝒓 𝒍𝒂 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 (𝒆𝒏 𝒍’𝒂𝒃𝒔𝒆𝒏𝒄𝒆 𝒅𝒆 𝒍𝒂

𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆 𝑿𝒋 )

∎ 𝑺𝑪𝑬𝟐 − 𝑺𝑪𝑬𝟏 ∶ 𝑳𝒆 𝒔𝒖𝒑𝒑𝒍é𝒎𝒆𝒏𝒕 𝒅’𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒂𝒑𝒑𝒐𝒓𝒕é 𝒑𝒂𝒓 𝑿𝒋

𝑳𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓𝒕𝒊𝒆𝒍𝒍𝒆 𝒂𝒔𝒔𝒐𝒄𝒊é à 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝑿𝒋 𝒆𝒔𝒕 𝒅é𝒇𝒊𝒏𝒊 𝒑𝒂𝒓 𝒍𝒂

𝒇𝒐𝒓𝒎𝒖𝒍𝒆 𝒔𝒖𝒊𝒗𝒂𝒏𝒕𝒆 ∶
𝟐
𝑺𝑪𝑬𝟐 − 𝑺𝑪𝑬𝟏 𝑺𝑪𝑹𝟏 − 𝑺𝑪𝑹𝟐 𝑹𝟐𝟐 − 𝑹𝟐𝟏 𝒕𝜷𝒋 𝜷𝒋
𝒓𝟐𝒀, 𝑿𝒋 = = = = 𝒐ù 𝒕𝜷𝒋 =
𝑺𝑪𝑹𝟏 𝑺𝑪𝑹𝟏 𝟏 − 𝑹𝟐𝟏 𝒕𝟐𝜷 + 𝒏 − 𝒌 𝝇𝜷𝒋
𝒋

ème
70 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝟐
𝒔𝒊 𝒓𝒀, 𝑿𝒋 = 𝟎 ⇒ 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝑿𝒋 𝒏 𝒂𝒑𝒑𝒐𝒓𝒕𝒆 𝒓𝒊𝒆𝒏 𝒅𝒆 𝒑𝒍𝒖𝒔 à 𝒍′ 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒀

𝟐
𝒓𝒀, 𝑿𝒋 ∈ 𝟎, 𝟏 :
𝒔𝒊 𝒓𝟐𝒀, 𝑿𝒋 = 𝟏 ⇒ 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝑿𝒋 𝒆𝒙𝒑𝒍𝒊𝒒𝒖𝒆 𝒕𝒐𝒖𝒕 𝒄𝒆 𝒒𝒖𝒊 𝒓𝒆𝒔𝒕𝒂𝒊𝒕 à 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é

𝑳𝒂 𝒏𝒐𝒕𝒊𝒐𝒏 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓𝒕𝒊𝒆𝒍𝒍𝒆 𝒆𝒔𝒕 𝒊𝒎𝒑𝒐𝒓𝒕𝒂𝒏𝒕𝒆 𝒅𝒂𝒏𝒔 𝒍𝒂 𝒎𝒆𝒔𝒖𝒓𝒆 𝒐ù 𝒆𝒍𝒍𝒆 𝒑𝒆𝒓𝒎𝒆𝒕 𝒅𝒆 𝒋𝒖𝒈𝒆𝒓

𝒅𝒆 𝒍𝒂 𝒑𝒆𝒓𝒕𝒊𝒏𝒆𝒏𝒄𝒆 𝒅’𝒊𝒏𝒕𝒓𝒐𝒅𝒖𝒊𝒓𝒆 𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒐𝒈è𝒏𝒆 𝒅𝒂𝒏𝒔 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆. 𝑷𝒍𝒖𝒔 é𝒍𝒆𝒗é 𝒔𝒆𝒓𝒂 𝒍𝒆

𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓𝒕𝒊𝒆𝒍𝒍𝒆 𝒅’𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆, 𝒑𝒍𝒖𝒔 𝒊𝒎𝒑𝒐𝒓𝒕𝒂𝒏𝒕𝒆 𝒔𝒆𝒓𝒂 𝒔𝒂 𝒄𝒐𝒏𝒕𝒓𝒊𝒃𝒖𝒕𝒊𝒐𝒏

à 𝒍’𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒈𝒍𝒐𝒃𝒂𝒍𝒆 𝒅𝒖 𝒎𝒐𝒅è𝒍𝒆.

𝓑– 𝟔 • 𝑷𝒓𝒐𝒃𝒍è𝒎𝒆𝒔 𝒑𝒂𝒓𝒕𝒊𝒄𝒖𝒍𝒊𝒆𝒓𝒔 ∶ 𝑴𝒖𝒍𝒕𝒊𝒄𝒐𝒍𝒊𝒏é𝒂𝒓𝒊𝒕é , 𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒎𝒖𝒆𝒕𝒕𝒆𝒔

𝓫 • 𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒎𝒖𝒆𝒕𝒕𝒆𝒔 ∶

∎ 𝑳𝒆 𝒏𝒐𝒖𝒗𝒆𝒂𝒖 𝒎𝒐𝒅è𝒍𝒆 é𝒕𝒂𝒏𝒕 ∶ 𝒀𝒊 = 𝜶 + 𝜷𝑿𝒊 + 𝜽𝒁𝒊 + 𝝀𝑵𝒊 + 𝜺𝒊 , 𝒊 = 𝟏, 𝟐, … , 𝟏𝟎𝟎 𝟑

𝑳’𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒊𝒐𝒏 𝒅𝒖 𝒎𝒐𝒅è𝒍𝒆 𝒇𝒐𝒖𝒓𝒏𝒊𝒕 𝒍𝒆𝒔 𝒓é𝒔𝒖𝒍𝒕𝒂𝒕𝒔 𝒔𝒖𝒊𝒗𝒂𝒏𝒕𝒔 ∶

𝒀𝒊 = 𝟏, 𝟕 + 𝟏, 𝟏𝟔𝑿𝒊 − 𝟎, 𝟎𝟖 𝒁𝒊 + 𝟎, 𝟐𝟏𝑵𝒊
𝟎,𝟓 𝟎,𝟎𝟔 𝟎,𝟎𝟐𝟓 𝟎,𝟎𝟕

𝑬𝒏 𝒄𝒂𝒍𝒄𝒖𝒍𝒂𝒏𝒕 𝒍𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 𝒑𝒂𝒓𝒕𝒊𝒆𝒍𝒍𝒆 𝒂𝒔𝒔𝒐𝒄𝒊é à 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒊𝒏𝒅𝒊𝒄𝒂𝒕𝒓𝒊𝒄𝒆 𝑵𝒊

𝒊𝒏𝒕𝒓𝒐𝒅𝒖𝒊𝒕𝒆 𝒂𝒖 𝒎𝒐𝒅è𝒍𝒆, 𝒐𝒏 𝒕𝒓𝒐𝒖𝒗𝒆 ∶


𝟐
𝒕𝟐𝝀 𝝀 𝟎, 𝟐𝟏 𝟐
𝒓𝟐𝒀, 𝑵𝒊 = 𝒐ù 𝒕𝟐𝝀 = = = 𝟗 𝒆𝒕 𝒌𝟐 = 𝟒 ⇒ 𝒓𝟐𝒀, 𝑵𝒊 = 𝟖, 𝟓𝟕%
𝒕𝟐𝝀 + 𝒏 − 𝒌𝟐 𝝇𝝀 𝟎, 𝟎𝟕

𝑬𝒏 é𝒍𝒊𝒎𝒊𝒏𝒂𝒏𝒕 𝒍’𝒆𝒇𝒇𝒆𝒕 𝒅𝒆 𝒍𝒂 𝒔𝒖𝒑𝒆𝒓𝒇𝒊𝒄𝒊𝒆 𝒅𝒆𝒔 𝒍𝒐𝒈𝒆𝒎𝒆𝒏𝒕𝒔, 𝒂𝒊𝒏𝒔𝒊 𝒒𝒖𝒆 𝒍𝒆 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅𝒆 𝒑𝒊è𝒄𝒆𝒔, 𝒐𝒏

𝒄𝒐𝒏𝒔𝒕𝒂𝒕𝒆 𝒒𝒖𝒆 𝒍’𝒊𝒎𝒑𝒂𝒄𝒕 𝒅𝒆 𝒄𝒆𝒕𝒕𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒎𝒖𝒆𝒕𝒕𝒆 𝒊𝒏𝒕𝒓𝒐𝒅𝒖𝒊𝒕𝒆 𝒏’𝒆𝒔𝒕 𝒑𝒂𝒔 𝒏é𝒈𝒍𝒊𝒈𝒆𝒂𝒃𝒍𝒆 𝒆𝒕 𝒊𝒍 𝒆𝒔𝒕

𝒅𝒆 𝒍’𝒐𝒓𝒅𝒓𝒆 𝒅𝒆𝟖, 𝟓𝟕%. 𝑪𝒆 𝒒𝒖𝒊 𝒗𝒂 𝒔𝒚𝒔𝒕é𝒎𝒂𝒕𝒊𝒒𝒖𝒆𝒎𝒆𝒏𝒕 𝒓é𝒅𝒖𝒊𝒓𝒆 𝒍’𝒆𝒇𝒇𝒆𝒕 𝒅𝒆𝒔 𝒂𝒖𝒕𝒓𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔.

𝑶𝒏 𝒑𝒐𝒖𝒓𝒓𝒂 𝒂𝒖𝒔𝒔𝒊 𝒊𝒅𝒆𝒏𝒕𝒊𝒇𝒊𝒆𝒓 𝒄𝒆𝒕𝒕𝒆 𝒓é𝒅𝒖𝒄𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍’𝒆𝒇𝒇𝒆𝒕 𝒅𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝑿 𝒆𝒕 𝒁 𝒑𝒂𝒓 𝒖𝒏𝒆

𝒔𝒊𝒎𝒑𝒍𝒆 𝒓𝒆𝒎𝒂𝒓𝒒𝒖𝒆 𝒂𝒑𝒑𝒐𝒓𝒕é𝒆 à 𝒕𝒓𝒂𝒗𝒆𝒓𝒔 𝒍𝒆𝒔 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔 𝒅𝒖 𝒏𝒐𝒖𝒗𝒆𝒂𝒖 𝒎𝒐𝒅è𝒍𝒆 ∶

𝜷 𝟐 = 𝟏, 𝟑𝟔
⇒𝜷𝟑 < 𝜷𝟐
𝜷 𝟑 = 𝟏, 𝟏𝟔

𝜽 𝟐 = −𝟎, 𝟏𝟐
𝒆𝒕
𝜽 𝟑 = −𝟎, 𝟎𝟖 (𝒑𝒍𝒖𝒔 𝒑𝒓𝒐𝒄𝒉𝒆 𝒅𝒆 𝟎 𝒅𝒐𝒏𝒄 𝒅′ 𝒖𝒏𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒊𝒕é 𝒊𝒏𝒇é𝒓𝒊𝒆𝒖𝒓𝒆 à 𝒄𝒆𝒍𝒍𝒆 𝒅𝒖 𝒎𝒐𝒅è𝒍𝒆 𝟐

∎ 𝒀 é𝒕𝒂𝒏𝒕 𝒍𝒆 𝒍𝒐𝒈𝒂𝒓𝒊𝒕𝒉𝒎𝒆 𝒅𝒖 𝒑𝒓𝒊𝒙 𝒅𝒐𝒏𝒄 𝒖𝒏 𝒏𝒐𝒖𝒗𝒆𝒂𝒖 𝒍𝒐𝒈𝒆𝒎𝒆𝒏𝒕 𝒄𝒐û𝒕𝒆 ,

𝒆𝝀 × 𝟏𝟎𝟎 − 𝟏𝟎𝟎 % = 𝒆𝟎,𝟐𝟏 × 𝟏𝟎𝟎 − 𝟏𝟎𝟎 % = 𝟐𝟑, 𝟑𝟕% 𝒑𝒍𝒖𝒔 𝒄𝒉𝒆𝒓 𝒒𝒖’𝒖𝒏 𝒂𝒏𝒄𝒊𝒆𝒏 𝒍𝒐𝒈𝒆𝒎𝒆𝒏𝒕,

𝒕𝒐𝒖𝒕𝒆 𝒂𝒖𝒕𝒓𝒆 𝒄𝒉𝒐𝒔𝒆 é𝒈𝒂𝒍𝒆 𝒑𝒂𝒓 𝒂𝒊𝒍𝒍𝒆𝒖𝒓𝒔 𝒄. -à-𝒅. 𝒆𝒏 𝒇𝒊𝒙𝒂𝒏𝒕 𝒍𝒂 𝒔𝒖𝒑𝒆𝒓𝒇𝒊𝒄𝒊𝒆 𝒆𝒕 𝒍𝒆 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅𝒆 𝒑𝒊è𝒄𝒆𝒔.

ème
71 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
Institut de Financement du Développement du Maghreb Arabe
CONCOURS DE RECRUTEMENT DE LA XXVIIIème PROMOTION
JUILLET 2008

Exercice 2 : (12 points: 1 point par question)


ÉNONCÉ
On considère la relation entre le logarithme du prix unitaire de l’or 𝒏𝒐𝒕é 𝒚 et le logarithme du taux de
change euro-dollar 𝒏𝒐𝒕é 𝒙 observés dans le temps : 𝒚𝒕 = 𝜶 + 𝜷𝒙𝒕 + 𝜺𝒕 , 𝒕 = 𝟏, 𝟐, … , 𝟑𝟔𝟎.

Avec 𝜺𝒕 un terme d’erreur vérifiant toutes les hypothèses de la méthode des moindres carrés ordinaires
(MCO) ; 𝜶 𝒆𝒕 𝜷 des paramètres à estimer.

1) Rappeler les hypothèses classiques du terme d’erreur permettant les moindres carrés ordinaires.
2) Commenter la relation définie précédemment en précisant l’interprétation de 𝜷.
𝟑𝟔𝟎 𝟑𝟔𝟎 𝟑𝟔𝟎 𝟑𝟔𝟎 𝟑𝟔𝟎

𝑷𝒐𝒖𝒓 ∶ 𝒚𝟐𝒕 = 𝟏𝟒𝟖𝟎𝟎 , 𝒙𝟐𝒕 = 𝟔𝟎 , 𝒙𝒕 𝒚𝒕 = 𝟖𝟎𝟎 , 𝒚𝒕 = 𝟐𝟑𝟎𝟎 , 𝒙𝒕 = 𝟏𝟐𝟎


𝒕=𝟏 𝒕=𝟏 𝒕=𝟏 𝒕=𝟏 𝒕=𝟏

3) Calculer la variance de 𝒙 𝒆𝒕 𝒚 ainsi que la covariance entre 𝒙 𝒆𝒕 𝒚.


4) Calculer les valeurs des estimateurs obtenus par MCO des paramètres 𝜶 𝒆𝒕 𝜷, notés
respectivement𝜶 𝒆𝒕 𝜷. Commenter.

5)
i. Exprimer la variance expliquée par la régression en fonction de 𝜷 et de la covariance entre
𝒙 𝒆𝒕 𝒚
ii. En déduire l’équation d’analyse de la variance (connue aussi sous la relation d’équation de
la variance)
6) Tester la significativité de l’estimateur 𝜷 au seuil de 5%.

On admet qu’une loi de Student est comprise entre -2 et 2 avec une probabilité de 95%.

7) Pour 𝒙𝟑𝟔𝟏 = 𝟎, 𝟔 . Construire un intervalle de prévision pour 𝒚𝟑𝟔𝟏 au niveau de confiance 95%
8) En introduisant le logarithme du prix unitaire du pétrole 𝒏𝒐é 𝒛 , comme variable explicative
supplémentaire, le modèle devient 𝒚𝒕 = 𝜶 + 𝜷𝒙𝒕 + 𝜽𝒛𝒕 + 𝜺𝒕 , 𝒕 = 𝟏, 𝟐, … , 𝟑𝟔𝟎.

Avec 𝑽𝒂𝒓 𝒛 = 𝟎, 𝟎𝟓𝟒 , 𝑪𝒐𝒗 𝒚, 𝒛 = 𝟎, 𝟎𝟕𝟎 𝒆𝒕 𝑪𝒐𝒗 𝒙, 𝒛 = 𝟎, 𝟎𝟏𝟑

a) Estimer par MCO les paramètres𝜷 𝒆𝒕 𝜽, notés respectivement𝜷 𝒆𝒕 𝜽.


𝜷
b) Calculer l’estimateur de la matrice de variance-covariance du vecteur
𝜽
c) Tester la significativité de 𝜽 au seuil de 5%

ème
72 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
d) Commenter.

Corrigé
1)

𝓐– 𝟑 • 𝑳𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒆𝒕 𝒔𝒆𝒔 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 ∶

𝓫 • 𝑳𝒆𝒔 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 ∶

∎ 𝓗𝟏 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒚𝒔𝒕é𝒎𝒂𝒕𝒊𝒒𝒖𝒆 :

𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 𝒔𝒖𝒓 𝒀 𝒆𝒕 𝑿 ∶

𝑿 𝒆𝒕 𝒀 𝑺𝒐𝒏𝒕 𝒅𝒆𝒖𝒙 𝒈𝒓𝒂𝒏𝒅𝒆𝒖𝒓𝒔 𝒏𝒖𝒎é𝒓𝒊𝒒𝒖𝒆𝒔 𝒎𝒆𝒔𝒖𝒓é𝒆𝒔 𝒔𝒂𝒏𝒔 𝒆𝒓𝒓𝒆𝒖𝒓. 𝑿 𝑬𝒔𝒕 𝒖𝒏𝒆 𝒅𝒐𝒏𝒏é𝒆 𝒆𝒙𝒐𝒈è𝒏𝒆

𝒅𝒂𝒏𝒔 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆. 𝑬𝒍𝒍𝒆 𝒆𝒔𝒕 𝒔𝒖𝒑𝒑𝒐𝒔é𝒆 𝒏𝒐𝒏 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆 𝒐𝒖 𝒏𝒐𝒏 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 . 𝒀 𝑬𝒔𝒕 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆 𝒑𝒂𝒓

𝒍’𝒊𝒏𝒕𝒆𝒓𝒎é𝒅𝒊𝒂𝒊𝒓𝒆 𝓔 𝒄-à-𝒅. 𝒍𝒂 𝒔𝒆𝒖𝒍𝒆 𝒆𝒓𝒓𝒆𝒖𝒓 𝒒𝒖’𝒐𝒏 𝒂 𝒔𝒖𝒓 𝒀 𝒑𝒓𝒐𝒗𝒊𝒆𝒏𝒕 𝒅𝒆𝒔 𝒊𝒏𝒔𝒖𝒇𝒇𝒊𝒔𝒂𝒏𝒄𝒆𝒔 𝒅𝒆 𝑿 à

𝒆𝒙𝒑𝒍𝒊𝒒𝒖𝒆𝒓 𝒔𝒆𝒔 𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒅𝒂𝒏𝒔 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆.

∎ 𝓗𝟐 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 :

𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 𝒔𝒖𝒓 𝒍𝒆𝒔 𝒕𝒆𝒓𝒎𝒆𝒔 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆𝒔 𝜺𝒊 ∶

𝑳𝒆𝒔 𝜺𝒊 𝒔𝒐𝒏𝒕 𝒊. 𝒊. 𝒅 (𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒔 𝒆𝒕 𝒊𝒅𝒆𝒏𝒕𝒊𝒒𝒖𝒆𝒎𝒆𝒏𝒕 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖é𝒔).

∎ 𝓗𝟑 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 : 𝑬 𝜺𝒊 = 𝟎 ∀ 𝒊 = 𝟏, 𝟐, … , 𝒏

𝑬𝒏 𝒎𝒐𝒚𝒆𝒏𝒏𝒆 𝒍𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 𝒔’𝒂𝒏𝒏𝒖𝒍𝒆𝒏𝒕 𝒄-à-𝒅. 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒆𝒔𝒕 𝒃𝒊𝒆𝒏 𝒔𝒑é𝒄𝒊𝒇𝒊é.

∎ 𝓗𝟒 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 : 𝑽𝒂𝒓 𝜺𝒊 = 𝑬 𝜺𝟐𝒊 = 𝝇𝟐𝜺 ∀ 𝒊 = 𝟏, 𝟐, … , 𝒏

𝑳𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒆 𝒍’𝒆𝒓𝒓𝒆𝒖𝒓 𝒆𝒔𝒕 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 𝒆𝒕 𝒏𝒆 𝒅é𝒑𝒆𝒏𝒅 𝒑𝒂𝒔 𝒅𝒆 𝒍’𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏. 𝑪’𝒆𝒔𝒕 𝒍’𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆

𝒅’𝒉𝒐𝒎𝒐𝒔𝒄é𝒅𝒂𝒔𝒕𝒊𝒄𝒊𝒕é 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔.

𝑰𝒍 𝒔’𝒂𝒈𝒊𝒕 𝒅’𝒂𝒔𝒔𝒖𝒎𝒆𝒓 𝒒𝒖𝒆 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒔 𝒐𝒎𝒊𝒔𝒆𝒔 𝒅𝒂𝒏𝒔 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒊𝒏𝒇𝒍𝒖𝒆𝒏𝒕 𝒕𝒐𝒖𝒕𝒆𝒔

𝒑𝒓𝒂𝒕𝒊𝒒𝒖𝒆𝒎𝒆𝒏𝒕 𝒅𝒆 𝒇𝒂ç𝒐𝒏 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒆.

∎ 𝓗𝟓 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒅’𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒄𝒆 𝒆𝒏𝒕𝒓𝒆 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒚𝒔𝒕é𝒎𝒂𝒕𝒊𝒒𝒖𝒆 𝒆𝒕 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆 :

𝑳’𝒆𝒓𝒓𝒆𝒖𝒓 𝒆𝒔𝒕 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒙𝒐𝒈è𝒏𝒆 𝒄-à-𝒅. 𝑪𝒐𝒗 𝜺𝒊 , 𝒙𝒊 = 𝟎 ∀ 𝒊 = 𝟏, 𝟐, … , 𝒏

𝑪𝒆𝒕𝒕𝒆 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒆 𝒒𝒖𝒆 𝒍’𝒆𝒓𝒓𝒆𝒖𝒓 𝒆𝒕 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒔 𝒐𝒏𝒕 𝒖𝒏𝒆 𝒊𝒏𝒇𝒍𝒖𝒆𝒏𝒄𝒆

𝒔é𝒑𝒂𝒓é𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒏𝒅𝒐𝒈è𝒏𝒆

∎ 𝓗𝟔 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 :

𝑰𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒄𝒆 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 ∶


ème
73 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝑳𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 𝒓𝒆𝒍𝒂𝒕𝒊𝒗𝒆𝒔 à 𝟐 𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏𝒔 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒕𝒆𝒔𝒔𝒐𝒏𝒕 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒆𝒔 𝒄-à-𝒅.

𝑪𝒐𝒗 𝜺𝒊 , 𝜺𝒋 = 𝑬 𝜺𝒊 𝜺𝒋 = 𝟎 𝒑𝒐𝒖𝒓 𝒊 ≠ 𝒋 .

𝑶𝒏 𝒑𝒂𝒓𝒍𝒆 𝒅𝒆 𝒍′ 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒅𝒆 𝒍𝒂 𝒏𝒐𝒏 𝒂𝒖𝒕𝒐𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔

∎ 𝓗𝟕 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 : 𝜺𝒊 ↝ 𝓝 𝟎, 𝝇𝟐𝜺 .

𝑳’𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒅𝒆 𝒏𝒐𝒓𝒎𝒂𝒍𝒊𝒕é 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 𝒆𝒔𝒕 𝒖𝒏 é𝒍é𝒎𝒆𝒏𝒕 𝒄𝒍é 𝒑𝒐𝒖𝒓 𝒍’𝒊𝒏𝒇é𝒓𝒆𝒏𝒄𝒆 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆.

𝑬𝒍𝒍𝒆 𝒆𝒔𝒕 𝒅𝒐𝒏𝒄 𝒏é𝒄𝒆𝒔𝒔𝒂𝒊𝒓𝒆 𝒑𝒐𝒖𝒓 𝒎𝒆𝒏𝒆𝒓 𝒍𝒆𝒔 𝒕𝒆𝒔𝒕𝒔.

∎ 𝓗𝟖 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒚𝒔𝒕é𝒎𝒂𝒕𝒊𝒒𝒖𝒆 ∶

𝒙𝒊 𝒑𝒓𝒆𝒏𝒅 𝒂𝒖 𝒎𝒐𝒊𝒏𝒔 𝒅𝒆𝒖𝒙 𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒕𝒆𝒔

∎ 𝓗𝟗 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒖𝒓 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒚𝒔𝒕é𝒎𝒂𝒕𝒊𝒒𝒖𝒆 :

𝒏 > 𝟐 , 𝒄-à-𝒅. 𝒍𝒆 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅’𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏𝒔 𝒏 𝒅𝒐𝒊𝒕 ê𝒕𝒓𝒆 𝒔𝒖𝒑é𝒓𝒊𝒆𝒖𝒓 𝒂𝒖 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅𝒆𝒔 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔

à 𝒆𝒔𝒕𝒊𝒎𝒆𝒓.

2)

𝑰𝒍 𝒔’𝒂𝒈𝒊𝒕 𝒅’𝒖𝒏𝒆 𝒔𝒑é𝒄𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝑳𝒐𝒈 − 𝑳𝒐𝒈 ∶

𝒍𝒏 𝒑𝒓𝒊𝒙 𝒖𝒏𝒊𝒕𝒂𝒊𝒓𝒆 𝒅𝒆 𝒍’𝒐𝒓 = 𝜶 + 𝜷𝒍𝒏 𝒕𝒂𝒖𝒙 𝒅𝒆 𝒄𝒉𝒂𝒏𝒈𝒆 𝒆𝒖𝒓𝒐-𝒅𝒐𝒍𝒍𝒂𝒓 + 𝜺𝒕


𝑷𝑼𝑶 𝑻𝑪𝑬𝑫

𝑵𝒐𝒕𝒐𝒏𝒔 𝜼 𝒍’é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é 𝒅𝒖 𝒑𝒓𝒊𝒙 𝒖𝒏𝒊𝒕𝒂𝒊𝒓𝒆 𝒅𝒆 𝒍’𝒐𝒓 𝑷𝑼𝑶 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 𝒂𝒖𝒙 𝒕𝒂𝒖𝒙 𝒅𝒆 𝒄𝒉𝒂𝒏𝒈𝒆

𝒅 𝑷𝑼𝑶 𝑷𝑼𝑶
𝒆𝒖𝒓𝒐-𝒅𝒐𝒍𝒍𝒂𝒓 𝑻𝑪𝑬𝑫 ⇒ 𝜼 =
𝒅 𝑻𝑪𝑬𝑫 𝑻𝑪𝑬𝑫

𝒅 𝐥𝐧 𝑷𝑼𝑶 𝟏 𝒅𝑷𝑼𝑶
= 𝒅𝒚 = 𝒅 𝐥𝐧 𝑷𝑼𝑶 =
𝑶𝒓 𝒅𝑷𝑼𝑶 𝑷𝑼𝑶 ⇒ 𝑷𝑼𝑶
𝒅 𝐥𝐧 𝑻𝑪𝑬𝑫 𝟏 𝒅𝑻𝑪𝑬𝑫
= 𝒅𝒙 = 𝒅 𝐥𝐧 𝑻𝑪𝑬𝑫 =
𝒅𝑻𝑪𝑬𝑫 𝑻𝑪𝑬𝑫 𝑻𝑪𝑬𝑫
𝒅𝒚 𝒅 𝑷𝑼𝑶 𝑷𝑼𝑶
𝒆𝒕 𝒄𝒐𝒎𝒎𝒆 𝒐𝒏 𝒂 𝜷 = =
𝒅𝒙 𝒅 𝑻𝑪𝑬𝑫 𝑻𝑪𝑬𝑫

𝒅𝒐𝒏𝒄 𝜷 = 𝜼 , 𝒍’é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é 𝒅𝒖 𝒑𝒓𝒊𝒙 𝒖𝒏𝒊𝒕𝒂𝒊𝒓𝒆 𝒅𝒆 𝒍’𝒐𝒓 𝑷𝑼𝑶 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 𝒂𝒖𝒙 𝒕𝒂𝒖𝒙 𝒅𝒆 𝒄𝒉𝒂𝒏𝒈𝒆

𝒆𝒖𝒓𝒐-𝒅𝒐𝒍𝒍𝒂𝒓 𝑻𝑪𝑬𝑫

𝑨𝒊𝒏𝒔𝒊 𝒖𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒖 𝒕𝒂𝒖𝒙 𝒅𝒆 𝒄𝒉𝒂𝒏𝒈𝒆 𝒆𝒖𝒓𝒐-𝒅𝒐𝒍𝒍𝒂𝒓 𝒅𝒆 𝟏% 𝒆𝒏𝒕𝒓𝒂𝒊𝒏𝒆 𝒖𝒏𝒆

𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝜷% 𝒅𝒆𝒔 𝒑𝒓𝒊𝒙 𝒖𝒏𝒊𝒕𝒂𝒊𝒓𝒆 𝒅𝒆 𝒍’𝒐𝒓.

ème
74 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
3)

𝟑𝟔𝟎 𝟑𝟔𝟎 𝟐
𝟐
𝟏 𝟏 𝟔𝟎 𝟏𝟐𝟎
𝑽𝒂𝒓 𝒙 = 𝒙𝟐𝒕 − 𝒙𝒕 = − ⇒ 𝑽𝒂𝒓 𝒙 = 𝟎, 𝟎𝟓𝟔
𝟑𝟔𝟎 𝟑𝟔𝟎 𝟑𝟔𝟎 𝟑𝟔𝟎
𝒕=𝟏 𝒕=𝟏

𝟑𝟔𝟎 𝟐 𝟑𝟔𝟎 𝟑𝟔𝟎


𝟏 𝟏 𝟖𝟎𝟎 𝟏𝟐𝟎 × 𝟐𝟑𝟎𝟎
𝑪𝒐𝒗 𝒙, 𝒚 = 𝒙 𝒕 𝒚𝒕 − 𝒙𝒕 𝒚𝒕 = − ⇒ 𝑪𝒐𝒗 𝒙, 𝒚 = 𝟎, 𝟎𝟗𝟑
𝟑𝟔𝟎 𝟑𝟔𝟎 𝟑𝟔𝟎 𝟑𝟔𝟎𝟐
𝒕=𝟏 𝒕=𝟏 𝒕=𝟏

4)
𝟑𝟔𝟎
𝒕=𝟏 𝒙 𝒕 − 𝒙 𝒚𝒕 − 𝒚 𝑪𝒐𝒗 𝒙, 𝒚 𝟎, 𝟎𝟗𝟑
𝜷= 𝟑𝟔𝟎
= = ⇒ 𝜷 = 𝟏, 𝟔𝟕
𝒕=𝟏 𝒙𝒕 − 𝒙
𝟐 𝑽𝒂𝒓 𝒙 𝟎, 𝟎𝟓𝟔
𝟑𝟔𝟎 𝟑𝟔𝟎
𝟏 𝟐𝟑𝟎𝟎 − 𝟏, 𝟔𝟕 × 𝟏𝟐𝟎
𝜶 = 𝒚 − 𝜷𝒙 = × 𝒚𝒕 − 𝜷 𝒙𝒕 = ⇒ 𝜶 = 𝟓, 𝟖𝟑
𝟑𝟔𝟎 𝟑𝟔𝟎
𝒕=𝟏 𝒕=𝟏

𝑼𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒖 𝒕𝒂𝒖𝒙 𝒅𝒆 𝒄𝒉𝒂𝒏𝒈𝒆 𝒆𝒖𝒓𝒐-𝒅𝒐𝒍𝒍𝒂𝒓 𝒅𝒆 𝟏% 𝒆𝒏𝒕𝒓𝒂𝒊𝒏𝒆 𝒖𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒆

𝟏, 𝟔𝟕 % 𝒅𝒆𝒔 𝒑𝒓𝒊𝒙 𝒖𝒏𝒊𝒕𝒂𝒊𝒓𝒆 𝒅𝒆 𝒍’𝒐𝒓. 𝑨𝒖𝒕𝒓𝒆𝒎𝒆𝒏𝒕 𝒅𝒊𝒕 𝒍’é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é 𝒅𝒖 𝒑𝒓𝒊𝒙 𝒖𝒏𝒊𝒕𝒂𝒊𝒓𝒆 𝒅𝒆 𝒍’𝒐𝒓 𝒑𝒂𝒓

𝒓𝒂𝒑𝒑𝒐𝒓𝒕 𝒂𝒖𝒙 𝒕𝒂𝒖𝒙 𝒅𝒆 𝒄𝒉𝒂𝒏𝒈𝒆 𝒆𝒖𝒓𝒐-𝒅𝒐𝒍𝒍𝒂𝒓 𝒆𝒔𝒕 𝒅𝒆 𝒍’𝒐𝒓𝒅𝒓𝒆 𝒅𝒆 𝟏, 𝟔𝟕

5)
i.
𝟑𝟔𝟎
𝟐
𝑺𝑪𝑬 = 𝒚𝒕 − 𝒚
𝒕=𝟏

𝟑𝟔𝟎
𝟐
= 𝒚𝒕 − 𝒚
𝒕=𝟏

𝟑𝟔𝟎
𝟐 𝟐
=𝜷 𝒙𝒕 − 𝒙
𝒕=𝟏

𝟑𝟔𝟎
𝟐
= 𝜷×𝜷 𝒙𝒕 − 𝒙
𝒕=𝟏

𝟑𝟔𝟎 𝟑𝟔𝟎
𝒕=𝟏 𝒙 𝒕 − 𝒙 𝒚𝒕 − 𝒚 𝟐
= 𝜷× 𝟑𝟔𝟎 𝟐
𝒙𝒕 − 𝒙
𝒕=𝟏 𝒙𝒕 − 𝒙 𝒕=𝟏

𝟑𝟔𝟎

=𝜷 𝒙 𝒕 − 𝒙 𝒚𝒕 − 𝒚
𝒕=𝟏

𝑺𝑪𝑬 = 𝟑𝟔𝟎𝜷𝑪𝒐𝒗 𝒙, 𝒚

ème
75 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝑺𝑪𝑬 = 𝟓𝟓, 𝟗𝟏𝟐

ii.

𝑶𝒏 𝒂 𝜺𝒕 = 𝒚𝒕 − 𝒚𝒕 = 𝒚𝒕 − 𝜶 − 𝜷𝒙𝒕 = 𝒚𝒕 − 𝒚 − 𝜷𝒙 − 𝜷𝒙𝒕 = 𝒚𝒕 − 𝒚 − 𝜷 𝒙𝒕 − 𝒙

𝑷𝒂𝒓 𝒍𝒂 𝒔𝒖𝒊𝒕𝒆 ∶
𝟑𝟔𝟎

𝑺𝑪𝑹 = 𝜺𝟐𝒕
𝒕=𝟏

𝟑𝟔𝟎
𝟐
= 𝒚𝒕 − 𝒚 − 𝜷 𝒙 𝒕 − 𝒙
𝒕=𝟏

𝟑𝟔𝟎 𝟑𝟔𝟎 𝟑𝟔𝟎


𝟐
= 𝒚𝒕 − 𝒚 − 𝟐𝜷 𝒙 𝒕 − 𝒙 𝒚𝒕 − 𝒚 + 𝜷𝟐 𝒙𝒕 − 𝒙 𝟐

𝒕=𝟏 𝒕=𝟏 𝒕=𝟏


𝜷𝟐 𝟑𝟔𝟎
𝒕=𝟏 𝒙𝒕 −𝒙
𝟐

𝟑𝟔𝟎 𝟑𝟔𝟎 𝟑𝟔𝟎


𝟐
= 𝒚𝒕 − 𝒚 − 𝟐𝜷𝟐 𝒙𝒕 − 𝒙 𝟐 + 𝜷𝟐 𝒙𝒕 − 𝒙 𝟐

𝒕=𝟏 𝒕=𝟏 𝒕=𝟏

𝟑𝟔𝟎 𝟑𝟔𝟎
𝟐
= 𝒚𝒕 − 𝒚 − 𝜷𝟐 𝒙𝒕 − 𝒙 𝟐

𝒕=𝟏 𝒕=𝟏
𝟑𝟔𝟎 𝟐
𝒕=𝟏 𝒚𝒕 −𝒚

𝟑𝟔𝟎 𝟑𝟔𝟎
𝟐 𝟐
𝑺𝑪𝑹 = 𝒚𝒕 − 𝒚 − 𝒚𝒕 − 𝒚
𝒕=𝟏 𝒕=𝟏
𝑺𝑪𝑻 𝑺𝑪𝑬

𝑫’𝒐ù 𝒍’é𝒒𝒖𝒂𝒕𝒊𝒐𝒏 𝒅’𝒂𝒏𝒂𝒍𝒚𝒔𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 ∶


𝟑𝟔𝟎 𝟑𝟔𝟎 𝟑𝟔𝟎
𝟐 𝟐
𝒚𝒕 − 𝒚 = 𝒚𝒕 − 𝒚 + 𝜺𝟐𝒕 𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 𝑺𝑪𝑻 = 𝑺𝑪𝑬 + 𝑺𝑪𝑹
𝒕=𝟏 𝒕=𝟏 𝒕=𝟏
𝑺𝑪𝑻 𝑺𝑪𝑬 𝑺𝑪𝑹

𝟑𝟔𝟎 𝟑𝟔𝟎 𝟑𝟔𝟎 𝟐 𝟑𝟔𝟎 𝟑𝟔𝟎 𝟐


𝟐
𝟏 𝟏 𝟐𝟑𝟎𝟎𝟐
𝑺𝑪𝑻 = 𝒚𝒕 − 𝒚 = 𝒚𝟐𝒕 − 𝟑𝟔𝟎 𝒚𝒕 = 𝒚𝟐𝒕 − 𝒚𝒕 = 𝟏𝟒𝟖𝟎𝟎 −
𝟑𝟔𝟎 𝟑𝟔𝟎 𝟑𝟔𝟎
𝒕=𝟏 𝒕=𝟏 𝒕=𝟏 𝒕=𝟏 𝒕=𝟏

𝑺𝑪𝑻 = 𝟏𝟎𝟓, 𝟓𝟓𝟔

𝑺𝑪𝑹 = 𝑺𝑪𝑻 + 𝑺𝑪𝑬 ⇒ 𝑺𝑪𝑹 = 𝟒𝟗, 𝟔𝟒𝟒

ème
76 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
6)

𝑪𝒂𝒍𝒄𝒖𝒍𝒐𝒏𝒔 𝒅’𝒂𝒃𝒐𝒓𝒅 𝝇𝟐 𝒆𝒕 𝝇𝟐𝜷 ∶

𝑺𝑪𝑹 𝟒𝟗, 𝟔𝟒𝟒


𝝇𝟐 = = ⇒ 𝝇𝟐 = 𝟎, 𝟏𝟑𝟗 ⇒ 𝝇 = 𝟎, 𝟑𝟕𝟐
𝟑𝟔𝟎 − 𝟐 𝟑𝟓𝟖
𝟑𝟔𝟎
𝟐
𝒆𝒕 𝝇𝜷 = 𝝇 𝟐
𝒙𝒕 − 𝒙 𝟐 = 𝟎, 𝟏𝟑𝟗 𝟐𝟎 ⇒ 𝝇𝟐𝜷 = 𝟎, 𝟎𝟎𝟕 ⇒ 𝝇𝜷 = 𝟎, 𝟎𝟖𝟑
𝒕=𝟏

𝑶𝒏 𝒔𝒆 𝒑𝒓𝒐𝒑𝒐𝒔𝒆 𝒎𝒂𝒊𝒏𝒕𝒆𝒏𝒂𝒏𝒕 𝒅𝒆 𝒕𝒆𝒔𝒕𝒆𝒓 ∶

𝑯𝟎 : 𝜷 = 𝟎 𝒄𝒐𝒏𝒕𝒓𝒆 𝑯𝟏 : 𝜷 ≠ 𝟎 , 𝒔𝒐𝒖𝒔 𝒖𝒏 𝒏𝒊𝒗𝒆𝒂𝒖 𝒅𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝜶 = 𝟓%

𝜷−𝜷
𝑻= ↝ 𝓣 𝟑𝟔𝟎 − 𝟐 , 𝒍𝒂 𝒍𝒐𝒊 𝒅𝒆 𝑺𝒕𝒖𝒅𝒆𝒏𝒕 𝒅𝒆 𝒅. 𝒅. 𝒍 𝟑𝟓𝟖
𝝇𝜷

𝑹è𝒈𝒍𝒆 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏 ∶ 𝒐𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝑯𝟎 𝒂𝒗𝒆𝒄 𝒖𝒏 𝒓𝒊𝒔𝒒𝒖𝒆 𝒅𝒆 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆 𝒆𝒔𝒑è𝒄𝒆 𝜶, 𝒔𝒊 𝑻𝟎 ≥ 𝒕𝟏−𝜶 𝟑𝟓𝟖


𝟐

𝜷−𝟎 𝟏, 𝟔𝟕
𝑻𝟎 = = = 𝟐𝟎, 𝟏𝟐
𝒐𝒓 𝝇𝜷 𝟎, 𝟎𝟖𝟑 ⇒ 𝑻𝟎 ≥ 𝒕𝟏−𝜶 𝟑𝟓𝟖
𝟐
𝒕𝟏−𝜶 𝒏 ∈ −𝟐, 𝟐
𝟐

𝑫’𝒐ù 𝜷 𝒆𝒔𝒕 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒎𝒆𝒏𝒕 𝒏𝒐𝒏 𝒏𝒖𝒍 𝒂𝒖 𝒓𝒊𝒔𝒒𝒖𝒆 𝒅𝒆 𝟓%

7)

𝓐– 𝟏𝟏 • 𝑷𝒓é𝒗𝒊𝒔𝒊𝒐𝒏 𝒅𝒂𝒏𝒔 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒅𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒔𝒊𝒎𝒑𝒍𝒆 ∶

𝑬𝒏 𝒄𝒉𝒆𝒓𝒄𝒉𝒂𝒏𝒕 à 𝒕𝒓𝒐𝒖𝒗𝒆𝒓 𝒖𝒏 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆 𝒅𝒆 𝒄𝒐𝒏𝒇𝒊𝒂𝒏𝒄𝒆 𝒔𝒖𝒓 𝒖𝒏𝒆 𝒗𝒂𝒍𝒆𝒖𝒓 𝒇𝒖𝒕𝒖𝒓𝒆 𝒚𝜽 𝒑𝒐𝒖𝒓 𝜽 > 𝑛

𝒐ù 𝒏 𝒆𝒔𝒕 𝒍𝒂 𝒑é𝒓𝒊𝒐𝒅𝒆 𝒑𝒐𝒖𝒓 𝒍𝒂𝒒𝒖𝒆𝒍𝒍𝒆 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝑴 : 𝒚𝒊 = 𝜷𝟏 + 𝜷𝟐 𝒙𝒊 + 𝜺𝒊 ; 𝒊 = 𝟏, 𝟐, … , 𝒏 𝒆𝒔𝒕

𝒗é𝒓𝒊𝒇𝒊é.

𝑶𝒏 𝒑𝒂𝒓𝒍𝒆𝒓𝒂𝒊𝒕 𝒂𝒍𝒐𝒓𝒔 𝒅’𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆 𝒅𝒆 𝒑𝒓é𝒗𝒊𝒔𝒊𝒐𝒏.

𝑺𝒐𝒖𝒔 𝒍’𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒒𝒖𝒆 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒓𝒆𝒔𝒕𝒆 𝒊𝒏𝒄𝒉𝒂𝒏𝒈é, 𝒏𝒐𝒖𝒔 𝒂𝒖𝒓𝒐𝒏𝒔 ∶

𝒚𝜽 = 𝜷𝟏 + 𝜷𝟐 𝒙𝜽 + 𝜺𝜽 = 𝜷𝟏 + 𝜷𝟐 𝒙𝜽 + 𝜺𝜽 𝒆𝒕 𝒚𝜽 = 𝜷𝟏 + 𝜷𝟐 𝒙𝜽 𝒔𝒆𝒓𝒂 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔.

𝑬 𝒚𝜽 − 𝒚𝜽 = 𝟎 ⇒ 𝒚𝜽 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝒚𝜽
𝟐 𝟐
𝟏 𝒙𝜽 − 𝒙 𝟐 𝟏 𝒙𝜽 − 𝒙
𝑽 𝒚𝜽 − 𝒚𝜽 = 𝝇𝟐𝜺 𝟏 + + 𝒏 𝟐
⇒ 𝑽 𝒚 𝜽 − 𝒚 𝜽 = 𝝇𝜺 𝟏 + + 𝒏 𝟐
𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙 𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙

𝒚𝜽 − 𝒚𝜽
𝑳𝒂 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏 𝒔𝒆𝒓𝒂 ∶ 𝟐
↝ 𝓣 𝒏−𝟐
𝟐 𝟏 𝒙𝜽 − 𝒙
𝝇𝜺 𝟏+ + 𝒏 𝟐
𝒏 𝒊=𝟏 𝒙𝒊 − 𝒙

ème
77 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝟏 𝑿𝜽 − 𝑿 𝟐
𝑫’𝒐ù 𝒍’𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆 𝒅𝒆 𝒑𝒓é𝒗𝒊𝒔𝒊𝒐𝒏 ∶ 𝑰𝑷𝟏−𝜶 𝒀𝜽 = 𝒀𝜽 ± 𝒕𝟏−𝜶 𝒏 − 𝟐 𝝇𝜺 𝟏 + + 𝒏
𝟐 𝒏 𝒊=𝟏 𝑿𝒊 − 𝑿
𝟐

𝑺𝒐𝒖𝒔 𝒍’𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒒𝒖𝒆 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒓𝒆𝒔𝒕𝒆 𝒊𝒏𝒄𝒉𝒂𝒏𝒈é, 𝒏𝒐𝒖𝒔 𝒂𝒖𝒓𝒐𝒏𝒔 ∶ 𝒚𝟑𝟔𝟏 = 𝜶 + 𝜷𝒙𝟑𝟔𝟏 + 𝜺𝟑𝟔𝟏

𝒆𝒕 𝒚𝟑𝟔𝟏 = 𝜶 + 𝜷𝒙𝟑𝟔𝟏 𝑺𝒆𝒓𝒂 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝒚𝟑𝟔𝟏

𝒚𝟑𝟔𝟏 = 𝟓, 𝟖𝟑 + 𝟏, 𝟔𝟕 × 𝟎, 𝟔 ⇒ 𝒚𝟑𝟔𝟏 = 𝟔, 𝟖𝟑𝟐

𝟏 𝒙𝟑𝟔𝟏 − 𝒙 𝟐
𝑳’𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆 𝒅𝒆 𝒑𝒓é𝒗𝒊𝒔𝒊𝒐𝒏 : 𝑰𝑪𝟗𝟓% 𝒚𝟑𝟔𝟏 = 𝒚𝟑𝟔𝟏 ± 𝒕𝟎,𝟗𝟕𝟓 𝟑𝟓𝟖 𝝇 𝟏 + + 𝟑𝟔𝟎
𝒏 𝒕=𝟏 𝒙𝒕 − 𝒙
𝟐

𝟑𝟔𝟎
−𝟏 𝟐
𝑨𝒗𝒆𝒄 : 𝒕𝟎,𝟗𝟕𝟓 𝟑𝟓𝟖 = 𝚽 𝟎, 𝟗𝟕𝟓 = 𝟏, 𝟗𝟔 , 𝝇 = 𝟎, 𝟑𝟕𝟐, 𝑿 = 𝟎, 𝟑𝟑𝟑 𝒆𝒕 𝒙𝒕 − 𝒙 = 𝟐𝟎
𝒕=𝟏

𝟏 𝟎, 𝟔 − 𝟎, 𝟑𝟑𝟑 𝟐
𝑰𝑪𝟗𝟓% 𝒚𝟑𝟔𝟏 = 𝟔, 𝟖𝟑𝟐 ± 𝟏, 𝟗𝟔 × 𝟎, 𝟑𝟕𝟐 𝟏 + +
𝟑𝟔𝟎 𝟐𝟎

𝑰𝑪𝟗𝟓% 𝒚𝟑𝟔𝟏 = 𝟔, 𝟖𝟑𝟐 ± 𝟎, 𝟕𝟑𝟏 = 𝟔, 𝟏𝟎𝟏 ; 𝟕, 𝟕𝟔𝟑

8)

𝒚𝒕 = 𝜶 + 𝜷𝒙𝒕 + 𝜽𝒛𝒕 + 𝜺𝒕 , 𝒕 = 𝟏, 𝟐, … , 𝟑𝟔𝟎

𝒙𝟏 − 𝒙 𝒛𝟏 − 𝒛 𝒚𝟏 − 𝒚 𝜺𝟏 − 𝜺
𝜷
𝑵𝒐𝒕𝒐𝒏𝒔 𝜷 = , 𝑿𝒄 = ⋮ ⋮ , 𝒀𝒄 = ⋮ 𝒆𝒕 𝓔𝒄 = ⋮
𝜽 𝒙𝟑𝟔𝟎 − 𝒙 𝒛𝟑𝟔𝟎 − 𝒛 𝒚𝟑𝟔𝟎 − 𝒚 𝜺𝟑𝟔𝟎 − 𝜺

𝒅𝒐𝒏𝒄 𝒍′ 𝒆𝒄𝒓𝒊𝒕𝒖𝒓𝒆 𝒎𝒂𝒕𝒓𝒊𝒄𝒊𝒆𝒍𝒍𝒆 𝒅𝒆𝒔 𝒅𝒐𝒏𝒏é𝒆𝒔 𝒄𝒆𝒏𝒕𝒓é𝒆𝒔 𝒔𝒆𝒓𝒂 ∶ 𝑴𝒄 ∶ 𝒀𝒄 = 𝑿𝒄 𝜷 + 𝓔

a)
−𝟏
𝜷 𝑿′𝒄 𝑿𝒄 𝑿′𝒄 𝒀𝒄
𝜷 = = 𝑿′𝒄 𝑿𝒄 −𝟏
𝑿′𝒄 𝒀𝒄 = 𝒆𝒕 𝜶 = 𝒚 − 𝜷𝒙 + 𝜽𝒛
𝜽 𝒏 𝒏

𝑽𝒂𝒓 𝒙 𝑪𝒐𝒗 𝒙, 𝒛 𝟐𝟎 𝟒, 𝟔𝟖
𝑿′𝒄 𝑿𝒄 = 𝟑𝟔𝟎 =
𝑪𝒐𝒗 𝒙, 𝒛 𝑽𝒂𝒓 𝒛 𝟒, 𝟔𝟖 𝟏𝟗, 𝟒𝟒

𝟐𝟎 𝟒, 𝟔𝟖 𝟏𝟗, 𝟒𝟒 −𝟒, 𝟔𝟖
𝑪𝒐𝒎 𝑿′𝒄 𝑿𝒄 = 𝑪𝒐𝒎 =
𝟒, 𝟔𝟖 𝟏𝟗, 𝟒𝟒 −𝟒, 𝟔𝟖 𝟐𝟎
𝟏𝟗, 𝟒𝟒 −𝟒, 𝟔𝟖
⇒ 𝑪𝒐𝒎 𝑿′𝒄 𝑿𝒄 ′
= 𝑪𝒐𝒎 𝑿′𝒄 𝑿𝒄 =
−𝟒, 𝟔𝟖 𝟐𝟎
𝟐𝟎 𝟒, 𝟔𝟖
𝒆𝒕 𝒅𝒆𝒕 𝑿′𝒄 𝑿𝒄 = = 𝟐𝟎 × 𝟏𝟗, 𝟒𝟒 − 𝟒, 𝟔𝟖𝟐 = 𝟑𝟔𝟔, 𝟗
𝟒, 𝟔𝟖 𝟏𝟗, 𝟒𝟒

ème
78 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
′ ′
𝑪𝒐𝒎 𝑿𝒄 𝑿𝒄 𝟏 𝟏𝟗, 𝟒𝟒 −𝟒, 𝟔𝟖
𝑿′𝒄 𝑿𝒄 −𝟏 = =

𝒅𝒆𝒕 𝑿𝒄 𝑿𝒄 𝟑𝟔𝟔, 𝟗 −𝟒, 𝟔𝟖 𝟐𝟎

𝑪𝒐𝒗 𝒚, 𝒙 𝟑𝟑, 𝟑𝟑
𝑿′𝒄 𝒀𝒄 = 𝟑𝟔𝟎 =
𝑪𝒐𝒗 𝒚, 𝒛 𝟐𝟓, 𝟐

𝜷
𝜷 = = 𝑿′𝒄 𝑿𝒄 −𝟏
𝑿′𝒄 𝒀𝒄
𝜽
𝟏 𝟏𝟗, 𝟒𝟒 −𝟒, 𝟔𝟖 𝟑𝟑, 𝟑𝟑
=
𝟑𝟔𝟔, 𝟗 −𝟒, 𝟔𝟖 𝟐𝟎 𝟐𝟓, 𝟐

𝜷 𝟏, 𝟒𝟒
=
𝜽 𝟎, 𝟗𝟓

b)
𝟑𝟔𝟎

𝑺𝑪𝑻 = 𝒚𝒕 − 𝒚 = 𝒀′𝒄 𝒀𝒄 ⇒ 𝑺𝑪𝑻 = 𝟏𝟎𝟓, 𝟓𝟓𝟔


𝒕=𝟏

𝟑𝟔𝟎 𝟑𝟔𝟎
𝟐 𝟐
𝑺𝑪𝑬 = 𝒚𝒕 − 𝒚 = 𝒚𝒕 − 𝒚 = 𝒀′𝒄 𝒀𝒄 = 𝜷′ 𝑿′𝒄 𝒀𝒄 = 𝜷′ 𝑿′𝒄 𝑿𝒄 𝜷
𝒕=𝟏 𝒕=𝟏

𝟐𝟎 𝟒, 𝟔𝟖 𝟏, 𝟒𝟒
= 𝟏, 𝟒𝟒 𝟎, 𝟗𝟓
𝟒, 𝟔𝟖 𝟏𝟗, 𝟒𝟒 𝟎, 𝟗𝟓
𝟏, 𝟒𝟒
= 𝟑𝟐, 𝟐𝟒𝟔 𝟐𝟓, 𝟐𝟏 ⇒ 𝑺𝑪𝑬 = 𝟕𝟎, 𝟑𝟖
𝟎, 𝟗𝟓
𝑺𝑪𝑹
𝑺𝑪𝑹 = 𝑺𝑪𝑻 − 𝑺𝑪𝑬 ⇒ 𝑺𝑪𝑹 = 𝟑𝟓, 𝟏𝟕𝟔 ⇒ 𝝇𝟐 = ⇒ 𝝇𝟐 = 𝟎, 𝟏𝟗𝟕 ⇒ 𝝇 = 𝟎, 𝟒𝟒𝟒
𝟑𝟔𝟎 − 𝟑
𝟎, 𝟏𝟗𝟕 𝟏𝟗, 𝟒𝟒 −𝟒, 𝟔𝟖 𝟎, 𝟎𝟏𝟎 −𝟎, 𝟎𝟎𝟐𝟓
𝝇𝟐𝜷 = 𝝇𝟐 𝑿′𝒄 𝑿𝒄 −𝟏
= ⇒ 𝝇𝟐𝜷 =
𝟑𝟔𝟔, 𝟗 −𝟒, 𝟔𝟖 𝟐𝟎 −𝟎, 𝟎𝟎𝟐𝟓 𝟎, 𝟎𝟏𝟎𝟕

𝝇𝟐𝜷 = 𝟎, 𝟎𝟏𝟎 ⇒ 𝝇𝜷 = 𝟎, 𝟏
𝝇𝟐𝜷 𝑪𝒐𝒗 𝜷, 𝜽
𝒐𝒓 𝝇𝟐𝜷 = ⇒ 𝝇𝟐𝜽 = 𝟎, 𝟎𝟏𝟎𝟕 ⇒ 𝝇𝜽 = 𝟎, 𝟏𝟎𝟑
𝑪𝒐𝒗 𝜷, 𝜽 𝝇𝟐𝜽
𝑪𝒐𝒗 𝜷, 𝜽 = −𝟎, 𝟎𝟎𝟐𝟓

c)

𝑶𝒏 𝒔𝒆 𝒑𝒓𝒐𝒑𝒐𝒔𝒆 𝒎𝒂𝒊𝒏𝒕𝒆𝒏𝒂𝒏𝒕 𝒅𝒆 𝒕𝒆𝒔𝒕𝒆𝒓 ∶

𝑯𝟎 : 𝜽 = 𝟎 𝒄𝒐𝒏𝒕𝒓𝒆 𝑯𝟏 : 𝜽 ≠ 𝟎 , 𝒔𝒐𝒖𝒔 𝒖𝒏 𝒏𝒊𝒗𝒆𝒂𝒖 𝒅𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝜶 = 𝟓%

𝜽−𝜽
𝑻= ↝ 𝓣 𝟑𝟔𝟎 − 𝟑 , 𝒍𝒂 𝒍𝒐𝒊 𝒅𝒆 𝑺𝒕𝒖𝒅𝒆𝒏𝒕 𝒅𝒆 𝒅. 𝒅. 𝒍 𝟑𝟓𝟕
𝝇𝜽

ème
79 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝑹è𝒈𝒍𝒆 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏 ∶ 𝒐𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝑯𝟎 𝒂𝒗𝒆𝒄 𝒖𝒏 𝒓𝒊𝒔𝒒𝒖𝒆 𝒅𝒆 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆 𝒆𝒔𝒑è𝒄𝒆 𝜶, 𝒔𝒊 𝑻𝟎 ≥ 𝒕𝟏−𝜶 𝟑𝟓𝟕
𝟐

𝜽 𝟎, 𝟗𝟓
𝑻𝟎 = = = 𝟗, 𝟐𝟐
𝒐𝒓 𝝇𝜽 𝟎, 𝟏𝟎𝟑 ⇒ 𝑻𝟎 ≥ 𝒕𝟎,𝟗𝟕𝟓 𝟑𝟓𝟕
𝒕𝟏−𝜶 𝒏 ∈ −𝟐, 𝟐
𝟐

𝑫’𝒐ù 𝜽 𝒆𝒔𝒕 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒎𝒆𝒏𝒕 𝒏𝒐𝒏 𝒏𝒖𝒍 𝒂𝒖 𝒓𝒊𝒔𝒒𝒖𝒆 𝒅𝒆 𝟓%

d)

𝑳’é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é 𝒅𝒖 𝒑𝒓𝒊𝒙 𝒖𝒏𝒊𝒕𝒂𝒊𝒓𝒆 𝒅𝒆 𝒍’𝒐𝒓 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 𝒂𝒖𝒙 𝒑𝒓𝒊𝒙 𝒖𝒏𝒊𝒕𝒂𝒊𝒓𝒆 𝒅𝒖 𝒑é𝒕𝒓𝒐𝒍𝒆 𝒆𝒔𝒕

𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒎𝒆𝒏𝒕 𝒏𝒐𝒏 𝒏𝒖𝒍𝒍𝒆.

𝑳’𝒊𝒏𝒇𝒍𝒖𝒆𝒏𝒄𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒑𝒓𝒊𝒙 𝒖𝒏𝒊𝒕𝒂𝒊𝒓𝒆 𝒅𝒖 𝒑é𝒕𝒓𝒐𝒍𝒆 𝒔𝒖𝒓 𝒑𝒓𝒊𝒙 𝒖𝒏𝒊𝒕𝒂𝒊𝒓𝒆 𝒅𝒖 𝒑é𝒕𝒓𝒐𝒍𝒆 𝒏’𝒆𝒔𝒕 𝒑𝒂𝒔

𝒏𝒖𝒍𝒍𝒆 𝒆𝒕 𝒊𝒍 𝒆𝒔𝒕 𝒅𝒆 𝒍’𝒐𝒓𝒅𝒓𝒆 𝒅𝒆 𝟎, 𝟗𝟓%.

Institut de Financement du Développement du Maghreb Arabe


CONCOURS DE RECRUTEMENT D'UNE PROMOTION SPÉCIALE
POUR LE COMPTE DU Ministère des Finances Tunisien
Mai 2015

Exercice 3 : (12 points: 2 point par question)


ÉNONCÉ
Sur une période de 31 années, on dispose des variables macroéconomiques suivantes
𝒀 = 𝒍𝒏 𝑰𝒎𝒑ô𝒕𝒔 𝒊𝒏𝒅𝒊𝒓𝒆𝒄𝒕𝒔 , 𝑿 = 𝒍𝒏 𝑷𝑰𝑩 𝒉𝒐𝒓𝒔 𝒂𝒈𝒓𝒊𝒄𝒖𝒍𝒕𝒖𝒓𝒆

𝒆𝒕 𝒁 = 𝒍𝒏 𝑰𝒎𝒑𝒐𝒓𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝒃𝒊𝒆𝒏𝒔 𝒅𝒆 𝒄𝒐𝒏𝒔𝒐𝒎𝒎𝒂𝒕𝒊𝒐𝒏 𝒇𝒊𝒏𝒂𝒍𝒆 .

On considère le modèle économétrique ci-dessous :

𝒀𝒕 = 𝜶 + 𝜷𝟏 𝑿𝒕 + 𝜷𝟐 𝒁𝒕 + 𝝃𝒕 , 𝒕 = 𝟏, 𝟐, … , 𝟑𝟏

Le terme d’erreur 𝝃𝒕 vérifie les hypothèses de la méthode des moindres carrés ordinaire (MCO)

1)
a) Rappeler les hypothèses de la méthode des moindres carrés ordinaire
b) Quelles sont les interprétations économiques des paramètres
𝜷
2) Donner l’expression de l’estimateur de 𝜷 = 𝟏 par la méthode des moindres carrés ordinaires,
𝜷𝟐
noté 𝜷. Calculer sa matrice de variance.
3) Calculer la valeur de l’estimateur 𝜷 sachant que :

ème
80 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝟑𝟏 𝟑𝟏 𝟑𝟏 𝟑𝟏
𝟐 𝟐 𝟐
𝑿𝒕 − 𝑿 = 𝟐𝟒 , 𝒁𝒕 − 𝒁 = 𝟐𝟗 , 𝑿𝒕 − 𝑿 𝒁𝒕 − 𝒁 = 𝟐𝟐 , 𝒀𝒕 − 𝒀 = 𝟐𝟎,
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝟑𝟏 𝟑𝟏

𝑿𝒕 − 𝑿 𝒀𝒕 − 𝒀 = 𝟏𝟖 𝒆𝒕 𝒁𝒕 − 𝒁 𝒀𝒕 − 𝒀 = 𝟐𝟐
𝒊=𝟏 𝒊=𝟏

Commenter.

4) Dresser le tableau d’analyse de la variance. En déduire la valeur du coefficient de détermination


linéaire 𝑹𝟐 et une estimation sans biais de la variance des termes d’erreur.
5) Sous l’hypothèse de la normalité des termes d’erreur, tester au seuil de 5% l’hypothèse
𝑯𝟎 : 𝜷𝟏 + 𝜷𝟐 = 𝟏.
6) On considère à présent un modèle autorégressif et à retard échelonné, définit comme suit :

𝒀𝒕 = 𝜶 + 𝜷𝟏 𝑿𝒕 + 𝜷𝟐 𝒁𝒕 + 𝝀𝒀𝒕−𝟏 + 𝜽𝑿𝒕−𝟏 + 𝝃𝒕 , 𝒕 = 𝟏, 𝟐, … , 𝟑𝟏

Avec 𝟎 < 𝜆 < 1

a) Donner les expressions de l’effet à long terme d’une variation de 1% du PIB hors
agriculture et des importations des biens de consommation sur les impôts indirects en
fonction des paramètres 𝑬𝟏 𝒆𝒕 𝑬𝟐 .
b) Calculer les estimations de ces effets sachant que la méthode MCO a fournie les résultats
suivants :
𝜷𝟏 = 𝟎, 𝟗 , 𝜷𝟐 = 𝟎, 𝟏𝟓 , 𝝀 = 𝟎, 𝟔𝟓 𝒆𝒕 𝜽 = −𝟎, 𝟕𝟓
c) Commenter.

Corrigé
1)
a)

𝑺𝒐𝒊𝒕 𝒍’é𝒄𝒓𝒊𝒕𝒖𝒓𝒆 𝒎𝒂𝒕𝒓𝒊𝒄𝒊𝒆𝒍𝒍𝒆 𝒅𝒖 𝒎𝒐𝒅è𝒍𝒆 ∶

𝟏 𝑿𝟏 𝒁𝟏 𝜶
𝒀𝟏 𝜺𝟏
𝟏 𝑿𝟐 𝒁𝟐
𝒀 = 𝑿𝜷 + 𝓔 𝒐ù 𝒀 = ⋮ , 𝑿 = , 𝜷 = 𝜷𝟏 𝒆𝒕 𝓔 = ⋮ 𝒂𝒗𝒆𝒄 𝑻 = 𝟑𝟏
⋮ ⋮ ⋮ 𝜺𝑻
𝒀𝑻 𝜷𝟐
𝟏 𝑿𝑻 𝒁𝑻

𝓑– 𝟏 • 𝑭𝒐𝒓𝒎𝒖𝒍𝒂𝒕𝒊𝒐𝒏 𝒆𝒕 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 𝒅𝒆 𝒃𝒂𝒔𝒆 ∶

𝓫 • 𝑳𝒆𝒔 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 ∶

∎ 𝓗𝟏 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒍𝒍𝒆 : 𝒀 = 𝑿𝜷 + 𝓔 ∶

𝑳𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒆𝒔𝒕 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒐𝒖 𝒍𝒊𝒏é𝒂𝒓𝒊𝒔𝒂𝒃𝒍𝒆 𝒆𝒏 𝑿 𝒐𝒖 𝒔𝒖𝒓 𝒔𝒆𝒔 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔

∎ 𝓗𝟐 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒍𝒍𝒆 :

ème
81 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝑿 𝒆𝒔𝒕 𝒏𝒐𝒏 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆 𝒄. -à-𝒅. 𝒍𝒆𝒔 𝒆𝒙𝒐𝒈è𝒏𝒆𝒔 𝒙𝒊𝒋 𝒆𝒕 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒏𝒅𝒐𝒈è𝒏𝒆 𝒀 𝒔𝒐𝒏𝒕 𝒔𝒐𝒏𝒕 𝒐𝒃𝒔𝒆𝒓𝒗é𝒔

𝒔𝒂𝒏𝒔 𝒆𝒓𝒓𝒆𝒖𝒓. 𝒀 𝒆𝒔𝒕 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆 𝒑𝒂𝒓 𝒍’𝒊𝒏𝒕𝒆𝒓𝒎é𝒅𝒊𝒂𝒊𝒓𝒆 𝒅𝒆 𝓔.

∎ 𝓗𝟑 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 : 𝑬 𝓔 = 𝟎

𝑬𝒏 𝒎𝒐𝒚𝒆𝒏𝒏𝒆 𝒍𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 𝒔’𝒂𝒏𝒏𝒖𝒍𝒆𝒏𝒕 𝒄. -à-𝒅. 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 𝒆𝒔𝒕 𝒃𝒊𝒆𝒏 𝒔𝒑é𝒄𝒊𝒇𝒊é.

∎ 𝓗𝟒 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 : 𝑬 𝓔𝓔′ = 𝝇𝟐𝜺 𝑰𝒏 = 𝛀𝜺

𝑪𝒐𝒗 𝜺𝒊 , 𝜺𝒋 = 𝑬 𝜺𝒊 𝜺𝒋 = 𝟎 , 𝒔𝒊 𝒊 ≠ 𝒋 ∶ 𝒏𝒐𝒏-𝒂𝒖𝒕𝒐𝒄𝒐𝒓𝒓é𝒍𝒂𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔


𝒐ù
𝑬 𝜺𝒊 𝜺𝒋 = 𝝇𝟐𝜺 , 𝒔𝒊 𝒊 = 𝒋 ∶ 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 𝒉𝒐𝒎𝒐𝒔𝒄é𝒅𝒂𝒔𝒕𝒊𝒒𝒖𝒆𝒔

∎ 𝓗𝟓 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒊𝒏𝒇é𝒓𝒆𝒏𝒕𝒊𝒆𝒍𝒍𝒆 ∶ 𝓔 ↝ 𝓝 𝟎, 𝝇𝟐𝜺 𝑰𝒏 ∶

𝑳𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 𝜺𝒊 𝒆𝒕 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒆𝒏𝒅𝒐𝒈è𝒏𝒆 𝒀 𝒔𝒐𝒏𝒕 𝒈𝒂𝒖𝒔𝒔𝒊𝒆𝒏𝒏𝒆𝒔 𝒆𝒕 𝒔𝒕𝒂𝒕𝒊𝒐𝒏𝒏𝒂𝒊𝒓𝒆𝒔 𝒆𝒏 𝒏𝒊𝒗𝒆𝒂𝒖.

𝑳’𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒅𝒆 𝒏𝒐𝒓𝒎𝒂𝒍𝒊𝒕é 𝒅𝒆𝒔 𝒆𝒓𝒓𝒆𝒖𝒓𝒔 𝒆𝒔𝒕 𝒖𝒏 é𝒍é𝒎𝒆𝒏𝒕 𝒄𝒍é 𝒑𝒐𝒖𝒓 𝒍’𝒊𝒏𝒇é𝒓𝒆𝒏𝒄𝒆 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆.

𝑬𝒍𝒍𝒆 𝒆𝒔𝒕 𝒅𝒐𝒏𝒄 𝒏é𝒄𝒆𝒔𝒔𝒂𝒊𝒓𝒆 𝒑𝒐𝒖𝒓 𝒎𝒆𝒏𝒆𝒓 𝒍𝒆𝒔 𝒕𝒆𝒔𝒕𝒔.

∎ 𝓗𝟔 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒍𝒍𝒆 ∶ 𝑳𝒂 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝑿′ 𝑿 𝒆𝒔𝒕 𝒓é𝒈𝒖𝒍𝒊è𝒓𝒆

𝒄. -à-𝒅. 𝒅𝒆𝒕 𝑿′ 𝑿 ≠ 𝟎 𝒆𝒕 𝑿′ 𝑿 −𝟏
𝒆𝒙𝒊𝒔𝒕𝒆.

𝑬𝒍𝒍𝒆 𝒊𝒏𝒅𝒊𝒒𝒖𝒆 𝒍’𝒂𝒃𝒔𝒆𝒏𝒄𝒆 𝒅𝒆 𝒄𝒐𝒍𝒊𝒏é𝒂𝒓𝒊𝒕é 𝒆𝒏𝒕𝒓𝒆 𝒍𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒙𝒐𝒈è𝒏𝒆𝒔, 𝒂𝒖𝒕𝒓𝒆𝒎𝒆𝒏𝒕 𝒅𝒊𝒕 𝒍𝒆𝒔
𝒙𝟏𝒋
𝒅𝒊𝒇𝒇é𝒓𝒆𝒏𝒕𝒔 𝒗𝒆𝒄𝒕𝒆𝒖𝒓𝒔 𝑿𝒋 = ⋮ 𝒔𝒐𝒏𝒕 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆𝒎𝒆𝒏𝒕 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒕𝒔.
𝒙𝒏𝒋

𝑬𝒏 𝒄𝒂𝒔 𝒅𝒆 𝒎𝒖𝒍𝒕𝒊𝒄𝒐𝒍𝒊𝒏é𝒂𝒓𝒊𝒕é, 𝒍𝒂 𝒎é𝒕𝒉𝒐𝒅𝒆 𝒅𝒆𝒔 𝑴𝑪𝑶 𝒅𝒆𝒗𝒊𝒆𝒏𝒕 𝒅é𝒇𝒂𝒊𝒍𝒍𝒂𝒏𝒕𝒆.

𝑵𝒐𝒖𝒔 𝒑𝒐𝒖𝒗𝒐𝒏𝒔 𝒂𝒖𝒔𝒔𝒊 𝒗𝒐𝒊𝒓 𝒄𝒆𝒕𝒕𝒆 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒍𝒍𝒆 𝒔𝒐𝒖𝒔 𝒍’𝒂𝒏𝒈𝒍𝒆 ∶

𝒓𝒂𝒏𝒈 𝑿 = 𝒓𝒂𝒏𝒈 𝑿′ 𝑿 = 𝒌

∎ 𝓗𝟕 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒍𝒍𝒆 ∶ 𝒓𝒂𝒏𝒈 𝑿 = 𝒌 < 𝑛

𝒄. -à-𝒅. 𝒍𝒆 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅’𝒐𝒃𝒔𝒆𝒓𝒗𝒂𝒕𝒊𝒐𝒏 𝒆𝒔𝒕 𝒔𝒖𝒑é𝒓𝒊𝒆𝒖𝒓 𝒂𝒖 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅𝒆 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔 à 𝒆𝒔𝒕𝒊𝒎𝒆𝒓 𝒍𝒆𝒔 𝜷𝒋

𝑳𝒐𝒓𝒔𝒒𝒖𝒆 𝒌 > 𝑛 , 𝑙𝑎 𝑚𝒂𝒕𝒓𝒊𝒄𝒆 𝑿′ 𝑿 𝒏’𝒆𝒔𝒕 𝒑𝒍𝒖𝒔 𝒊𝒏𝒗𝒆𝒓𝒔𝒊𝒃𝒍𝒆.

∎ 𝓗𝟖 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒍𝒍𝒆 ∶

𝑿′ 𝑿 𝒏 𝒕𝒆𝒏𝒅 𝒗𝒆𝒓𝒔 𝒖𝒏𝒆 𝒎𝒂𝒕𝒓𝒊𝒄𝒆 𝒇𝒊𝒏𝒊𝒆 𝒏𝒐𝒏 𝒔𝒊𝒏𝒈𝒖𝒍𝒊è𝒓𝒆 𝒍𝒐𝒓𝒔𝒒𝒖𝒆 𝒏 → +∞


∎ 𝓗𝟗 𝑯𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 ∶ 𝑬 𝑿𝓔 = 𝟎 𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 𝑪𝒐𝒗 𝜺𝒊 , 𝒙𝒊𝒋 = 𝟎 ∶

𝑰𝒍 𝒚 𝒂 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒏𝒄𝒆 𝒆𝒏𝒕𝒓𝒆 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒚𝒔𝒕é𝒎𝒂𝒕𝒊𝒒𝒖𝒆 𝒆𝒕 𝒍𝒂 𝒑𝒂𝒓𝒕𝒊𝒆 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆

b)
ème
82 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
∎𝜷𝟏 𝒆𝒔𝒕 𝒍’é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é 𝒅𝒆𝒔 𝑰𝒎𝒑ô𝒕𝒔 𝒊𝒏𝒅𝒊𝒓𝒆𝒄𝒕𝒔 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 𝒂𝒖 𝑷𝑰𝑩 𝒉𝒐𝒓𝒔 𝒂𝒈𝒓𝒊𝒄𝒖𝒍𝒕𝒖𝒓𝒆

∎𝜷𝟐 𝒆𝒔𝒕 𝒍’é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é 𝒅𝒆𝒔 𝑰𝒎𝒑ô𝒕𝒔 𝒊𝒏𝒅𝒊𝒓𝒆𝒄𝒕𝒔 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 𝒂𝒖𝒙 𝑰𝒎𝒑𝒐𝒓𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝒃𝒊𝒆𝒏𝒔 𝒅𝒆

𝒄𝒐𝒏𝒔𝒐𝒎𝒎𝒂𝒕𝒊𝒐𝒏 𝒇𝒊𝒏𝒂𝒍𝒆

2)
𝟑𝟏 𝟑𝟏
𝟐
𝑿𝒕 − 𝑿 𝑿𝒕 − 𝑿 𝒁𝒕 − 𝒁
𝜷𝟏 𝒊=𝟏 𝒊=𝟏
𝜷= = 𝑿′𝒄 𝑿𝒄 −𝟏
𝑿′𝒄 𝒀𝒄 𝒐ù 𝑿′𝒄 𝑿𝒄 = 𝟑𝟏
𝜷𝟐
𝟐
𝒁𝒕 − 𝒁
𝒊=𝟏

𝟑𝟏

𝑿𝒕 − 𝑿 𝒀𝒕 − 𝒀
𝒊=𝟏
𝒆𝒕 𝑿′𝒄 𝒀𝒄 = 𝟑𝟏

𝒁𝒕 − 𝒁 𝒀𝒕 − 𝒀
𝒊=𝟏

𝝇𝟐𝜷𝟏 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐
𝝇𝟐𝜷 =𝝇 𝟐
𝑿′𝒄 𝑿𝒄 −𝟏 =
𝝇𝟐𝜷𝟐

3)
𝟑𝟏 𝟑𝟏
𝟐
𝑿𝒕 − 𝑿 , 𝑿𝒕 − 𝑿 𝒁𝒕 − 𝒁
𝒊=𝟏 𝒊=𝟏 𝟐𝟒 𝟐𝟐
𝑿′𝒄 𝑿𝒄 = 𝟑𝟏 ⇒ 𝑿′𝒄 𝑿𝒄 =
𝟐𝟐 𝟐𝟗
𝟐
𝒁𝒕 − 𝒁
𝒊=𝟏

𝟑𝟏

𝑿𝒕 − 𝑿 𝒀𝒕 − 𝒀
𝒊=𝟏 𝟏𝟖
𝑿′𝒄 𝒀𝒄 = 𝟑𝟏 ⇒ 𝑿′𝒄 𝒀𝒄 =
𝟐𝟐
𝒁𝒕 − 𝒁 𝒀𝒕 − 𝒀
𝒊=𝟏

𝟐𝟗 −𝟐𝟐
𝑿′𝒄 𝑿𝒄 = 𝟐𝟒 × 𝟐𝟗 − 𝟐𝟐𝟐 = 𝟐𝟏𝟐 ; 𝑪𝒐𝒎 𝑿′𝒄 𝑿𝒄 =
−𝟐𝟐 𝟐𝟒
𝟏 𝟏 𝟐𝟗 −𝟐𝟐
⇒ 𝑿′𝒄 𝑿𝒄 −𝟏
= 𝑪𝒐𝒎 𝑿′𝒄 𝑿𝒄 ′
=
𝑿′𝒄 𝑿𝒄 𝟐𝟏𝟐 −𝟐𝟐 𝟐𝟒

𝟏 𝟐𝟗 −𝟐𝟐
⇒ 𝑿′𝒄 𝑿𝒄 −𝟏
=
𝟐𝟏𝟐 −𝟐𝟐 𝟐𝟒

ème
83 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝜷𝟏 𝟏 𝟐𝟗 −𝟐𝟐 𝟏𝟖 𝟑𝟖 𝟐𝟏𝟐
𝜷= = 𝑿′𝒄 𝑿𝒄 −𝟏 𝑿′𝒄 𝒀𝒄 = =
𝜷𝟐 𝟐𝟏𝟐 −𝟐𝟐 𝟐𝟒 𝟐𝟐 𝟏𝟑𝟐 𝟐𝟏𝟐

𝜷𝟏 = 𝟎, 𝟏𝟖 , 𝜷𝟐 = 𝟎, 𝟔𝟐

∎ 𝑳’é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é 𝒅𝒆𝒔 𝑰𝒎𝒑ô𝒕𝒔 𝒊𝒏𝒅𝒊𝒓𝒆𝒄𝒕𝒔 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 𝒂𝒖 𝑷𝑰𝑩 𝒉𝒐𝒓𝒔 𝒂𝒈𝒓𝒊𝒄𝒖𝒍𝒕𝒖𝒓𝒆 𝒆𝒔𝒕 é𝒈𝒂𝒍𝒆 à 𝟎, 𝟏𝟖,

𝒂𝒊𝒏𝒔𝒊 𝒖𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒖 𝑷𝑰𝑩 𝒉𝒐𝒓𝒔 𝒂𝒈𝒓𝒊𝒄𝒖𝒍𝒕𝒖𝒓𝒆 𝒅𝒆 𝒍’𝒐𝒓𝒅𝒓𝒆 𝒅𝒆 𝟏% (𝒕𝒐𝒖𝒕𝒆𝒔 𝒄𝒉𝒐𝒔𝒆𝒔 é𝒈𝒂𝒍𝒆𝒔

𝒑𝒂𝒓 𝒂𝒊𝒍𝒍𝒆𝒖𝒓𝒔) 𝒆𝒏𝒕𝒓𝒂𝒊𝒏𝒆 𝒖𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝟎, 𝟏𝟖% 𝒅𝒆𝒔 𝑰𝒎𝒑ô𝒕𝒔 𝒊𝒏𝒅𝒊𝒓𝒆𝒄𝒕𝒔

∎ 𝑳’é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é 𝒅𝒆𝒔 𝑰𝒎𝒑ô𝒕𝒔 𝒊𝒏𝒅𝒊𝒓𝒆𝒄𝒕𝒔 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 𝒂𝒖𝒙 𝒊𝒎𝒑𝒐𝒓𝒕𝒂𝒕𝒊𝒐𝒏𝒔 𝒅𝒆𝒔 𝒃𝒊𝒆𝒏𝒔 𝒅𝒆

𝒄𝒐𝒏𝒔𝒐𝒎𝒎𝒂𝒕𝒊𝒐𝒏 𝒇𝒊𝒏𝒂𝒍𝒆 𝒆𝒔𝒕 é𝒈𝒂𝒍𝒆 à𝟎, 𝟔𝟐, 𝒂𝒊𝒏𝒔𝒊 𝒖𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝒊𝒎𝒑𝒐𝒓𝒕𝒂𝒕𝒊𝒐𝒏𝒔 𝒅𝒆𝒔

𝒃𝒊𝒆𝒏𝒔 𝒅𝒆 𝒄𝒐𝒏𝒔𝒐𝒎𝒎𝒂𝒕𝒊𝒐𝒏 𝒇𝒊𝒏𝒂𝒍𝒆 𝒅𝒆 𝒍’𝒐𝒓𝒅𝒓𝒆 𝒅𝒆 𝟏% 𝒕𝒐𝒖𝒕𝒆𝒔 𝒄𝒉𝒐𝒔𝒆𝒔 é𝒈𝒂𝒍𝒆𝒔 𝒑𝒂𝒓 𝒂𝒊𝒍𝒍𝒆𝒖𝒓𝒔

𝒆𝒏𝒕𝒓𝒂𝒊𝒏𝒆 𝒖𝒏𝒆 𝒅𝒊𝒎𝒊𝒏𝒖𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝑰𝒎𝒑ô𝒕𝒔 𝒊𝒏𝒅𝒊𝒓𝒆𝒄𝒕𝒔 𝒅𝒆 𝒍’𝒐𝒓𝒅𝒓𝒆 𝒅𝒆 𝟎, 𝟔𝟐%

4)

𝑻𝒂𝒃𝒍𝒆𝒂𝒖 𝒅′𝒂𝒏𝒂𝒍𝒚𝒔𝒆 𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆

𝑺𝒐𝒖𝒓𝒄𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒊𝒍𝒊𝒕é 𝑺𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝑫𝒆𝒈𝒓é 𝒅𝒆 𝒍𝒊𝒃𝒆𝒓𝒕é 𝑪𝒂𝒓𝒓é𝒔 𝒎𝒐𝒚𝒆𝒏𝒔

𝑹é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝑺𝑪𝑬 = 𝟏𝟔, 𝟖𝟖 𝒌−𝟏= 𝟑−𝟏=𝟐 𝑺𝑪𝑬 𝒌 − 𝟏 = 𝟖, 𝟒𝟒

𝑹é𝒔𝒊𝒅𝒖𝒔 𝑺𝑪𝑹 = 𝟑, 𝟏𝟐 𝑻 − 𝒌 = 𝟑𝟏 − 𝟑 = 𝟐𝟖 𝝇𝟐 = 𝑺𝑪𝑹 𝑻 − 𝒌 = 𝟎, 𝟏𝟏

𝑻𝒐𝒕𝒂𝒍 𝑺𝑪𝑻 = 𝟐𝟎 𝑻 − 𝟏 = 𝟑𝟏 − 𝟏 = 𝟑𝟎 𝑺𝟐 = 𝑺𝑪𝑻 𝑻 − 𝟏 = 𝟏𝟎, 𝟓𝟓

𝟏𝟖
𝑺𝑪𝑬 = 𝜷′ 𝑿′𝒄 𝑿𝒄 𝜷 = 𝜷′ 𝑿′𝒄 𝒀𝒄 = 𝟎, 𝟏𝟖 𝟎, 𝟔𝟐 ⇒ 𝑺𝑪𝑬 = 𝟏𝟔, 𝟖𝟖
𝟐𝟐
𝟑𝟏
𝟐
𝑺𝑪𝑻 = 𝒀𝒕 − 𝒀 ⇒ 𝑺𝑪𝑻 = 𝟐𝟎
𝒊=𝟏

𝑺𝑪𝑹 = 𝑺𝑪𝑻 − 𝑺𝑪𝑬 ⇒ 𝑺𝑪𝑹 = 𝟑, 𝟏𝟐

𝑺𝑪𝑬 𝟏𝟔, 𝟖𝟖
𝑹𝟐 = = ⇒ 𝑹𝟐 = 𝟖𝟒, 𝟒%
𝑺𝑪𝑻 𝟐𝟎
𝑺𝑪𝑹 𝟑, 𝟏𝟐
𝝇𝟐 = = ⇒ 𝝇𝟐 = 𝟎, 𝟏𝟏
𝑻−𝒌 𝟐𝟖

ème
84 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
5)

𝑶𝒏 𝒔𝒆 𝒑𝒓𝒐𝒑𝒐𝒔𝒆 𝒅𝒆 𝒕𝒆𝒔𝒕𝒆𝒓 𝑯𝟎 : 𝜷𝟏 + 𝜷𝟐 = 𝟏 𝒄𝒐𝒏𝒕𝒓𝒆 𝑯𝟏 : 𝜷𝟏 + 𝜷𝟐 ≠ 𝟏 𝒔𝒐𝒖𝒔 𝒖𝒏 𝒏𝒊𝒗𝒆𝒂𝒖 𝒅𝒆

𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝜶 = 𝟓%

𝑺𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏 :

𝜷𝟏 + 𝜷𝟐 − 𝜷𝟏 + 𝜷𝟐 𝜷𝟏 + 𝜷𝟐 − 𝜷 𝟏 + 𝜷𝟐
𝑻= = ↝𝝉 𝑻−𝒌
𝑽 𝜷𝟏 + 𝜷𝟐 𝝇𝟐𝜷 + 𝝇𝟐𝜷 + 𝟐𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐
𝟏 𝟐

𝝇𝟐𝜷𝟏 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐 𝟎, 𝟏𝟏 𝟐𝟗 −𝟐𝟐 𝟎, 𝟎𝟏𝟓 −𝟎, 𝟎𝟏𝟏


𝑶𝒓 𝝇𝟐𝜷 = = 𝝇𝟐 𝑿′𝒄 𝑿𝒄 −𝟏
= =
𝝇𝟐𝜷𝟐 𝟐𝟏𝟐 −𝟐𝟐 𝟐𝟒 −𝟎, 𝟎𝟏𝟏 𝟎, 𝟎𝟏𝟐

⇒ 𝝇𝟐𝜷𝟏 = 𝟎, 𝟎𝟏𝟓 , 𝝇𝟐𝜷𝟐 = 𝟎, 𝟎𝟏𝟐 𝒆𝒕 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐 = −𝟎, 𝟎𝟏𝟏

𝜷𝟏 + 𝜷𝟐 − 𝟏
𝑯𝟎 𝒔𝒆𝒓𝒂 𝒓𝒆𝒋𝒆𝒕é𝒆 𝒔𝒊 𝑻𝟎 > 𝒕𝟏−𝜶 𝑻 − 𝒌 𝒂𝒗𝒆𝒄 𝑻𝟎 =
𝟐
𝝇𝟐𝜷 + 𝝇𝟐𝜷 + 𝟐𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐
𝟏 𝟐

𝟎, 𝟏𝟖 + 𝟎, 𝟔𝟐 − 𝟏
𝑻𝟎 = = 𝟐, 𝟖𝟑
𝑶𝒓 𝟎, 𝟎𝟏𝟓 + 𝟎, 𝟎𝟏𝟐 + 𝟐 × −𝟎, 𝟎𝟏𝟏 ⇒ 𝑻𝟎 > 𝒕𝟏−𝜶 𝑻 − 𝒌
𝟐
𝒕𝟏−𝜶 𝑻 − 𝒌 = 𝒕𝟎,𝟗𝟕𝟓 𝟐𝟖 = 𝟐, 𝟎𝟒𝟖
𝟐

𝑫’𝒐ù 𝒐𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝒍’𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒅𝒆𝒔 𝒓𝒆𝒏𝒅𝒆𝒎𝒆𝒏𝒕𝒔 𝒅’é𝒄𝒉𝒆𝒍𝒍𝒆 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒔 𝜷𝟏 + 𝜷𝟐 = 𝟏 𝒂𝒗𝒆𝒄 𝒖𝒏

𝒏𝒊𝒗𝒆𝒂𝒖 𝒅𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝜶 = 𝟓%

6)
a)

𝑴𝒐𝒅è𝒍𝒆 𝒂𝒖𝒕𝒐𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒇 à 𝒓𝒆𝒕𝒂𝒓𝒅 é𝒄𝒉𝒆𝒍𝒐𝒏𝒏é :

𝒀𝒕 = 𝜶 + 𝜷𝟏 𝑿𝒕 + 𝜷𝟐 𝒁𝒕 + 𝝀𝒀𝒕−𝟏 + 𝜽𝑿𝒕−𝟏 + 𝝃𝒕 , 𝒕 = 𝟏, 𝟐, … , 𝟑𝟏 𝒂𝒗𝒆𝒄 𝟎 < 𝜆 < 1


+∞ +∞
𝚫𝒀𝒕+𝒋 𝜷𝟏 + 𝜽
𝑬𝟏 = = 𝜷𝟏 + 𝜽 𝝀𝒋 ⇒ 𝑬𝟏 =
𝚫𝑿𝒕 𝟏−𝝀
𝒋=𝟎 𝒋=𝟎
𝟏
𝟏−𝝀

+∞ +∞
𝚫𝒀𝒕+𝒋 𝜷𝟐
𝑬𝟐 = = 𝜷𝟐 𝝀𝒋 ⇒ 𝑬𝟐 =
𝚫𝒁𝒕 𝟏−𝝀
𝒋=𝟎 𝒋=𝟎
𝟏
𝟏−𝝀

ème
85 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
b)

𝜷𝟏 = 𝟎, 𝟗 , 𝜷𝟐 = 𝟎, 𝟏𝟓 , 𝝀 = 𝟎, 𝟔𝟓 𝒆𝒕 𝜽 = −𝟎, 𝟕𝟓

𝜷𝟏 + 𝜽 𝟎, 𝟗 − 𝟎, 𝟕𝟓
𝑬𝟏 = = ⇒ 𝑬𝟏 = 𝟎, 𝟒𝟑
𝟏−𝝀 𝟏 − 𝟎, 𝟔𝟓

𝜷𝟐 𝟎, 𝟏𝟓
𝑬𝟐 = = ⇒ 𝑬𝟐 = 𝟎, 𝟒𝟑
𝟏−𝝀 𝟏 − 𝟎, 𝟔𝟓

c)

𝑨 𝒍𝒐𝒏𝒈 𝒕𝒆𝒓𝒎𝒆 𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒕𝒊𝒐𝒏 𝒅𝒖𝒓𝒂𝒃𝒍𝒆 𝒆𝒕 𝒑𝒆𝒓𝒎𝒂𝒏𝒆𝒏𝒕𝒆 𝒅𝒆 𝟏% 𝒅𝒖 𝑷𝑰𝑩 𝒉𝒐𝒓𝒔 𝒂𝒈𝒓𝒊𝒄𝒖𝒍𝒕𝒖𝒓𝒆𝒔

𝒂𝒊𝒏𝒔𝒊 𝒒𝒖𝒆 𝒄𝒆𝒍𝒍𝒆 𝒅𝒆 𝒍’𝒊𝒎𝒑𝒐𝒓𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝒃𝒊𝒆𝒏𝒔 𝒅𝒆 𝒄𝒐𝒏𝒔𝒐𝒎𝒎𝒂𝒕𝒊𝒐𝒏 𝒇𝒊𝒏𝒂𝒍𝒆 𝒆𝒏𝒕𝒓𝒂𝒊𝒏𝒆 𝒍𝒂 𝒎ê𝒎𝒆

𝒗𝒂𝒓𝒊𝒂𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝒊𝒎𝒑ô𝒕𝒔 𝒊𝒏𝒅𝒊𝒓𝒆𝒄𝒕𝒔, 𝒔𝒐𝒊𝒕 𝟎, 𝟒𝟑%

Institut de Financement du Développement du Maghreb Arabe


CONCOURS DE RECRUTEMENT DE LA XXXVème PROMOTION
AOÛT 2015

Exercice 4 : (12 points: 1+2+3+2+2+2)


ÉNONCÉ
On considère les données relatives à un échantillon de 𝒏 = 𝟏𝟎𝟑 individus pour lesquels on observe le
logarithme du revenu 𝒀 , le nombre d’années de formation 𝑿 , et une variable indicatrice qui vaut 1 si
l’individu est occupé et 0 si non 𝑾

On considère le modèle suivant :

𝒚𝒊 = 𝜷 𝟏 𝒙 𝒊 + 𝜷 𝟐 𝒘𝒊 + 𝜺 𝒊

Où 𝜺𝒊 est un terme d’erreur vérifiant les hypothèses de la méthode des moindres carrés ordinaires. La
variance de 𝜺𝒊 est notée 𝝇𝟐 . Les variables minuscules correspondent aux données centrées :

𝒊 𝑿𝒊
𝒙𝒊 = 𝑿𝒊 − 𝑿 𝒐ù 𝑿 = ; 𝒅𝒆 𝒎ê𝒎𝒆 𝒑𝒐𝒖𝒓 𝒘𝒊 𝒆𝒕 𝒚𝒊
𝒏
1) Que représentes les paramètres 𝜷𝟏 𝒆𝒕 𝜷𝟐 en termes d’analyse économique ?
2) Déterminer 𝜷 , l’estimateur par la méthode des moindres carrés ordinaires du vecteur des
𝜷
paramètres 𝜷 = 𝟏 . Calculer l’espérance mathématique et la variance de 𝜷
𝜷𝟐
3) Calculer la valeur de l’estimateur de 𝜷 , sachant que :
ème
86 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝟏𝟎𝟑 𝟏𝟎𝟑 𝟏𝟎𝟑

𝒙𝒊 𝒚𝒊 = 𝟏𝟒 , 𝒘𝒊 𝒚𝒊 = 𝟐 , 𝒚𝟐𝒊 = 𝟏
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝟏𝟎𝟑 𝟏𝟎𝟑 𝟏𝟎𝟑

𝒙𝟐𝒊 = 𝟓𝟕𝟕 , 𝒘𝒊 𝒙𝒊 = 𝟏𝟖 , 𝒘𝟐𝒊 = 𝟐𝟎


𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

Commenter

4) Dresser le tableau d’analyse de la variance et calculer le coefficient de détermination linéaire du


modèle.
5) On suppose que la variable âge de l’individu 𝑨 , une variable proxy de l’expérience
professionnelle, a été omise du modèle. Evaluer le biais d’omission de cette variable si le vrai
modèle était :
𝒚𝒊 = 𝜽𝟏 𝒙𝒊 + 𝜽𝟐 𝒘𝒊 + 𝜽𝟑 𝒂𝒊 + 𝝐𝒊
6) L’estimation de ce nouveau modèle a donné le résultat suivant :

𝜽𝟏 𝟎, 𝟎𝟑
𝜽 = 𝜽𝟐 = 𝟎, 𝟏𝟔
𝜽𝟑 𝟎, 𝟎𝟏

Commenter

NB : Arrondir les calculs à deux chiffres après la virgule

Corrigé
1)

∎ 𝜷𝟏 : 𝒎𝒆𝒔𝒖𝒓𝒆 𝑳𝒂 𝒄𝒐𝒏𝒕𝒓𝒊𝒃𝒖𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒅𝒖𝒓é𝒆 𝒆𝒏 𝒂𝒏𝒏é𝒆𝒔 𝒅𝒆 𝒇𝒐𝒓𝒎𝒂𝒕𝒊𝒐𝒏 à 𝒍′ 𝒂𝒎é𝒍𝒊𝒐𝒓𝒂𝒕𝒊𝒐𝒏 𝒅𝒆𝒔

𝒓𝒆𝒗𝒆𝒏𝒖𝒔 , 𝒂𝒊𝒏𝒔𝒊 𝒖𝒏𝒆 𝒂𝒏𝒏é𝒆 𝒅𝒆 𝒑𝒍𝒖𝒔 𝒅𝒆 𝒇𝒐𝒓𝒎𝒂𝒕𝒊𝒐𝒏 𝒕𝒐𝒖𝒕𝒆𝒔 𝒄𝒉𝒐𝒔𝒆𝒔 é𝒈𝒂𝒍𝒆𝒔 𝒑𝒂𝒓 𝒂𝒊𝒍𝒍𝒆𝒖𝒓𝒔

𝒆𝒏𝒕𝒓𝒂𝒊𝒏𝒆 𝒖𝒏𝒆 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝟏𝟎𝟎𝜷𝟏 𝒖𝒏𝒊𝒕é𝒔 𝒅𝒆𝒔 𝒓𝒆𝒗𝒆𝒏𝒖𝒔. 𝜷𝟏 𝒎𝒆𝒔𝒖𝒓𝒆 𝒂𝒖𝒔𝒔𝒊 𝒍𝒂

𝒔𝒆𝒎𝒊-é𝒍𝒂𝒔𝒕𝒊𝒄𝒊𝒕é 𝒅𝒆𝒔 𝒓𝒆𝒗𝒆𝒏𝒖𝒔 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 𝒂𝒖𝒙 𝒏𝒐𝒎𝒃𝒓𝒆𝒔 𝒅′ 𝒂𝒏𝒏é𝒆𝒔𝒅𝒆 𝒇𝒐𝒓𝒎𝒂𝒕𝒊𝒐𝒏

∎ 𝜷𝟐 : 𝒔𝒊 𝒄𝒆 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆 𝒆𝒔𝒕 𝒋𝒖𝒈é 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆𝒎𝒆𝒏𝒕 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒇, 𝒐𝒏 𝒆𝒏 𝒄𝒐𝒏𝒄𝒍𝒖𝒓𝒂𝒊𝒕 𝒒𝒖𝒆 𝒍𝒆

𝒄𝒂𝒓𝒂𝒄𝒕è𝒓𝒆 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖 𝒆𝒔𝒕 𝒐𝒄𝒄𝒖𝒑é 𝒆𝒔𝒕 𝒖𝒏 𝒇𝒂𝒄𝒕𝒆𝒖𝒓 𝒅𝒊𝒔𝒄𝒓𝒊𝒎𝒊𝒏𝒂𝒏𝒕

2)

𝜷𝟏 −𝟏
∎ 𝑰𝒍 𝒔′ 𝒂𝒈𝒊𝒕 𝒅′ 𝒖𝒏𝒆 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒂𝒗𝒆𝒄 𝒅𝒆𝒔 𝒅𝒐𝒏𝒏é𝒆𝒔 𝒄𝒆𝒏𝒕𝒓é𝒆𝒔 , à 𝒄𝒆𝒕 𝒆𝒇𝒇𝒆𝒕 𝜷 = = 𝑿′𝒄 𝑿𝒄 𝑿′𝒄 𝒀𝒄
𝜷𝟐

ème
87 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒏 𝒏 𝒏 𝒏
𝑿𝒊 − 𝑿 𝟐
𝑿𝒊 − 𝑿 𝑾𝒊 − 𝑾 𝒙𝟐𝒊 𝒘𝒊 𝒙 𝒊
𝑺𝟐𝑿 𝑺𝑿,𝑾 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝑶ù 𝑿′𝒄 𝑿𝒄 = 𝒏 = 𝒏 𝒏 = 𝒏 𝒏
𝑺𝑿,𝑾 𝑺𝟐𝑾
𝑿𝒊 − 𝑿 𝑾𝒊 − 𝑾 𝑾𝒊 − 𝑾 𝟐
𝒘𝒊 𝒙 𝒊 𝒘𝟐𝒊
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝒏 𝒏
𝑿𝒊 − 𝑿 𝒀𝒊 − 𝒀 𝒙𝒊 𝒚𝒊
𝑺𝑿,𝒀 𝒊=𝟏 𝒊=𝟏
𝒆𝒕 𝑿′𝒄 𝒀𝒄 = 𝒏 = 𝒏 = 𝒏
𝑺𝒁,𝒀
𝑾𝒊 − 𝑾 𝒀𝒊 − 𝒀 𝒘𝒊 𝒚 𝒊
𝒊=𝟏 𝒊=𝟏

∎ 𝑺𝒐𝒖𝒔 𝒍𝒆𝒔 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 , 𝒍𝒂 𝑴𝑪𝑶 𝒇𝒐𝒖𝒓𝒏𝒊𝒕 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝜷 𝒒𝒖𝒊 𝒏′ 𝒆𝒔𝒕𝒂𝒖𝒕𝒓𝒆 𝒒𝒖𝒆 𝜷

𝜷𝟏 𝜷𝟏
𝒂𝒊𝒏𝒔𝒊 𝑬 𝜷 = 𝜷 𝒐𝒖 𝒆𝒏𝒄𝒐𝒓𝒆 𝑬 =
𝜷𝟐 𝜷𝟐

∎𝑬𝒍𝒍𝒆 𝒇𝒐𝒖𝒓𝒏𝒊𝒕 𝒂𝒖𝒔𝒔𝒊 𝒖𝒏 𝒗𝒆𝒄𝒕𝒆𝒖𝒓 𝒆𝒔𝒕𝒊𝒎é 𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒎𝒊𝒏𝒊𝒎𝒂𝒍𝒆 𝒒𝒖𝒊 𝒄𝒐𝒏𝒗𝒆𝒓𝒈𝒆 𝒗𝒆𝒓𝒔 𝜷 :

−𝟏 𝝇𝟐𝜷𝟏 𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐
𝑽𝒂𝒓 𝜷 = 𝜴𝜷 = 𝝇𝟐𝜷 =𝝇 𝟐
𝑿′𝒄 𝒀𝒄 =
𝑪𝒐𝒗 𝜷𝟏 , 𝜷𝟐 𝝇𝟐𝜷𝟐

3)
𝟏𝟎𝟑 𝟏𝟎𝟑
𝒙𝟐𝒊 𝒘𝒊 𝒙 𝒊
𝑿′𝒄 𝑿𝒄 = 𝒊=𝟏 𝒊=𝟏
= 𝟓𝟕𝟕 𝟏𝟖
𝟏𝟎𝟑 𝟏𝟎𝟑 𝟏𝟖 𝟐𝟎
𝒘𝒊 𝒙 𝒊 𝒘𝟐𝒊
𝒊=𝟏 𝒊=𝟏

𝟐𝟎 −𝟏𝟖
𝑿′𝒄 𝑿𝒄 = 𝟏𝟏𝟐𝟏𝟔 ; 𝑪𝒐𝒎 𝑿′𝒄 𝑿𝒄 =
−𝟏𝟖 𝟓𝟕𝟕
𝟏 𝟏 𝟐𝟎 −𝟏𝟖
⇒ 𝑿′𝒄 𝑿𝒄 −𝟏
= 𝑪𝒐𝒎 𝑿′𝒄 𝑿𝒄 ′
=
𝑿′𝒄 𝑿𝒄 𝟏𝟏𝟐𝟏𝟔 −𝟏𝟖 𝟓𝟕𝟕
𝟏𝟎𝟑

𝒙 𝒊 𝒚𝒊
𝒊=𝟏 𝟏𝟒
𝑿′𝒄 𝒀𝒄 = 𝟏𝟎𝟑 =
𝟐
𝒘𝒊 𝒚𝒊
𝒊=𝟏

𝜷𝟏 −𝟏 𝟏 𝟐𝟎 −𝟏𝟖 𝟏𝟒 𝟏 𝟐𝟒𝟒 𝟎, 𝟎𝟐
𝜷= = 𝑿′𝒄 𝑿𝒄 𝑿′𝒄 𝒀𝒄 = = =
𝜷𝟐 𝟏𝟏𝟐𝟏𝟔 −𝟏𝟖 𝟓𝟕𝟕 𝟐 𝟏𝟏𝟐𝟏𝟔 𝟗𝟎𝟐 𝟎, 𝟎𝟖

𝜷𝟏 = 𝟎, 𝟎𝟐 𝒆𝒕 𝜷𝟐 = 𝟎, 𝟎𝟖

ème
88 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
∎ 𝜷𝟏 : 𝑼𝒏𝒆 𝒂𝒏𝒏é𝒆 𝒅𝒆 𝒑𝒍𝒖𝒔 𝒅𝒆 𝒇𝒐𝒓𝒎𝒂𝒕𝒊𝒐𝒏 𝒇𝒂𝒊𝒕 𝒑𝒓𝒐𝒈𝒓𝒆𝒔𝒔𝒆𝒓 𝒍𝒆𝒔 𝒓𝒆𝒗𝒆𝒏𝒖𝒔 𝒅𝒆 𝟐%

∎ 𝜷𝟐 : 𝑼𝒏 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖 𝒆𝒔𝒕 𝒐𝒄𝒄𝒖𝒑é 𝒗𝒐𝒊𝒕 𝒔𝒆𝒔 𝒓𝒆𝒗𝒆𝒏𝒖𝒔 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒆𝒓 𝒅𝒆 𝒆𝜷𝟐 × 𝟏𝟎𝟎 − 𝟏𝟎𝟎 %
= 𝒆𝟎,𝟎𝟖 × 𝟏𝟎𝟎 − 𝟏𝟎𝟎 % = 𝟖, 𝟑𝟑%

4)

𝟏 𝟏𝟒
𝑺𝑪𝑬 = 𝜷′ 𝑿′𝒄 𝑿𝒄 𝜷 = 𝜷′ 𝑿′𝒄 𝒀𝒄 = 𝟐𝟒𝟒 𝟗𝟎𝟐 ⇒ 𝑺𝑪𝑬 = 𝟎, 𝟒𝟕
𝟏𝟏𝟐𝟏𝟔 𝟐
𝟏𝟎𝟑 𝟏𝟎𝟑

𝑺𝑪𝑻 = 𝒀𝒊 − 𝒀 𝟐
= 𝒚𝟐𝒊 = 𝟏 ⇒ 𝑺𝑪𝑻 = 𝟏
𝒊=𝟏 𝒊=𝟏

𝑺𝑪𝑹 = 𝑺𝑪𝑻 − 𝑺𝑪𝑬 ⇒ 𝑺𝑪𝑹 = 𝟎, 𝟓𝟑

𝑻𝒂𝒃𝒍𝒆𝒂𝒖 𝒅′𝒂𝒏𝒂𝒍𝒚𝒔𝒆 𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆

𝑺𝒐𝒖𝒓𝒄𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒊𝒍𝒊𝒕é 𝑺𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝑫𝒆𝒈𝒓é 𝒅𝒆 𝒍𝒊𝒃𝒆𝒓𝒕é 𝑪𝒂𝒓𝒓é𝒔 𝒎𝒐𝒚𝒆𝒏𝒔

𝑹é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝑺𝑪𝑬 = 𝟎, 𝟒𝟕 𝒌=𝟐 𝑺𝑪𝑬 𝟐 = 𝟎, 𝟐𝟒

𝝇𝟐 = 𝑺𝑪𝑹 𝒏 − 𝒌 = 𝟎, 𝟎𝟏
𝑹é𝒔𝒊𝒅𝒖𝒔 𝑺𝑪𝑹 = 𝟎, 𝟓𝟑 𝒏 − 𝒌 = 𝟏𝟎𝟑 − 𝟐 = 𝟏𝟎𝟏
⇒ 𝝇 = 𝟎, 𝟎𝟕

𝑻𝒐𝒕𝒂𝒍 𝑺𝑪𝑻 = 𝟏 𝒏 = 𝟏𝟎𝟑 𝑺𝟐 = 𝑺𝑪𝑻 𝒏 = 𝟎, 𝟎𝟏

𝑺𝑪𝑬 𝟎, 𝟒𝟕
𝑹𝟐 = = ⇒ 𝑹𝟐 = 𝟒𝟕%
𝑺𝑪𝑻 𝟏
𝑳𝒂 𝒒𝒖𝒂𝒍𝒊𝒕é 𝒅’𝒂𝒋𝒖𝒔𝒕𝒆𝒎𝒆𝒏𝒕 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒆𝒔𝒕 𝒇𝒂𝒊𝒃𝒍𝒆.

5)

𝓑– 𝟔 • 𝑷𝒓𝒐𝒃𝒍è𝒎𝒆𝒔 𝒑𝒂𝒓𝒕𝒊𝒄𝒖𝒍𝒊𝒆𝒓𝒔 ∶ 𝑴𝒖𝒍𝒕𝒊𝒄𝒐𝒍𝒊𝒏é𝒂𝒓𝒊𝒕é , 𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒎𝒖𝒆𝒕𝒕𝒆𝒔, 𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝑷𝒓𝒐𝒙𝒚

𝓬 • 𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝑷𝒓𝒐𝒙𝒚 ∶ ∎ 𝑩𝒊𝒂𝒊𝒔 𝒅’𝒐𝒎𝒊𝒔𝒔𝒊𝒐𝒏 ∶

𝑳𝒆 𝒓𝒆𝒄𝒐𝒖𝒓𝒔 à 𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒑𝒓𝒐𝒙𝒚 â𝒈𝒆 𝒅𝒆 𝒍’𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖: 𝑨 𝒒𝒖𝒊 𝒏𝒐𝒖𝒔 𝒑𝒆𝒓𝒎𝒆𝒕 𝒅’𝒂𝒑𝒑𝒓𝒐𝒄𝒉𝒆𝒓

𝒍’𝒆𝒙𝒑é𝒓𝒊𝒆𝒏𝒄𝒆 𝒑𝒓𝒐𝒇𝒆𝒔𝒔𝒊𝒐𝒏𝒏𝒆𝒍𝒍𝒆 𝒊𝒏𝒅𝒊𝒔𝒑𝒆𝒏𝒔𝒂𝒃𝒍𝒆 𝒑𝒐𝒖𝒓 𝒍’𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒅𝒖 𝒎𝒐𝒅è𝒍𝒆 𝒆𝒕 𝒅𝒐𝒏𝒕 𝒐𝒏

é𝒑𝒓𝒐𝒖𝒗𝒆 𝒅𝒆𝒔 𝒅𝒊𝒇𝒇𝒊𝒄𝒖𝒍𝒕é𝒔 à 𝒎𝒆𝒔𝒖𝒓𝒆𝒓.

𝑪𝒆𝒕𝒕𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒑𝒓𝒐𝒙𝒚 𝒏𝒐𝒖𝒔 𝒑𝒆𝒓𝒎𝒆𝒕 𝒅𝒆 𝒄𝒐𝒓𝒓𝒊𝒈𝒆𝒓 𝒄𝒆 𝒃𝒊𝒂𝒊𝒔 𝒅𝒆 𝒔𝒑é𝒄𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒏é𝒂𝒏𝒎𝒐𝒊𝒏𝒔 𝒆𝒍𝒍𝒆

𝒓𝒆𝒔𝒕𝒆 𝒄𝒐𝒓𝒓é𝒍é𝒆 𝒂𝒗𝒆𝒄 𝒍𝒆𝒔 𝒂𝒖𝒕𝒓𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒔 𝒄𝒆 𝒒𝒖𝒊 𝒗𝒂 𝒄𝒂𝒖𝒔𝒆𝒓 𝒅𝒆𝒔 𝒃𝒊𝒂𝒊𝒔

𝒅’𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒊𝒐𝒏𝒔, 𝒅𝒆𝒔 𝒊𝒏𝒕𝒆𝒓𝒗𝒂𝒍𝒍𝒆𝒔 𝒅𝒆 𝒄𝒐𝒏𝒇𝒊𝒂𝒏𝒄𝒆 , 𝒕𝒆𝒔𝒕𝒔 𝒅’𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒆𝒕 𝒑𝒓é𝒗𝒊𝒔𝒊𝒐𝒏𝒔


ème
89 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
é𝒗𝒆𝒏𝒕𝒖𝒆𝒍𝒍𝒆𝒎𝒆𝒏𝒕 𝒆𝒓𝒓𝒐𝒏é𝒆𝒔 .

𝑺𝑿,𝑨
𝑬 𝜽𝟏 − 𝜽𝟏 = 𝜽𝟑 , 𝑺𝒊 𝑨 𝒆𝒕 𝑿 𝒔𝒐𝒏𝒕 𝒄𝒐𝒓𝒓é𝒍é𝒔
∎ 𝑩𝒊𝒂𝒊𝒔 𝜽𝟏 = 𝑺𝟐𝑿
𝟎 , 𝑺𝒊 𝒏𝒐𝒏

𝑺𝑿,𝑨 > 0 𝑺𝑿,𝑨 < 0

𝜽𝟑 > 0 𝑩𝒊𝒂𝒊𝒔 𝒑𝒐𝒔𝒊𝒕𝒊𝒇 𝑩𝒊𝒂𝒊𝒔 𝒏é𝒈𝒂𝒕𝒊𝒇

𝜽𝟑 < 0 𝑩𝒊𝒂𝒊𝒔 𝒏é𝒈𝒂𝒕𝒊𝒇 𝑩𝒊𝒂𝒊𝒔 𝒑𝒐𝒔𝒊𝒕𝒊𝒇

𝑺𝑾,𝑨
𝑬 𝜽𝟐 − 𝜽𝟐 = 𝜽𝟑 , 𝑺𝒊 𝑨 𝒆𝒕 𝑾 𝒔𝒐𝒏𝒕 𝒄𝒐𝒓𝒓é𝒍é𝒔
∎ 𝑩𝒊𝒂𝒊𝒔 𝜽𝟐 = 𝑺𝟐𝑾
𝟎 , 𝑺𝒊 𝒏𝒐𝒏

𝑺𝑾,𝑨 > 0 𝑺𝑾,𝑨 < 0

𝜽𝟑 > 0 𝑩𝒊𝒂𝒊𝒔 𝒑𝒐𝒔𝒊𝒕𝒊𝒇 𝑩𝒊𝒂𝒊𝒔 𝒏é𝒈𝒂𝒕𝒊𝒇

𝜽𝟑 < 0 𝑩𝒊𝒂𝒊𝒔 𝒏é𝒈𝒂𝒕𝒊𝒇 𝑩𝒊𝒂𝒊𝒔 𝒑𝒐𝒔𝒊𝒕𝒊𝒇

6)

∎𝑺𝑿,𝑨 > 0 𝑷𝒖𝒊𝒔𝒒𝒖𝒆 𝒍’â𝒈𝒆 𝒅𝒆 𝒍’𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖 𝑨 𝒆𝒕 𝒍𝒆 𝒏𝒐𝒎𝒃𝒓𝒆 𝒅’𝒂𝒏𝒏é𝒆𝒔 𝒅𝒆 𝒇𝒐𝒓𝒎𝒂𝒕𝒊𝒐𝒏 𝑿 𝒔𝒐𝒏𝒕

𝒆𝒏 𝒈é𝒏é𝒓𝒂𝒍 𝒑𝒐𝒔𝒊𝒕𝒊𝒗𝒆𝒎𝒆𝒏𝒕 𝒄𝒐𝒓𝒓é𝒍é𝒔 , 𝒄𝒐𝒎𝒎𝒆 𝒐𝒏 𝒂 𝜽𝟑 > 0 𝑑𝑜𝑛𝑐 𝑖𝑙 𝒔′ 𝒂𝒈𝒊𝒕𝒅′ 𝒖𝒏 𝒃𝒊𝒂𝒊𝒔 𝒑𝒐𝒔𝒊𝒕𝒊𝒇

𝒆𝒕 𝒍𝒆 𝒎𝒐𝒅è𝒍𝒆 é𝒕𝒂𝒊𝒕 𝒔𝒐𝒖𝒔-𝒅𝒊𝒎𝒆𝒏𝒔𝒊𝒐𝒏𝒏é.

𝑪𝒆𝒑𝒆𝒏𝒅𝒂𝒏𝒕 𝒄𝒆 𝒃𝒊𝒂𝒊𝒔 𝒏é𝒈𝒍𝒊𝒈𝒆𝒂𝒃𝒍𝒆 𝒑𝒖𝒊𝒔𝒒𝒖𝒆 𝒍’𝒆𝒇𝒇𝒆𝒕 𝒑𝒂𝒓𝒕𝒊𝒆𝒍 𝒅𝒆 𝑨 𝒔𝒖𝒓 𝒀 𝒆𝒔𝒕 𝒏é𝒈𝒍𝒊𝒈𝒆𝒂𝒃𝒍𝒆

𝜽𝟑 = 𝟎, 𝟎𝟏 ≅ 𝟎

∎𝑬𝒏 𝒔𝒖𝒑𝒑𝒐𝒔𝒂𝒏𝒕 𝒗𝒂𝒍𝒂𝒃𝒍𝒆, 𝒍′ 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒊𝒐𝒏 𝒅𝒖 𝒗𝒓𝒂𝒊 𝒎𝒐𝒅è𝒍𝒆 , 𝒐𝒏 𝒂𝒖𝒓𝒂 ∶

• 𝜽𝟏 : 𝑼𝒏𝒆 𝒂𝒏𝒏é𝒆 𝒅𝒆 𝒑𝒍𝒖𝒔 𝒅𝒆 𝒇𝒐𝒓𝒎𝒂𝒕𝒊𝒐𝒏 𝒇𝒂𝒊𝒕 𝒑𝒓𝒐𝒈𝒓𝒆𝒔𝒔𝒆𝒓 𝒍𝒆𝒔 𝒓𝒆𝒗𝒆𝒏𝒖𝒔 𝒅𝒆 𝟑%

• 𝜽𝟐 : 𝑼𝒏 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖 𝒆𝒔𝒕 𝒐𝒄𝒄𝒖𝒑é 𝒗𝒐𝒊𝒕 𝒔𝒆𝒔 𝒓𝒆𝒗𝒆𝒏𝒖𝒔 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒆𝒓 𝒅𝒆 𝒆𝜽𝟐 × 𝟏𝟎𝟎 − 𝟏𝟎𝟎 %
= 𝒆𝟎,𝟏𝟔 × 𝟏𝟎𝟎 − 𝟏𝟎𝟎 % = 𝟏𝟕, 𝟑𝟓%

• 𝜽𝟑 : 𝒍𝒆𝒔 𝒓𝒆𝒗𝒆𝒏𝒖𝒔 𝒂𝒖𝒈𝒎𝒆𝒏𝒕𝒆𝒏𝒕 𝒂𝒗𝒆𝒄 𝒍′ â𝒈𝒆 𝒅𝒆 𝒍′ 𝒊𝒏𝒅𝒊𝒗𝒊𝒅𝒖 𝒍’𝒆𝒙𝒑é𝒓𝒊𝒆𝒏𝒄𝒆 𝒑𝒓𝒐𝒇𝒆𝒔𝒔𝒊𝒐𝒏𝒏𝒆𝒍𝒍𝒆

𝒗𝒐𝒊𝒓 𝟏% 𝒑𝒐𝒖𝒓 𝒖𝒏𝒆 𝒂𝒏𝒏é𝒆 𝒅𝒆 𝒑𝒍𝒖𝒔

ème
90 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
Institut de Financement du Développement du Maghreb Arabe
CONCOURS DE RECRUTEMENT DE LA XXXVIème PROMOTION (BANQUE)
AOÛT 2016

Exercice 5 : (10 points: 1,5+1,5+1,5+1,5+2+2)


ÉNONCÉ
𝑶𝒏 𝒄𝒐𝒏𝒔𝒊𝒅è𝒓𝒆 𝒍𝒂 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒆𝒏𝒕𝒓𝒆 𝒍𝒆 𝒄𝒉𝒊𝒇𝒇𝒓𝒆 𝒅′ 𝒂𝒇𝒇𝒂𝒊𝒓𝒆𝒔 𝒚 𝒆𝒕 𝒍𝒆 𝒏𝒊𝒗𝒆𝒂𝒖 𝒅′ 𝒊𝒏𝒗𝒆𝒔𝒕𝒊𝒔𝒔𝒆𝒎𝒆𝒏𝒕 𝒙

𝒐𝒃𝒔𝒆𝒓𝒗é𝒔 𝒔𝒖𝒓 𝒖𝒏 𝒆𝒏𝒔𝒆𝒎𝒃𝒍𝒆 𝒅𝒆 𝒏 = 𝟐𝟎 𝒆𝒏𝒕𝒓𝒆𝒑𝒓𝒊𝒔𝒆𝒔 ∶

𝒚𝒊 = 𝒂𝒙𝒊 + 𝒃 + 𝝐𝒊 , 𝒑𝒐𝒖𝒓 𝒊 = 𝟏, 𝟐, … , 𝟐𝟎

𝒐ù 𝝐𝒊 𝒔𝒐𝒏𝒕 𝒅𝒆𝒔 𝒕𝒆𝒓𝒎𝒆𝒔 𝒂𝒍é𝒂𝒕𝒐𝒊𝒓𝒆𝒔 𝒊𝒅𝒆𝒏𝒕𝒊𝒒𝒖𝒆𝒎𝒆𝒏𝒕 𝒆𝒕 𝒊𝒏𝒅é𝒑𝒆𝒏𝒅𝒂𝒎𝒎𝒆𝒏𝒕 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖é𝒔 𝒔𝒆𝒍𝒐𝒏 𝒖𝒏𝒆

𝒍𝒐𝒊 𝒏𝒐𝒓𝒎𝒂𝒍𝒆 𝒅′ 𝒆𝒔𝒑é𝒓𝒂𝒏𝒄𝒆 𝒎𝒂𝒕𝒉é𝒎𝒂𝒕𝒊𝒒𝒖𝒆 𝒏𝒖𝒍𝒍𝒆 𝒆𝒕 𝒅𝒆 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝝇𝟐 , 𝒂 𝒆𝒕 𝒃 𝒔𝒐𝒏𝒕 𝒅𝒆𝒔 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆𝒔


𝟐𝟎 𝟐𝟎

à 𝒆𝒔𝒕𝒊𝒎𝒆𝒓 . 𝑶𝒏 𝒅𝒊𝒔𝒑𝒐𝒔𝒆 𝒅𝒆𝒔 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆𝒔 𝒔𝒖𝒊𝒗𝒂𝒏𝒕𝒆𝒔 ∶ 𝒚𝒊 = 𝟏𝟗𝟖 ; 𝒙𝒊 = 𝟐𝟏𝟎


𝒊=𝟏 𝒊=𝟏

𝟐𝟎 𝒏
𝟐
𝟏
𝒆𝒕 𝒙𝒊 − 𝒙 = 𝟔𝟔𝟓 ; 𝒐ù 𝒙 = 𝒙𝒊 𝒆𝒔𝒕 𝒍𝒂 𝒎𝒐𝒚𝒆𝒏𝒏𝒆 𝒆𝒎𝒑𝒊𝒓𝒊𝒒𝒖𝒆 𝒅𝒆 𝒙 .
𝒏
𝒊=𝟏 𝒊=𝟏

𝑷𝒂𝒓 𝒂𝒊𝒍𝒍𝒆𝒖𝒓𝒔 , 𝒂 𝒍′ 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒂 𝒑𝒂𝒓 𝒍𝒂 𝒎é𝒕𝒉𝒐𝒅𝒆 𝒅𝒆𝒔 𝒎𝒐𝒊𝒏𝒅𝒓𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒐𝒓𝒅𝒊𝒏𝒂𝒊𝒓𝒆𝒔 𝒆𝒕 𝒅𝒆 𝒔𝒂


𝟐
𝒔𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝑽 𝒂 𝒔𝒐𝒏𝒕 é𝒈𝒂𝒍 à ∶ 𝒂 = 𝟎, 𝟖 𝒆𝒕 𝑽 𝒂 = 𝟎, 𝟎𝟏

1)

𝑹𝒂𝒑𝒑𝒆𝒍𝒆𝒓 𝒍𝒆𝒔 𝒆𝒙𝒑𝒓𝒆𝒔𝒔𝒊𝒐𝒏𝒔 𝒎𝒂𝒕𝒉é𝒎𝒂𝒕𝒊𝒒𝒖𝒆𝒔 𝒅𝒆 𝒂 𝒆𝒕 𝒅𝒆 𝒃 , 𝒍𝒆𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒊𝒐𝒏𝒔 𝒅𝒆 𝒂 𝒆𝒕 𝒃 𝒑𝒂𝒓 𝒍𝒂

𝒎é𝒕𝒉𝒐𝒅𝒆 𝒅𝒆𝒔 𝒎𝒐𝒊𝒏𝒅𝒓𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒐𝒓𝒅𝒊𝒏𝒂𝒊𝒓𝒆𝒔 . 𝑬𝒏 𝒅é𝒅𝒖𝒊𝒓𝒆 𝒍𝒂 𝒗𝒂𝒍𝒆𝒖𝒓 𝒅𝒆 𝒃

2)
𝒏

𝑷𝒓𝒐𝒖𝒗𝒆𝒓 𝒒𝒖𝒆 𝒂 𝒑𝒆𝒖𝒕 𝒔′ é𝒄𝒓𝒊𝒓𝒆 𝒔𝒐𝒖𝒔 𝒍𝒂 𝒇𝒐𝒓𝒎𝒆 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆, 𝒂 = 𝜶𝒊 𝒚𝒊 𝒂𝒗𝒆𝒄 𝜶𝒊 𝒅𝒆𝒔 𝒑𝒐𝒏𝒅é𝒓𝒂𝒕𝒊𝒐𝒏𝒔
𝒊=𝟏

𝒏 𝒏

𝒗é𝒓𝒊𝒇𝒂𝒏𝒕 ∶ 𝜶𝒊 = 𝟎 𝒆𝒕 𝜶𝒊 𝒙𝒊 = 𝟏
𝒊=𝟏 𝒊=𝟏

3)

𝝇𝟐
𝑬𝒏 𝒅é𝒅𝒖𝒊𝒓𝒆 𝒒𝒖𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒆 𝒂 𝒆𝒔𝒕 𝑽 𝒂 = 𝒏 𝟐
𝒊=𝟏 𝒙𝒊 − 𝒙

ème
91 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
4)

𝑻𝒆𝒔𝒕𝒆𝒓 𝒍𝒂 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒊𝒕é 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒙 à 𝒖𝒏 𝒏𝒊𝒗𝒆𝒂𝒖 𝟗𝟓% 𝒅𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒓𝒊𝒗𝒊𝒕é . 𝑰𝒏𝒕𝒆𝒓𝒑𝒓é𝒕𝒆𝒓

𝒄𝒆 𝒓é𝒔𝒖𝒍𝒕𝒂𝒕 . 𝑶𝒏 𝒓𝒂𝒑𝒑𝒆𝒍𝒍𝒆 𝒒𝒖𝒆 𝒑𝒐𝒖𝒓 𝑺 𝒖𝒏𝒆 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒅𝒆 𝑺𝒕𝒖𝒅𝒆𝒏𝒕 , 𝒍𝒂 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒕é 𝑷 −𝟐 < 𝑺 < 𝟐

𝒆𝒔𝒕 𝒂𝒑𝒑𝒓𝒐𝒙𝒊𝒎𝒂𝒕𝒊𝒗𝒆𝒎𝒆𝒏𝒕 é𝒈𝒂𝒍𝒆 à 𝟎, 𝟗𝟓

5)
𝟐𝟎

𝑫é𝒕𝒆𝒓𝒎𝒊𝒏𝒆𝒓 𝒍𝒂 𝒗𝒂𝒍𝒆𝒖𝒓 𝒅𝒆 𝒙𝒊 − 𝒙 𝒚𝒊 − 𝒚 𝒂𝒊𝒏𝒔𝒊 𝒒𝒖𝒆 𝒍′ 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝝇 , 𝒍′ é𝒄𝒂𝒓𝒕𝒕𝒚𝒑𝒆 𝒅𝒆 𝝐𝒊


𝒊=𝟏

6)
𝟐𝟎

𝑬𝒏 𝒅é𝒅𝒖𝒊𝒓𝒆 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒅𝒆𝒔 𝒓é𝒔𝒊𝒅𝒖𝒔 𝝐𝟐𝒊 𝒂𝒊𝒏𝒔𝒊 𝒒𝒖𝒆 𝒍𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆
𝒊=𝟏

𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏.

Corrigé
1)

𝑺𝒐𝒖𝒔 𝒍𝒆𝒔 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆𝒔 𝒅𝒆 𝒍𝒂 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒄𝒍𝒂𝒔𝒔𝒊𝒒𝒖𝒆 , 𝒍𝒂 𝒎é𝒕𝒉𝒐𝒅𝒆 𝑴𝑪𝑶 , 𝒒𝒖𝒊 𝒄𝒐𝒏𝒔𝒊𝒔𝒕𝒆 à 𝒎𝒊𝒏𝒊𝒎𝒊𝒔𝒆𝒓
𝒏 𝒏
𝟐
𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒅𝒆𝒔 𝒓é𝒔𝒊𝒅𝒖𝒔 ∶ 𝐦𝐢𝐧 𝜺𝟐𝒊 = 𝐦𝐢𝐧 𝒚𝒊 − 𝒃 − 𝒂𝒙𝒊 , 𝒇𝒐𝒖𝒓𝒏𝒊𝒓𝒂 𝒍𝒆𝒔
𝒃,𝒂 𝒃,𝒂
𝒊=𝟏 𝒊=𝟏

𝒏 𝒏
𝟏
𝒃 = 𝒚 − 𝒂𝒙 = 𝒚𝒊 − 𝒂 𝒙𝒊
𝒏
𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒊𝒐𝒏𝒔 𝒔𝒖𝒊𝒗𝒂𝒏𝒕𝒆𝒔 ∶ 𝒊=𝟏 𝒊=𝟏
𝒏
𝒊=𝟏 𝒙 𝒊 − 𝒙 𝒚𝒊 − 𝒚
𝒂= 𝒏 𝟐
𝒊=𝟏 𝒙𝒊 − 𝒙

𝒏 𝒏
𝟏 𝟏
𝒃 = 𝒚 − 𝒂𝒙 = 𝒚𝒊 − 𝒂 𝒙𝒊 = 𝟏𝟗𝟖 − 𝟎, 𝟖 × 𝟐𝟏𝟎 = 𝟏, 𝟓
𝒏 𝟐𝟎
𝒊=𝟏 𝒊=𝟏 ⇒ 𝒃 = 𝟏, 𝟓
𝒏
𝒙𝒊 − 𝒙 𝒚𝒊 − 𝒚 𝒂 = 𝟎, 𝟖
𝒊=𝟏
𝒂= 𝒏 𝟐
= 𝟎, 𝟖
𝒊=𝟏 𝒙𝒊 − 𝒙

2)

Méthodes
Thème ❹ Économétrie I
Quantitatives

Le modèle de régression linéaire simple

ème
92 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝓐– 𝟓 • 𝑴𝒐𝒎𝒆𝒏𝒕𝒔 𝒅𝒆𝒔 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒔 𝒅𝒆 𝒎𝒐𝒊𝒏𝒅𝒓𝒆𝒔 𝒄𝒂𝒓𝒓é𝒆𝒔 ∶

𝒏 𝒏 𝒏
𝒊=𝟏 𝒙 𝒊 − 𝒙 𝒚𝒊 − 𝒚 𝟏 𝟏
𝑶𝒏 𝒂 ∶ 𝒂 = 𝒏 𝟐
, 𝒏𝒐𝒕𝒐𝒏𝒔 𝑺 𝟐
𝒙 = 𝒙𝒊 − 𝒙 𝟐
= 𝒙𝟐𝒊 − 𝒙𝟐
𝒊=𝟏 𝒙𝒊 − 𝒙 𝒏
𝒊=𝟏
𝒏
𝒊=𝟏

𝒏 𝒏

𝒂𝒊𝒏𝒔𝒊 , 𝒏𝑺𝟐𝒙 = 𝒙𝒊 − 𝒙 𝟐
= 𝒙𝟐𝒊 − 𝒏𝒙𝟐
𝒊=𝟏 𝒊=𝟏

𝒏
𝒊=𝟏 𝒙 𝒊 − 𝒙 𝒚𝒊 − 𝒚
𝒅𝒐𝒏𝒄 , 𝒂 = 𝒏 𝟐
𝒊=𝟏 𝒙𝒊 − 𝒙

𝒏
𝒊=𝟏 𝒙 𝒊 − 𝒙 𝒚𝒊 − 𝒙 𝒊 − 𝒙 𝒚
=
𝒏𝑺𝟐𝒙
𝒏 𝒏
𝒊=𝟏 𝒙 𝒊 − 𝒙 𝒚𝒊 − 𝒊=𝟏 𝒙𝒊 − 𝒙 𝒚
=
𝒏𝑺𝟐𝒙
𝒏 𝒏
𝒙𝒊 − 𝒙 𝒚
= 𝟐
𝒚𝒊 − 𝒙𝒊 − 𝒙
𝒏𝑺𝒙 𝒏𝑺𝟐𝒙
𝒊=𝟏 𝒊=𝟏

𝒏 𝒏 𝒏
𝒙𝒊 − 𝒙 𝒚
= 𝟐
𝒚𝒊 − 𝟐 𝒙𝒊 − 𝒙
𝒏𝑺𝒙 𝒏𝑺𝒙
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝒏 𝒏
𝒙𝒊 − 𝒙 𝒚
= 𝒚 𝒊 − 𝒙𝒊 − 𝒏𝒙
𝒏𝑺𝟐𝒙 𝒏𝑺𝟐𝒙
𝒊=𝟏 𝒊=𝟏

𝒏 𝒏
𝒙𝒊 − 𝒙 𝒏𝒚 𝟏
= 𝟐
𝒚𝒊 − 𝟐 𝒙𝒊 − 𝒙
𝒏𝑺𝒙 𝒏𝑺𝒙 𝒏
𝒊=𝟏 𝒊=𝟏
𝜶𝒊
𝟎

𝒏
𝒙𝒊 − 𝒙 𝒙𝒊 − 𝒙
𝒂= 𝜶𝒊 𝒚𝒊 , 𝒐ù 𝜶𝒊 = = 𝒏 𝟏
𝒏𝑺𝟐𝒙 𝒊=𝟏 𝒙𝒊 − 𝒙 𝟐
𝒊=𝟏

𝒏 𝒏

𝑽é𝒓𝒊𝒇𝒊𝒐𝒏𝒔 𝒎𝒂𝒊𝒏𝒕𝒆𝒏𝒂𝒏𝒕 𝒒𝒖𝒆 𝜶𝒊 = 𝟎 𝒆𝒕 𝜶𝒊 𝒙𝒊 = 𝟏 ∶


𝒊=𝟏 𝒊=𝟏

𝒏 𝒏 𝒏 𝒏
𝒙𝒊 − 𝒙 𝟏
∎ 𝜶𝒊 = 𝟐
= 𝟐 𝒙𝒊 − 𝒙 𝒅′ 𝒐ù 𝜶𝒊 = 𝟎 𝟐
𝒏𝑺𝒙 𝒏𝑺𝒙
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝟎

𝒏 𝒏
𝒙𝒊 − 𝒙
∎ 𝜶𝒊 𝒙𝒊 = 𝒙𝒊
𝒏𝑺𝟐𝒙
𝒊=𝟏 𝒊=𝟏

ème
93 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒏
𝟏
= 𝟐 𝒙𝒊 − 𝒙 𝒙𝒊
𝒏𝑺𝒙
𝒊=𝟏

𝒏 𝒏
𝟏
= 𝟐 𝒙𝟐𝒊 −𝒙 𝒙𝒊
𝒏𝑺𝒙
𝒊=𝟏 𝒊=𝟏
𝒏𝒙

𝒏
𝟏
= 𝟐 𝒙𝟐𝒊 − 𝒏𝒙𝟐
𝒏𝑺𝒙
𝒊=𝟏

𝒏
𝒏 𝟏
= 𝟐 𝒙𝟐𝒊 − 𝒙𝟐
𝒏𝑺𝒙 𝒏
𝒊=𝟏
𝑺𝟐𝒙

𝑺𝟐𝒙
= 𝟐
𝑺𝒙
𝒏

𝑫’𝒐ù 𝜶𝒊 𝒙𝒊 = 𝟏 𝟑
𝒊=𝟏

𝒏

 𝑪𝒐𝒏𝒄𝒍𝒖𝒔𝒊𝒐𝒏 ∶ 𝒂 𝒑𝒆𝒖𝒕 𝒔 é𝒄𝒓𝒊𝒓𝒆 𝒔𝒐𝒖𝒔 𝒍𝒂 𝒇𝒐𝒓𝒎𝒆 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆, 𝒂 = 𝜶𝒊 𝒚𝒊
𝒊=𝟏

𝒏 𝒏
𝒙𝒊 − 𝒙 𝒙𝒊 − 𝒙
𝒂𝒗𝒆𝒄 𝜶𝒊 = = 𝒏 𝒅𝒆𝒔 𝒑𝒐𝒏𝒅é𝒓𝒂𝒕𝒊𝒐𝒏𝒔 𝒗é𝒓𝒊𝒇𝒂𝒏𝒕 ∶ 𝜶𝒊 = 𝟎 𝒆𝒕 𝜶𝒊 𝒙𝒊 = 𝟏
𝒏𝑺𝟐𝒙 𝒊=𝟏 𝒙𝒊 − 𝒙
𝟐
𝒊=𝟏 𝒊=𝟏

3)
𝒏

𝑽 𝒂 =𝑽 𝜶𝒊 𝒚𝒊
𝒊=𝟏

=𝑽 𝜶𝒊 𝒂𝒙𝒊 + 𝒃 + 𝝐𝒊
𝒊=𝟏

𝒏 𝒏 𝒏

=𝑽 𝒂 𝜶𝒊 𝒙𝒊 + 𝒃 𝜶𝒊 + 𝜶𝒊 𝝐𝒊
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝟏 𝟎

𝑽 𝒂 =𝑽 𝒂+ 𝜶𝒊 𝝐𝒊
𝒊=𝟏
𝜻𝒏

ème
94 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒙𝒊 − 𝒙
𝒂 é𝒕𝒂𝒏𝒕 𝒏𝒐𝒏 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆 , 𝒅𝒆 𝒎ê𝒎𝒆 𝒑𝒐𝒖𝒓 𝒍𝒆𝒔 𝜶𝒊 𝟏≤𝒊≤𝒏 𝒑𝒖𝒊𝒔𝒒𝒖𝒆 𝜶𝒊 = 𝒏 𝟐
, 𝒅𝒐𝒏𝒄 𝒆𝒍𝒍𝒆
𝒊=𝟏 𝒙𝒊 − 𝒙

𝒏𝒆 𝒅é𝒑𝒆𝒏𝒅 𝒒𝒖𝒓 𝒅𝒆𝒔 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒆𝒙𝒐𝒈è𝒏𝒆𝒔 𝒏𝒐𝒏 𝒔𝒕𝒐𝒄𝒉𝒂𝒔𝒕𝒊𝒒𝒖𝒆𝒔.


𝒏

𝑷𝒂𝒓 𝒍𝒂 𝒔𝒖𝒊𝒕𝒆 𝜻𝒏 = 𝜶𝒊 𝝐𝒊 , 𝒆𝒔𝒕 𝒖𝒏𝒆 𝒄𝒐𝒎𝒃𝒊𝒏𝒂𝒊𝒔𝒐𝒏 𝒍𝒊𝒏é𝒂𝒊𝒓𝒆 𝒅′ 𝒖𝒏𝒆 𝒔𝒖𝒊𝒕𝒆 𝒅𝒆 𝒗. 𝒂. 𝒊. 𝒊. 𝒅 𝝐𝒊 𝟏≤𝒊≤𝒏


𝒊=𝟏

𝒅𝒆 𝒍𝒂 𝒍𝒐𝒊 𝓝 𝟎, 𝝇𝟐 , 𝒄𝒆 𝒒𝒖𝒊 𝒅𝒐𝒏𝒏𝒆 𝒖𝒏𝒆 𝒔𝒖𝒊𝒕𝒆 𝒅𝒆 𝒗. 𝒂. 𝒊. 𝒊. 𝒅 𝜶𝒊 𝝐𝒊 𝟏≤𝒊≤𝒏 𝒅𝒆 𝒍𝒂 𝒍𝒐𝒊 𝓝 𝑬 𝜶𝒊 𝝐𝒊 , 𝑽 𝜶𝒊 𝝐𝒊

𝑶𝒏 𝒂𝒖𝒓𝒂 , 𝒅𝒐𝒏𝒄 , 𝑽 𝒂 = 𝑽 𝒂 + 𝜻𝒏

= 𝑽 𝜻𝒏
𝒏

=𝑽 𝜶𝒊 𝝐𝒊
𝒊=𝟏

= 𝑽 𝜶𝒊 𝝐𝒊
𝒊=𝟏

= 𝜶𝟐𝒊 𝑽 𝝐𝒊
𝒊=𝟏 𝝇𝟐

=𝝇 𝟐
𝜶𝟐𝒊
𝒊=𝟏

𝒏 𝟐
𝟐
𝒙𝒊 − 𝒙
=𝝇
𝒏𝑺𝟐𝒙
𝒊=𝟏

𝒏
𝝇𝟐 𝟐
= 𝟐 𝟒 𝒙𝒊 − 𝒙
𝒏 𝑺𝒙
𝒊=𝟏
𝒏𝑺𝟐𝒙

𝒏𝑺𝟐𝒙 𝝇𝟐
=
𝒏𝟐 𝑺𝟒𝒙

𝝇𝟐
= 𝟐
𝒏𝑺𝒙

𝝇𝟐
𝑫′ 𝒐ù 𝑽 𝒂 = 𝒏 𝟐
𝒊=𝟏 𝒙𝒊 − 𝒙

4)

𝑻𝒆𝒔𝒕𝒆𝒓 𝒍𝒂 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒊𝒕é 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒙 𝒍𝒆 𝒏𝒊𝒗𝒆𝒂𝒖 𝒅′ 𝒊𝒏𝒗𝒆𝒔𝒕𝒊𝒔𝒔𝒆𝒎𝒆𝒏𝒕 𝒄𝒆𝒍𝒂 𝒓𝒆𝒗𝒊𝒆𝒏𝒕 𝒂𝒖

ème
95 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝒎ê𝒎𝒆 𝒅𝒆 𝒕𝒆𝒔𝒕𝒆𝒓 𝒍𝒂 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒊𝒕é 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆 𝒅𝒖 𝒑𝒂𝒓𝒂𝒎è𝒕𝒓𝒆 𝒂 .

𝑬𝒏 𝒆𝒇𝒇𝒆𝒕 , 𝒐𝒏 𝒔𝒆 𝒑𝒓𝒐𝒑𝒐𝒔𝒆 𝒅𝒆 𝒄𝒐𝒏𝒇𝒓𝒐𝒏𝒕𝒆𝒓 𝒍′ 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒏𝒖𝒍𝒍𝒆 𝑯𝟎 ∶ 𝒂 = 𝟎 , 𝒄𝒐𝒏𝒕𝒓𝒆 𝒍′ 𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆

𝒂𝒍𝒕𝒆𝒓𝒏𝒂𝒕𝒊𝒗𝒆 𝑯𝒂 ∶ 𝒂 ≠ 𝟎 , 𝒔𝒐𝒖𝒔 𝒖𝒏 𝒓𝒊𝒔𝒒𝒖𝒆 𝒅𝒆 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆 𝒆𝒔𝒑è𝒄𝒆 𝜶 = 𝟓%

𝒂−𝒂
∎ 𝑺𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏 ∶ ↝ 𝓣 𝒏−𝟐
𝝇𝒂

𝒂−𝟎
∎ 𝑹è𝒈𝒍𝒆 𝒅𝒆 𝒅é𝒄𝒊𝒔𝒊𝒐𝒏 ∶ 𝒐𝒏 𝒓𝒆𝒋𝒆𝒕𝒕𝒆 𝑯𝟎 𝒔𝒊 𝒐𝒏 𝒐𝒃𝒔𝒆𝒓𝒗𝒆 𝑻𝟎 > 𝒕𝟏−𝜶 𝒏 − 𝟐 , 𝒐ù 𝑻𝟎 =
𝟐 𝝇𝒂

𝒂 𝟎, 𝟖
𝒐𝒓 𝑻𝟎 = = = 𝟖𝟎 𝒆𝒕 𝒕𝟏−𝜶 𝒏 − 𝟐 = 𝒕𝟎,𝟗𝟕𝟓 𝟐𝟎 − 𝟐 = 𝒕𝟎,𝟗𝟕𝟓 𝟏𝟖 ≅ 𝟐
𝝇𝒂 𝟎, 𝟎𝟏 𝟐

𝒅′ 𝒐ù 𝑻𝟎 > 𝒕𝟏−𝜶 𝒏 − 𝟐 𝒆𝒕 𝒂 𝒆𝒔𝒕 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒆𝒎𝒆𝒏𝒕 𝒏𝒐𝒏 𝒏𝒖𝒍 𝒂𝒖 𝒓𝒊𝒔𝒒𝒖𝒆 𝒅𝒆 𝟓%


𝟐

𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒙 𝒍𝒆 𝒏𝒊𝒗𝒆𝒂𝒖 𝒅′ 𝒊𝒏𝒗𝒆𝒔𝒕𝒊𝒔𝒔𝒆𝒎𝒆𝒏𝒕 𝒆𝒔𝒕 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒗𝒆 𝒂𝒗𝒆𝒄 𝒖𝒏


𝑬𝒏 𝒅′ 𝒂𝒖𝒕𝒓𝒆𝒔 𝒕𝒆𝒓𝒎𝒆𝒔
𝒓𝒊𝒔𝒒𝒖𝒆 𝒅𝒆 𝒑𝒓𝒆𝒎𝒊è𝒓𝒆 𝒆𝒔𝒑è𝒄𝒆 𝜶 = 𝟓%

1)
𝟐𝟎 𝟐𝟎 𝟐𝟎
𝟐 𝒊=𝟏 𝒙𝒊 − 𝒙 𝒚𝒊 − 𝒚
∎ 𝒙 𝒊 − 𝒙 𝒚𝒊 − 𝒚 = 𝒂 𝒙𝒊 − 𝒙 𝒑𝒓𝒐𝒗𝒊𝒆𝒏𝒕 𝒅𝒖 𝒇𝒂𝒊𝒕 𝒒𝒖𝒆 𝒂 = 𝟐𝟎 𝟐
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒙𝒊 − 𝒙

𝟐𝟎

𝒂𝒊𝒏𝒔𝒊 𝒙𝒊 − 𝒙 𝒚𝒊 − 𝒚 = 𝟎, 𝟖 × 𝟔𝟔𝟓
𝒊=𝟏

𝟐𝟎

𝒙𝒊 − 𝒙 𝒚𝒊 − 𝒚 = 𝟓𝟑𝟐
𝒊=𝟏

𝝇𝟐
∎ 𝑶𝒏 𝒂 𝑽 𝒂 = 𝟐𝟎 𝟐
𝒆𝒔𝒕 𝒖𝒏 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓 𝒔𝒂𝒏𝒔 𝒃𝒊𝒂𝒊𝒔 𝒆𝒕 𝒄𝒐𝒏𝒗𝒆𝒓𝒈𝒆𝒏𝒕 𝒅𝒆 𝑽 𝒂
𝒊=𝟏 𝒙𝒊 − 𝒙

𝒊𝒍 𝒆𝒏 𝒓é𝒔𝒖𝒍𝒕𝒆 𝒍′ 𝒆𝒙𝒑𝒓𝒆𝒔𝒔𝒊𝒐𝒏 𝒅𝒆 𝝇𝟐 𝒍′ 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒆𝒖𝒓𝒏𝒐𝒏 𝒃𝒊𝒂𝒊𝒔é 𝒆𝒕 𝒄𝒐𝒏𝒗𝒆𝒓𝒈𝒆𝒏𝒕 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 𝒅𝒆𝒔


𝟐𝟎
𝟐 𝟐 𝟐 𝟐
𝒆𝒓𝒓𝒆𝒖𝒓𝒔 𝝇 = 𝑽 𝝐𝒊 ∶ 𝝇 = 𝑽 𝝐𝒊 = 𝑽 𝒂 𝒙𝒊 − 𝒙 = 𝟎, 𝟎𝟏 × 𝟔𝟔𝟓 = 𝟎, 𝟎𝟔𝟔𝟓
𝒊=𝟏

𝒅′ 𝒐ù 𝒍′ 𝒆𝒔𝒕𝒊𝒎𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝝇 𝒍′ é𝒄𝒂𝒓𝒕-𝒕𝒚𝒑𝒆 𝒅𝒆𝒔 𝝐𝒊 ∶ 𝝇 = 𝟎, 𝟐𝟓𝟕𝟗

2)
𝟐𝟎 𝟐
𝟐 𝒊=𝟏 𝝐𝒊 𝑺𝑪𝑹
∎ 𝑶𝒏 𝒂 ∶ 𝝇 = = ⇒ 𝑺𝑪𝑹 = 𝒏 − 𝟐 𝝇𝟐 = 𝟏𝟖 × 𝟎, 𝟎𝟔𝟔𝟓
𝒏−𝟐 𝒏−𝟐

ème
96 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba
BEN AHMED MOHSEN Téléphone: (+216) 97 619191 / 54 619191
omega.center.cp@gmail.com https://web.facebook.com/OMEGACENTER2014
𝟐𝟎

𝑺𝑪𝑹 = 𝝐𝟐𝒊 = 𝟏, 𝟏𝟗𝟕


𝒊=𝟏

∎ 𝑶𝒏 𝒂 𝒍𝒂 𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒆𝒙𝒑𝒍𝒊𝒒𝒖é𝒔 ∶


𝟐𝟎 𝟐𝟎
𝟐 𝟐 𝟐 𝟐
𝑺𝑪𝑬 = 𝒚𝒊 − 𝒚 =𝒂 𝒙𝒊 − 𝒙 = 𝟎, 𝟖 × 𝟔𝟔𝟓 = 𝟒𝟐𝟓, 𝟔
𝒊=𝟏 𝒊=𝟏

𝒐𝒓 𝒍’é𝒒𝒖𝒂𝒕𝒊𝒐𝒏 𝒅’𝒂𝒏𝒂𝒍𝒚𝒔𝒆 𝒅𝒆 𝒍𝒂 𝒗𝒂𝒓𝒊𝒂𝒏𝒄𝒆 , 𝒏𝒐𝒖𝒔 𝒅𝒐𝒏𝒏𝒆 ∶ 𝑺𝑪𝑻 = 𝑺𝑪𝑬 + 𝑺𝑪𝑹 , 𝒐ù 𝑺𝑪𝑻 𝒆𝒔𝒕 𝒍𝒂

𝒔𝒐𝒎𝒎𝒆 𝒅𝒆𝒔 𝒄𝒂𝒓𝒓é𝒔 𝒕𝒐𝒕𝒂𝒖𝒙 ∶


𝟐𝟎 𝟐𝟎 𝟐𝟎

𝑺𝑪𝑻 = 𝒚𝒊 − 𝒚 𝟐
= 𝒂𝟐 𝒙𝒊 − 𝒙 𝟐
+ 𝝐𝟐𝒊 = 𝟒𝟐𝟓, 𝟔 + 𝟏, 𝟏𝟗𝟕 = 𝟒𝟐𝟔, 𝟕𝟗𝟕
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝑺𝑪𝑬
𝒆𝒕 𝒄𝒐𝒎𝒎𝒆 𝒐𝒏 𝒂 𝒍𝒆 𝒄𝒐𝒆𝒇𝒇𝒊𝒄𝒊𝒆𝒏𝒕 𝒅𝒆 𝒅é𝒕𝒆𝒓𝒎𝒊𝒏𝒂𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒓é𝒈𝒓𝒆𝒔𝒔𝒊𝒐𝒏 , 𝑹𝟐 = , 𝒅𝒐𝒏𝒄 , 𝒐𝒏
𝑺𝑪𝑻
𝟒𝟐𝟓, 𝟔
𝒐𝒃𝒕𝒊𝒆𝒏𝒕 ∶ 𝑹𝟐 =
𝟒𝟐𝟔, 𝟕𝟗𝟕

𝑹𝟐 = 𝟗𝟗, 𝟕𝟐%

𝑬𝒏 𝒆𝒇𝒇𝒆𝒕 𝒊𝒍 𝒔′ 𝒂𝒈𝒊𝒕 𝒅′ 𝒖𝒏 𝒎𝒆𝒊𝒍𝒍𝒆𝒖𝒓 𝒂𝒋𝒖𝒔𝒕𝒆𝒎𝒆𝒏𝒕. 𝑳𝒆 𝒏𝒊𝒗𝒆𝒂𝒖 𝒅′ 𝒊𝒏𝒗𝒆𝒔𝒕𝒊𝒔𝒔𝒆𝒎𝒆𝒏𝒕 𝒙 𝒄𝒐𝒏𝒕𝒓𝒊𝒃𝒖𝒆 à 𝒖𝒏𝒆

𝒆𝒙𝒑𝒍𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒅𝒆𝒔 𝒄𝒉𝒊𝒇𝒇𝒓𝒆𝒔 𝒅′ 𝒂𝒇𝒇𝒂𝒊𝒓𝒆𝒔 𝒅𝒆 𝒍′ 𝒐𝒓𝒅𝒓𝒆 𝒅𝒆 𝟗𝟗, 𝟕𝟐% , 𝒄𝒆 𝒒𝒖𝒊 𝒏𝒐𝒖𝒔 𝒑𝒆𝒓𝒎𝒆𝒕 𝒅𝒆 𝒅𝒆𝒗𝒊𝒏𝒆𝒓

𝒂𝒗𝒆𝒄 𝒑𝒓é𝒄𝒊𝒔𝒊𝒐𝒏 𝒍𝒆𝒔 𝒗𝒂𝒍𝒆𝒖𝒓𝒔 𝒅𝒆 𝒚

ème
97 XXXVII PROMOTION 2017/ Thème❹
Adresse : 2, Rue Ibn Arafa, av de l'environnement Manouba Centre, Manouba

Vous aimerez peut-être aussi