Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay
|
|
- Emmanuelle Latour
- il y a 8 ans
- Total affichages :
Transcription
1 Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay
2 Plan 1 Incertitudes des modèles empiriques 2 Identification et caractérisation des paramètres incertains 3 Propagation des incertitudes Propagation des variances Propagation des distributions 4 Analyse de sensibilité 5 Exemples La combustion du méthanol Incertitudes en extrapolation linéaire 6 Conclusions
3 Incertitudes des modèles empiriques Incertitudes en modélisation 1 Formulation (mathématique) du modèle : approximations, incertitudes structurales 2 Implémentation numérique du modèle : précision des algorithmes, seuils de convergence ; modèles stochastiques 3 Incertitudes paramétriques Dans ce cours, nous nous intéressons essentiellement au point 3.
4 Incertitudes des modèles empiriques Modèles physico-chimiques à paramètres empiriques Modélisation d objets complexes impliquant de nombreux paramètres empiriques ex : systèmes biologiques (signalisation cellulaire...) combustion chimie atmosphérique... Empirique : (adj.) qui s appuie sur l expérience et non sur la théorie. Dans notre cas, il s agit de paramètres découlant de mesures, donc incertains. Des modèles pour quoi faire? comprendre prédire ; nécessite un modèle validé
5 Incertitudes des modèles empiriques Comment améliorer un modèle complexe? Ajuster les valeurs des paramètres Risqué : choix des données expérimentales de référence biais possibles dans le modèle (p.ex. schéma cinétique incomplet) paramétres optimaux pas nécessairement transférables ou en désaccord avec les valeurs mesurées Améliorer la précision des paramètres procédure éventuellement longue (expériences) meilleur ajustement non garanti...
6 Incertitudes des modèles empiriques Analyse et gestion des incertitudes
7 Incertitudes des modèles empiriques Analyse et gestion des incertitudes
8 Incertitudes des modèles empiriques Analyse et gestion des incertitudes
9 Incertitudes des modèles empiriques Analyse et gestion des incertitudes 1 Identifier la propriété cible à modéliser et la précision requise 2 Identifier et caractériser les paramètres incertains du modèle : valeur préférée, incertitude type... 3 Générer les prédictions du modèle prenant en compte les incertitudes 4 Identifier les paramètres principalement responsables des incertitudes de la cible : les paramètres clés 5 Améliorer la précision des paramètres clés 6 Recommencer en (3.) jusqu à atteindre la précision souhaitée
10 Identification et caractérisation des paramètres incertains Elicitation Lister les paramètres incertains et leur attribuer des incertitudes c est un travail qui requiert une bonne expertise dans la détermination des paramètres considérés peu de bases de données donnént accès à des données fiables à ce sujet : gros travail à prévoir le processus de base consiste à définir des indicateurs statistiques décrivant la valeur préférée et la dispersion (élicitation)
11 Identification et caractérisation des paramètres incertains Techniques d élicitation Outils de base pour la représentation probabiliste d un paramètre incertain X Indicateurs statistiques : valeur moyenne (x) et incertitude type (u X ) Incertitudes de Type A : détermination des estimateurs à partir d un échantillon de (N) mesures Valeur moyenne : x = 1 N P N i=1 x i Variance : σ 2 X = P n i=1 (x i x) 2 /(N 1) Incertitude-type sur x : u X = σ X / N Incertitudes de Type B : tous les autres cas Réf. : Évaluation des données de mesure Guide pour l expression de l incertitude de mesure. JCGM 100 :2008 http :// F.pdf
12 Identification et caractérisation des paramètres incertains Techniques d élicitation -Type B Pour le Type B, on doit fournir x et u X à partir d informations diverses : littérature scientifique notice des instruments certificats de calibration limitations d affichage... Technique : définir une densité de probabilité pour représenter la distribution plausible des erreurs, et utiliser l incertitude-type correspondant à cette densité. Réf. : Évaluation des données de mesure Guide pour l expression de l incertitude de mesure. JCGM 100 :2008 http :// F.pdf
13 Identification et caractérisation des paramètres incertains Distribution Uniforme Propriétés x [ a, a] p(x a) = 1 2a x / [ a, a] p(x a) = 0 < x >= 0; u x = a/ 3 Utilisation si on ne dispose que des limites de X, sans indications sur une valeur préférée Exemple Le parcours optique d une cellule de fluorimètre est donné par le fabricant avec une tolérance de 0.1 mm 9.9 < l < 10.1 mm u l = 0.1/ 3 1/2a 2a a/3 1/2 -a 0 a x
14 Identification et caractérisation des paramètres incertains Distribution Triangulaire Propriétés x [ a, 0] p(x a) = (a + x)/a 2 x [0, a] p(x a) = (a x)/a 2 x / [ a, a] p(x a) = 0 2a < x >= 0; u x = a/ 6 Utilisation on dispose des limites de X et de sa valeur préférée, au centre de l intervalle 1/a a/6 1/2 -a 0 a x
15 Identification et caractérisation des paramètres incertains Distribution Gaussienne Propriétés p(x µ, σ) = 1 2πσ exp < x >= µ ; u x = σ 1 «(x µ)2 2σ2 Utilisation Si on dispose d une valeur moyenne (µ) et d une incertitude connue sous la forme d une incertitude type s, u x = s incertitude relative s/x, u x = x.(s/x) intervalle de confiance à 95% x ± c, u x = c/2 99% 95% 67% -3s -2s -s 0 s 2s 3s x
16 Propagation des incertitudes Propagation des variances Propagation des variances Pour obtenir l incertitude combinée, on applique la règle suivante y = F (x 1,..., x k ) ( F u 2 Y = i X i ) 2 x i u 2 X i + i j ( ) F X i x i ( ) F X j x j cov(x i, X j ) où J i = F X i est appelé «coefficient de sensibilité». Cette formule est basée sur un développement de Taylor de F, avec troncation au premier ordre (linéaire). Même si F est une fonction non-linéaire des X i, on peut souvent trouver un intervalle suffisamment petit pour que son approximation par une droite soit bonne. En pratique, on trouve que cela fonctionne bien si les incertitudes relatives sont inférieures à 10 %. Réf. : Évaluation des données de mesure Guide pour l expression de l incertitude de mesure. JCGM 100 :2008 http :// F.pdf
17 Propagation des incertitudes Propagation des variances Exemples - variables indépendantes Quelques exemples de propagation d incertitudes pour des variables non corrélées : Y a X 1 + b X 2 u Y = a X 1 X 2 u Y /y = u Y a 2 u 2 X 1 + b 2 u 2 X 2 (u X1 /x 1 ) 2 + (u X2 /x 2 ) 2 exp(x ) u Y /y = u X log 10 (X ) u Y = 1 ln(10) u X /x
18 Propagation des incertitudes Propagation des variances Exemples - variables corrélées On s intéresse ici à la différence de deux variables Y = X 1 X 2. La formule standard nous donne u Y = ux ux cov(x 1, X 2 ) avec cov(x 1, X 2 ) = u X1 u X2 corr(x 1, X 2 ). Illustration (Hyp. : u X1 = u X2 ) corr(x 1, X 2 ) u Y 2 u X1 2 ux1 0
19 Propagation des incertitudes Propagation des variances Exemples - variables corrélées On remarquera que, compte tenu des limites du coefficient de corrélation, on vérifie toujours 0 u Y = u 2 X 1 + u 2 X 2 2 u X1 u X2 corr(x 1, X 2 ) u X1 + u X2 Plus généralement 0 u Y i Y X i u Xi xi La combinaison des incertitudes fournit donc seulement une limite supérieure absolue à l incertitude-type obtenue par la combinaison des variances, et non une estimation de cet écart-type.
20 Propagation des incertitudes Propagation des variances Combinaison des variances vs. combinaison des incertitudes Pourquoi on n utilise pas une formule de la forme u Y = i Y xi X i u Xi pour combiner des erreurs aléatoires? Théorème de la limite centrée : la somme de variables aléatoires indépendantes et de variance finie converge vers une loi Normale. X 1
21 Propagation des incertitudes Propagation des variances Combinaison des variances vs. combinaison des incertitudes Pourquoi on n utilise pas une formule de la forme u Y = i Y xi X i u Xi pour combiner des erreurs aléatoires? Théorème de la limite centrée : la somme de variables aléatoires indépendantes et de variance finie converge vers une loi Normale. X 1 + X 2
22 Propagation des incertitudes Propagation des variances Combinaison des variances vs. combinaison des incertitudes Pourquoi on n utilise pas une formule de la forme u Y = i Y xi X i u Xi pour combiner des erreurs aléatoires? Théorème de la limite centrée : la somme de variables aléatoires indépendantes et de variance finie converge vers une loi Normale. X 1 + X 2 + X 3
23 Propagation des incertitudes Propagation des variances Combinaison des variances vs. combinaison des incertitudes Pourquoi on n utilise pas une formule de la forme u Y = i Y xi X i u Xi pour combiner des erreurs aléatoires? Théorème de la limite centrée : la somme de variables aléatoires indépendantes et de variance finie converge vers une loi Normale. X X 6
24 Propagation des incertitudes Propagation des distributions Propagation des distributions par Monte Carlo p(f (x) = y) = dx δ(f (x) y) p(x) 1 Représentation des paramètres incertains par des densités de probabilités 2 Génération d un échantillon aléatoire représentatif des paramètres 3 Pour chaque point de l échantillon, calcul de la valeur du modèle 4 Analyse statistique de l échantillon des valeurs du modèle Réf. : Evaluation of measurement data Supplement 1 to the Guide to the expression of uncertainty in measurement. JCGM 101 :2008. http :// E.pdf
25 Propagation des incertitudes Propagation des distributions Propagation des distributions par Monte Carlo p(f (x) = y) = dx δ(f (x) y) p(x) Réf. : Evaluation of measurement data Supplement 1 to the Guide to the expression of uncertainty in measurement. JCGM 101 :2008. http :// E.pdf
26 Propagation des incertitudes Propagation des distributions Propagation des distributions par Monte Carlo p(f (x) = y) = dx δ(f (x) y) p(x) g {x1,...,x n}(ξ 1, ξ 2,..., ξ n ) { }} { F ξ (1) 1 ξ (1) 2... ξ n (1) η (1) ξ (2) 1 ξ (2) 2... ξ n (2) η (2).... ξ (m) 1 ξ (m) 2... ξ n (m) η (m) g y (η)
27 Propagation des incertitudes Propagation des distributions Propagation des distributions par Monte Carlo p(f (x) = y) = dx δ(f (x) y) p(x) g {x1,...,x n}(ξ 1, ξ 2,..., ξ n ) { }} { F ξ (1) 1 ξ (1) 2... ξ n (1) η (1) ξ (2) 1 ξ (2) 2... ξ n (2) η (2).... ξ (m) 1 ξ (m) 2... ξ n (m) η (m) g y (η)
28 Propagation des incertitudes Propagation des distributions Propagation des distributions par Monte Carlo p(f (x) = y) = dx δ(f (x) y) p(x) g {x1,...,x n}(ξ 1, ξ 2,..., ξ n ) { }} { F ξ (1) 1 ξ (1) 2... ξ n (1) η (1) ξ (2) 1 ξ (2) 2... ξ n (2) η (2).... ξ (m) 1 ξ (m) 2... ξ n (m) η (m) g y (η)
29 Propagation des incertitudes Propagation des distributions Propagation des distributions par Monte Carlo p(f (x) = y) = dx δ(f (x) y) p(x) g {x1,...,x n}(ξ 1, ξ 2,..., ξ n ) { }} { F ξ (1) 1 ξ (1) 2... ξ n (1) η (1) ξ (2) 1 ξ (2) 2... ξ n (2) η (2).... ξ (m) 1 ξ (m) 2... ξ n (m) η (m) g y (η)
30 Propagation des incertitudes Propagation des distributions Propagation des distributions par Monte Carlo p(f (x) = y) = dx δ(f (x) y) p(x) g {x1,...,x n}(ξ 1, ξ 2,..., ξ n ) { }} { F ξ (1) 1 ξ (1) 2... ξ n (1) η (1) ξ (2) 1 ξ (2) 2... ξ n (2) η (2).... ξ (m) 1 ξ (m) 2... ξ n (m) η (m) g y (η)
31 Analyse de sensibilité Analyse de sensibilité Aprés avoir évalué l incertitude de prédiction du modèle, on peut vouloir la réduire. Pour cela, on doit déterminer la contribution de chaque paramètre incertain à la variance des résultats du modèle il est général impossible d apporter plus de précision à tous les paramètres du modèle on peut ainsi cibler les paramètres les plus importants à affiner (paramètres clés), par de nouvelles expériences ou études théoriques
32 Analyse de sensibilité Analyse de sensibilité locale Cette analyse se base sur la partition de la variance de prédiction à partir de la formule de propagation des variances basée sur une approximation linéaire du modèle u 2 Y = i ( F X i ) 2 x i u 2 X i + i j ( ) F X i x i ( ) F X j x j cov(x i, X j ) Difficile à mettre en place si les paramètres d entrée sont corrélés (faire des groupes). Dans le cas de paramètres indépendants la contribution de chaque ( ) 2 F paramètre est X i ux 2 x i, qui dépend de deux contributions i la dérivée première du modèle par rapport au paramètre, évaluée au 2 F point moyen X i x i la variance du paramètre u 2 X i
33 Analyse de sensibilité Analyse de sensibilité globale L analyse de sensibilité locale est peu fiable pour les modèles non-linéaires en fonction des paramètres incertains pour les grandes incertitudes (typiquement supérieurs à 10 %) Il existe plusieurs méthodes d analyse de sensibilité globale [Saltelli et al. (2000) Sensitivity Analysis, Wiley], basées ou non sur des échantillons aléatoires. En combinaison avec la propagation des incertitudes par Monte Carlo, la plus simple est basée sur l estimation des coefficients de corrélation corr(y, X i ) à partir des échantillons déjà générés si les valeurs du modèle sont faiblement corrélées à celle d un paramètre, c est que celui-ci a peu d influence
34 Analyse de sensibilité Analyse de sensibilité globale ɛ B = DO B /(c B L)
35 Exemples La combustion du méthanol Le problème
36 Exemples La combustion du méthanol Exemple de données cinétiques 93 réactions, 18 espèces
37 Exemples La combustion du méthanol La méthode 1 Echantillonnage Monte Carlo des paramètres incertains (distributions uniformes dans [k 0 /F, k 0 F ]) 2 Calcul de l échantillon de la propriété cible (le temps d ignition) 3 Identifiaction des paramètres-clés 4 Calcul ab initio des vitesses des réactions-clé (F = 2) 5 Goto 1 jusqu à convergence de la propriété cible
38 Exemples La combustion du méthanol Non-linéarité du modèle
39 Exemples La combustion du méthanol Analyse de sensibilité
40 Exemples La combustion du méthanol Evolution de l importance d un paramètre clé
41 Exemples La combustion du méthanol Evolution de l importance d un paramètre clé
42 Exemples La combustion du méthanol Evolution de l importance d un paramètre clé
43 Exemples La combustion du méthanol Evolution de la fidélité de prédiction
44 Exemples La combustion du méthanol Evolution de la fidélité de prédiction
45 Exemples La combustion du méthanol Illustration
46 Exemples La combustion du méthanol Illustration
47 Exemples La combustion du méthanol Illustration
48 Exemples Incertitudes en extrapolation linéaire Les données expérimentales y=ln k(t) T / K Réf. : N( 2 D) + C 2 H 4 [Sato et al. (1999) J. Phys. Chem. A 103 : ]
49 Exemples Incertitudes en extrapolation linéaire Calibration d une loi d Arrhenius Représenter la variation de la vitesse de réaction en fonction de T par une loi d Arrhenius k A (T ) = A exp( E/T ) Linéarisation du modèle et x = 1/T ln k A (T ) = ln A E/T = α + βx Problème de régression linéaire standard. Si on note χ 2 = i σ 2 i (y i α βx i ) 2 le problème revient à rechercher les valeurs de α et β minimisant χ 2, et leurs incertitudes
50 Exemples Incertitudes en extrapolation linéaire Régression linéaire Par la méthode des moindres carrés pondérés, on obtient β = ˆβ ± σ β = α = ˆα ± σ α = x 2.y x.xy x 2 x 2 ± xy x.y x 2 x ± 1 2 (x 2 x 2 ) i σ 2 i x 2 (x 2 x 2 ) i σ 2 i avec un coefficient de corrélation ρ = x/ x 2, et où on note z = σ 2 i z i / σ 2 i. Refs : Saporta, Bevington, Gowan...
51 Exemples Incertitudes en extrapolation linéaire Extrapolation à basse température On applique la loi de propagation des variances < ln k A (T ) >= ˆα + ˆβx(T ) u ln ka (T ) = = σα 2 + x(t ) 2 σβ 2 + 2x(T )σ ασ β ρ σα 2 + σβ 2 /T 2 2σ α σ β ρ/t
52 Exemples Incertitudes en extrapolation linéaire Importance de la corrélation des paramètres ln A E a/r (K) Best fit E. Hébrard et al., J. Phys. Chem. A 113 : (2009)
53 Exemples Incertitudes en extrapolation linéaire Importance de la corrélation des paramètres ln A E a/r (K) Correl Sato et al. (1999) ± ± 50 n/a E. Hébrard et al., J. Phys. Chem. A 113 : (2009)
54 Exemples Incertitudes en extrapolation linéaire Importance de la corrélation des paramètres ln A E a/r (K) Correl Réanalyse ± ± E. Hébrard et al., J. Phys. Chem. A 113 : (2009)
55 Exemples Incertitudes en extrapolation linéaire La loi d Arrhenius n est pas universelle O( 3 P) + alkenes : Sabbah et al. (2007) Science 317 :
56 Conclusions Conclusions les incertitudes paramétriques sont importantes dans de nombreux modèles leur gestion avec des méthodes raisonnées permet d apprendre beaucoup sur le modèle c est une étape nécessaire pour envisager la comparaison avec des expériences
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailModélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr
Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr Le concept de Mesure Virtuelle mesure virtuelle résultat d un modèle visant
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailBASE CONCEPTUELLE POUR L ANALYSE DES INCERTITUDES
A PPENDICE 1 BASE CONCEPTUELLE POUR L ANALYSE DES INCERTITUDES Recommendations du GIEC en matière de bonnes pratiques et de gestion des incertitudes pour les inventaires nationaux A1.1 Appendice 1 COPRESIDENTS,
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailIncertitudes expérimentales
Incertitudes expérimentales F.-X. Bally et J.-M. Berroir Février 2013 Table des matières Introduction 4 1 Erreur et incertitude 4 1.1 Erreurs............................................. 4 1.1.1 Définition
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailMémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.
Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailDETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailMESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailMesures et incertitudes
En physique et en chimie, toute grandeur, mesurée ou calculée, est entachée d erreur, ce qui ne l empêche pas d être exploitée pour prendre des décisions. Aujourd hui, la notion d erreur a son vocabulaire
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détail4. Résultats et discussion
17 4. Résultats et discussion La signification statistique des gains et des pertes bruts annualisés pondérés de superficie forestière et du changement net de superficie forestière a été testée pour les
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailIntroduction au pricing d option en finance
Introduction au pricing d option en finance Olivier Pironneau Cours d informatique Scientifique 1 Modélisation du prix d un actif financier Les actions, obligations et autres produits financiers cotés
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détailGestion obligataire passive
Finance 1 Université d Evry Séance 7 Gestion obligataire passive Philippe Priaulet L efficience des marchés Stratégies passives Qu est-ce qu un bon benchmark? Réplication simple Réplication par échantillonnage
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailItem 169 : Évaluation thérapeutique et niveau de preuve
Item 169 : Évaluation thérapeutique et niveau de preuve COFER, Collège Français des Enseignants en Rhumatologie Date de création du document 2010-2011 Table des matières ENC :...3 SPECIFIQUE :...3 I Différentes
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailBACCALAURÉAT GÉNÉRAL SESSION 2012 OBLIGATOIRE MATHÉMATIQUES. Série S. Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE
BACCALAURÉAT GÉNÉRAL SESSION 2012 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont autorisées, conformément à la
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailApprentissage par renforcement (1a/3)
Apprentissage par renforcement (1a/3) Bruno Bouzy 23 septembre 2014 Ce document est le chapitre «Apprentissage par renforcement» du cours d apprentissage automatique donné aux étudiants de Master MI, parcours
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailLe modèle de régression linéaire
Chapitre 2 Le modèle de régression linéaire 2.1 Introduction L économétrie traite de la construction de modèles. Le premier point de l analyse consiste à se poser la question : «Quel est le modèle?». Le
Plus en détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailChapitre 2 : Systèmes radio mobiles et concepts cellulaires
Chapitre 2 : Systèmes radio mobiles et concepts cellulaires Systèmes cellulaires Réseaux cellulaires analogiques de 1ère génération : AMPS (USA), NMT(Scandinavie), TACS (RU)... Réseaux numériques de 2ème
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailCompte rendu de LA37 B, TP numéro 1. Evolution de la température et du degrée d'hydratation
4 6 8 2 4 8 22 26 3 34 38 42 46 5 54 58 62 66 7 74 78 83 89 96 8 44 Bertin Morgan Compte rendu de LA37 B, TP numéro. Les essais effectués par le laboratoire des ponts et chaussés nous ont fournis la température
Plus en détailApprentissage non paramétrique en régression
1 Apprentissage non paramétrique en régression Apprentissage non paramétrique en régression Résumé Différentes méthodes d estimation non paramétriques en régression sont présentées. Tout d abord les plus
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailHealth Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation
Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailIntroduction à la Statistique Inférentielle
UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique
Plus en détailANALYSE NUMERIQUE ET OPTIMISATION. Une introduction à la modélisation mathématique et à la simulation numérique
1 ANALYSE NUMERIQUE ET OPTIMISATION Une introduction à la modélisation mathématique et à la simulation numérique G. ALLAIRE 28 Janvier 2014 CHAPITRE I Analyse numérique: amphis 1 à 12. Optimisation: amphis
Plus en détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
Plus en détailCHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle
CHAPITRE I Modélisation de processus et estimation des paramètres d un modèle I. INTRODUCTION. Dans la première partie de ce chapitre, nous rappelons les notions de processus et de modèle, ainsi que divers
Plus en détailProjet ANR. Bruno Capra - OXAND. 04/06/2015 CEOS.fr - Journée de restitution (Paris) B. CAPRA
Projet ANR Bruno Capra - OXAND MEFISTO : Maîtrise durable de la fissuration des infrastructures en bétons Contexte Problématique des Maîtres d Ouvrages Evaluation et prédiction de la performance des ouvrages
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailLe contrôle de gestion des projets :
Le contrôle de gestion des projets : Estimation, coûtenance et analyse des risques Frédéric Gautier «Le contrôle de gestion des projets : estimation, coûtenance et analyse des risques» 1 1. Des caractéristiques
Plus en détail