Génération aléatoire de structures ordonnées

Dimension: px
Commencer à balayer dès la page:

Download "Génération aléatoire de structures ordonnées"

Transcription

1 Génération aléatoire de structures ordonnées Olivier Roussel Équipe APR Laboratoire d Informatique de Paris 6 Université Pierre et Marie Curie ALÉA mars 2011 Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

2 Classes combinatoires spécifiables Classes spécifiables Classe définie par une grammaire formelle Langage de spécification : Des briques de bases : les atomes Plusieurs constructeurs : l union : + le produit cartésien : la séquence : Seq... Fonction de taille sur les objets, définie récursivement Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

3 Séries génératrices exponentielles Méthode Symbolique On associe une série à toute classe combinatoire C étiquetée Série formelle Série analytique en 0 sur C Si c n est le nombre d objets de C de taille n, alors C(z) = γ C 1 γ! z γ = Compte le nombre d objets de chaque taille n=0 On obtient des équations simples entre les séries c n z n n! Pour plus d informations sur les méthodes symboliques et l analyse d algorithmes, se référer au Livre [Flajolet et Sedgewick 09]. Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

4 Générateur de Boltzmann Définition Un générateur de Boltzmann pour une classe combinatoire C noté ΓC est un algorithme qui dépend d un paramètre réel x, et qui produit un objet γ donné de la classe avec probabilité où C est la série génératrice de C. x γ P x (γ) = 1 C(x) γ! Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

5 Propriétés des générateurs de Boltzmann Propriétés La taille des objets générés est une variable aléatoire Sur C n, tous les objets ont une probabilité uniforme En ajustant le paramètre x, on peut viser la taille espérée Théorème Le générateur libre de Boltzmann ΓC(x) a une complexité arithmétique linéaire en la taille de l objet de sortie. Pour le générateur approché, et pour une grande catégorie de classes combinatoires, la complexité arithmétique reste linéaire. Voir par exemple [Duchon, Flajolet, Louchard et Schaeffer 04]. Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

6 Exemples de générateurs de Boltzmann Générateurs de Boltzmann ΓA(x) Si A = B + C 1: Tirer U uniforme dans [0, 1] 2: si U B(x) A(x) alors 3: retourner ΓB(x) 4: sinon 5: retourner ΓC(x) 6: fin si Si A = B C 1: retourner (ΓB(x), ΓC(x)) Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

7 Exemples de générateurs de Boltzmann Générateurs de Boltzmann ΓA(x) Si A = B + C 1: Tirer U uniforme dans [0, 1] 2: si U B(x) A(x) alors 3: retourner ΓB(x) 4: sinon 5: retourner ΓC(x) 6: fin si Si A = B C 1: retourner (ΓB(x), ΓC(x)) Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

8 Structures ordonnées Apparition de contrainte d ordre entre les atomes Exemple : pour un arbre, le père est plus grand que ses fils Variétés d arbres croissants Permutations alternantes (arbres croissants binaires complets)... Permet de tenir compte de relation d ordres internes aux objets Fait apparaître des équations différentielles T = F(Z, T ) Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

9 Structures ordonnées Apparition de contrainte d ordre entre les atomes Exemple : pour un arbre, le père est plus grand que ses fils Variétés d arbres croissants Permutations alternantes (arbres croissants binaires complets)... Permet de tenir compte de relation d ordres internes aux objets Fait apparaître des équations différentielles T = F(Z, T ) Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

10 Structures ordonnées Apparition de contrainte d ordre entre les atomes Exemple : pour un arbre, le père est plus grand que ses fils Variétés d arbres croissants Permutations alternantes (arbres croissants binaires complets)... Permet de tenir compte de relation d ordres internes aux objets Fait apparaître des équations différentielles T = F(Z, T ) Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

11 Les résultats obtenus Idée du principe Faire varier stochastiquement le paramètre de Boltzmann au cours de l exécution de l algorithme Propriétés 1 Les propriétés des générateurs de Boltzmann restent valables 2 Le théorème suivant est encore valable Théorème Le générateur libre de Boltzmann ΓC(x) a une complexité arithmétique linéaire en la taille de l objet de sortie. Pour le générateur approché, et pour une grande catégorie de classes combinatoires, la complexité arithmétique reste linéaire. Voir par exemple [Duchon, Flajolet, Louchard et Schaeffer 04]. Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

12 Les résultats obtenus Idée du principe Faire varier stochastiquement le paramètre de Boltzmann au cours de l exécution de l algorithme Propriétés 1 Les propriétés des générateurs de Boltzmann restent valables 2 Le théorème suivant est encore valable Théorème Le générateur libre de Boltzmann ΓC(x) a une complexité arithmétique linéaire en la taille de l objet de sortie. Pour le générateur approché, et pour une grande catégorie de classes combinatoires, la complexité arithmétique reste linéaire. Voir par exemple [Duchon, Flajolet, Louchard et Schaeffer 04]. Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

13 Forme des algorithmes Boltzmann usuel : Si C i dépend de C 1,..., C N ΓC i (x) : 1: Faire des calculs, des tests et autres comparaisons... 2: Appeler récursivement ΓC 1 (x),, ΓC N (x) Boltzmann différentiel : Si C i dépend de C 1,..., C N ΓC i (x) : 1: Faire des calculs, des tests et autres comparaisons... 2: Tirer aléatoirement u selon une distribution δ x C i 3: Appeler récursivement ΓC 1 (ux),, ΓC N (ux) On a toujours u 1 Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

14 Forme des algorithmes Boltzmann usuel : Si C i dépend de C 1,..., C N ΓC i (x) : 1: Faire des calculs, des tests et autres comparaisons... 2: Appeler récursivement ΓC 1 (x),, ΓC N (x) Boltzmann différentiel : Si C i dépend de C 1,..., C N ΓC i (x) : 1: Faire des calculs, des tests et autres comparaisons... 2: Tirer aléatoirement u selon une distribution δ x C i 3: Appeler récursivement ΓC 1 (ux),, ΓC N (ux) On a toujours u 1 Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

15 Conséquences La valeur successive du paramètre tend toujours vers 0 À une vitesse au moins géométrique : E(x n appels récursifs) µ n avec µ < 1 dépend de x initial (et de la spécification) UPeu d appels récursifs! DBesoin d évaluer les séries génératrices en des points quelconques DTirage aléatoire selon une densité (à peu près) quelconque Pour beaucoup de classes combinatoires : génération approchée en temps encore linéaire Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

16 Conséquences 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0, Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

17 Problèmes techniques DBesoin d évaluer les séries génératrices en des points quelconques Évaluation approchée via un oracle Résolution par itération simple ou itération de Newton Quid des imprécisions? DTirage aléatoire selon une densité (à peu près) quelconque En fait, la densité a une forme spéciale Méthode adaptée de rejet Méthode ziggurat Mieux : si T ne dépend pas de Z = un seul tirage selon la loi uniforme suffit! Cas des variétés d arbres croissants Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

18 Problèmes techniques DBesoin d évaluer les séries génératrices en des points quelconques Évaluation approchée via un oracle Résolution par itération simple ou itération de Newton Quid des imprécisions? DTirage aléatoire selon une densité (à peu près) quelconque En fait, la densité a une forme spéciale Méthode adaptée de rejet Méthode ziggurat Mieux : si T ne dépend pas de Z = un seul tirage selon la loi uniforme suffit! Cas des variétés d arbres croissants Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

19 Exemple : arbres binaires T = Z + Z T 2 T (z) = 1 1 4z 2 2z ρ = 1 2 Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

20 Exemple : arbres binaires T = Z + Z T 2 T (z) = 1 1 4z 2 2z ρ = 1 2 Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

21 Exemple : arbres binaires T = Z + Z T 2 T (z) = 1 1 4z 2 2z ρ = 1 2 T = ε + T 2 T (z) = tan z ρ = π 2 Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

22 Exemple : arbres binaires T = Z + Z T 2 T (z) = 1 1 4z 2 2z ρ = 1 2 T = ε + T 2 T (z) = tan z ρ = π 2 Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

23 Exemple : arbres ternaires avec deux types de noeuds T = Z + 2Z T 3 T (z) = formule close compliquée 3 3 ρ = 0, 42 2 Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

24 Exemple : arbres ternaires avec deux types de noeuds T = Z + 2Z T 3 T (z) = formule close compliquée 3 3 ρ = 0, 42 2 Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

25 Exemple : arbres ternaires avec deux types de noeuds T = Z + 2Z T 3 T (z) = formule close compliquée 3 3 ρ = 0, 42 2 T = ε + 2T 3 T (z) = pas de formule close 3 4π ρ = 3 0, 96 3 Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

26 Exemple : arbres ternaires avec deux types de noeuds T = Z + 2Z T 3 T (z) = formule close compliquée 3 3 ρ = 0, 42 2 T = ε + 2T 3 T (z) = pas de formule close 3 4π ρ = 3 0, 96 3 Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

27 Exemple : arbres planaires T = Z Seq(T ) T (z) = 1 1 4z 2 ρ = 1 4 Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

28 Exemple : arbres planaires T = Z Seq(T ) T (z) = 1 1 4z 2 ρ = 1 4 Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

29 Exemple : arbres planaires T = Z Seq(T ) T (z) = 1 1 4z 2 ρ = 1 4 T = Seq(T ) T (z) = 1 1 2z ρ = 1 2 Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

30 Exemple : arbres planaires T = Z Seq(T ) T (z) = 1 1 4z 2 ρ = 1 4 T = Seq(T ) T (z) = 1 1 2z ρ = 1 2 Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

31 Exemple : arbres planaires Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

32 Arbres ternaires : résultats expérimentaux Sur un portable à 1Ghz avec 2Go de mémoire vive, avec une implémentation simple en OCaml Temps, en secondes : Génération libre ; : Génération approchée (à 10% près) Taille Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

33 Résultats et perspectives Résultats Extension du modèle de Boltzmann pour les structures ordonnées On conserve les bonnes propriétés de ce modèle : Uniformité des algorithmes Complexité Perspectives Calculs et complexité binaire Problème de l oracle : infinité de valeurs à connaître et série génératrice non explicite Quantifier l erreur lors des calculs flottants Étendre la classe des objets admissibles pour Boltzmann Systèmes différentiels Olivier Roussel (LIP6) Génération de structures ordonnées ALÉA / 12

Génération aléatoire d arbres de Motzkin à la Rémy

Génération aléatoire d arbres de Motzkin à la Rémy Génération aléatoire d arbres de Motzkin à la Rémy Axel Bacher, Olivier Bodini, Alice Jacquot LIPN, Université Paris 13 22 mars 2013 Sommaire 1 Introduction : Arbres de Catalan Algorithme de Rémy 2 Spécification

Plus en détail

REGAL: une bibliothèque pour la génération d automates Mardi déterministes

REGAL: une bibliothèque pour la génération d automates Mardi déterministes REGAL: une bibliothèque pour la génération d automates déterministes Julien David Mardi 30 octobre 2007 REGAL: une bibliothèque pour la génération d automates Mardi déterministes 30 octobre 2007 1 / 21

Plus en détail

DE BOLTZMANN. Mémoire d habilitation à diriger des recherches Spécialité Informatique

DE BOLTZMANN. Mémoire d habilitation à diriger des recherches Spécialité Informatique AUTOUR DE LA GÉNÉRATION ALÉATOIRE SOUS MODÈLE DE BOLTZMANN Olivier BODINI Mémoire d habilitation à diriger des recherches Spécialité Informatique Université Pierre et Marie Curie (UPMC-Sorbonne Universités),

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

Introduction: Arbres de recherche + Rappel: Arbres binaires de recherche

Introduction: Arbres de recherche + Rappel: Arbres binaires de recherche Introduction: Arbres de recherche + Rappel: Arbres binaires de recherche Dictionnaires ordonnés: Opérations principales: trouver(k): find(k): Si le dictionnaire a une entrée de clé k, retourne la valeur

Plus en détail

EXERCICES SANS PRÉPARATION HEC 2005. Question 11 D après HEC 2005-11 F 2 EXERCICES SANS PRÉPARATION 2008. Question 7 HEC 2006-7 F 1 élève

EXERCICES SANS PRÉPARATION HEC 2005. Question 11 D après HEC 2005-11 F 2 EXERCICES SANS PRÉPARATION 2008. Question 7 HEC 2006-7 F 1 élève 30-1- 2013 J.F.C. p. 1 F 1 F 2 F 3 Assez simple ou proche du cours. Demande du travail. Délicat. EXERCICES SANS PRÉPARATION HEC 2005 Question 11 D après HEC 2005-11 F 2 X est une variable aléatoire de

Plus en détail

I Arbres binaires. Lycée Faidherbe 2014-2015. 1 Rappels 2 1.1 Définition... 2 1.2 Dénombrements... 2 1.3 Parcours... 3

I Arbres binaires. Lycée Faidherbe 2014-2015. 1 Rappels 2 1.1 Définition... 2 1.2 Dénombrements... 2 1.3 Parcours... 3 I Arbres binaires 2014-2015 Table des matières 1 Rappels 2 1.1 Définition................................................ 2 1.2 Dénombrements............................................ 2 1.3 Parcours.................................................

Plus en détail

P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S

P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S POUR L ENSEIGNEMENT DE L INFORMATIQUE MPSI première année I. Objectifs de la formation II-1 Développement de compétences et d aptitudes

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 L2 MIASHS Cours de B. Desgraupes Simulation Stochastique Séance 04: Nombres pseudo-aléatoires Table des matières 1

Plus en détail

Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge

Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge Le programme se compose ainsi : Rappels collège/seconde Partie STAV 1/3 Partie STAV 2/3 Partie STAV

Plus en détail

TD 4 : HEC 2001 épreuve II

TD 4 : HEC 2001 épreuve II TD 4 : HEC 200 épreuve II Dans tout le problème, n désigne un entier supérieur ou égal à 2 On dispose de n jetons numérotés de à n On tire, au hasard et sans remise, les jetons un à un La suite (a, a 2,,

Plus en détail

Probabilités 5. Simulation de variables aléatoires

Probabilités 5. Simulation de variables aléatoires Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système

Plus en détail

Arbres Binaires de Recherche : Introduction

Arbres Binaires de Recherche : Introduction Arbres Binaires de Recherche : Introduction I. Guessarian cours ISN 11 janvier 2012 LIAFA, CNRS and University Paris Diderot 1/13 Arbre Binaire de Recherche Un Arbre Binaire de Recherche (ABR) est un arbre

Plus en détail

Utilisation des Structures Combinatoires pour le Test Statistique. Contexte. Plan. Le test de logiciel. Les structures combinatoires décomposables

Utilisation des Structures Combinatoires pour le Test Statistique. Contexte. Plan. Le test de logiciel. Les structures combinatoires décomposables Utilisation des Structures Combinatoires pour le Test Statistique Sandrine-Dominique GOURAUD Équipe Programmation et Génie Logiciel, L.R.I. Co-encadrants: M.-C. Gaudel et A. Denise Plan Contexte Structures

Plus en détail

Modèles à Événements Discrets. Réseaux de Petri Stochastiques

Modèles à Événements Discrets. Réseaux de Petri Stochastiques Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés

Plus en détail

Cours Algorithmique, 2ème partie AS IUT

Cours Algorithmique, 2ème partie AS IUT Cours Algorithmique, 2ème partie AS IUT Cours 2 : Arbres Binaires Anne Vilnat http://www.limsi.fr/individu/anne/coursalgo Plan 1 Représentations arborescentes 2 Définition d un arbre binaire récursive

Plus en détail

Programme de Première

Programme de Première BAC TECHNO STAV 66 I. Algèbre Programme de Première Objectif 1 - Effectuer de manière autonome des calculs numériques ou algébriques, résoudre des équations ou inéquations en vue de résoudre des problèmes

Plus en détail

Programme de mathématiques TSI1

Programme de mathématiques TSI1 Programme de mathématiques TSI1 1. PROGRAMME DE DÉBUT D ANNÉE I. Nombres complexes et géométrie élémentaire 1. Nombres complexes 1 2. Géométrie élémentaire du plan 3 3. Géométrie élémentaire de l espace

Plus en détail

Problèmes et Algorithmes Fondamentaux III Algorithme distribué probabiliste

Problèmes et Algorithmes Fondamentaux III Algorithme distribué probabiliste Problèmes et Algorithmes Fondamentaux III Algorithme distribué probabiliste Arnaud Labourel Université de Provence 12 avril 2012 Arnaud Labourel (Université de Provence) Problèmes et Algorithmes Fondamentaux

Plus en détail

Principes généraux de codage entropique d'une source. Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph

Principes généraux de codage entropique d'une source. Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph Principes généraux de codage entropique d'une source Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph Table des matières Objectifs 5 Introduction 7 I - Entropie d'une source 9 II -

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

1. Les fondements de l informatique 13

1. Les fondements de l informatique 13 Introduction à l'algorithmique 1. Les fondements de l informatique 13 1.1 Architecture de Von Neumann 13 1.2 La machine de Turing 17 1.3 Représentation interne des instructions et des données 19 1.3.1

Plus en détail

Structures de données, IMA S6

Structures de données, IMA S6 Structures de données, IMA S6 Arbres Binaires d après un cours de N. Devésa, Polytech Lille. Laure Gonnord http://laure.gonnord.org/pro/teaching/ Laure.Gonnord@polytech-lille.fr Université Lille 1 - Polytech

Plus en détail

Polynômes à plusieurs variables. Résultant

Polynômes à plusieurs variables. Résultant Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \

Plus en détail

Notion de complexité

Notion de complexité 1 de 27 Algorithmique Notion de complexité Florent Hivert Mél : Florent.Hivert@lri.fr Adresse universelle : http://www-igm.univ-mlv.fr/ hivert Outils mathématiques 2 de 27 Outils mathématiques : analyse

Plus en détail

Marches, permutations et arbres binaires aléatoires

Marches, permutations et arbres binaires aléatoires Marches, permutations et arbres binaires aléatoires Épreuve pratique d algorithmique et de programmation Concours commun des Écoles Normales Supérieures Durée de l épreuve: 4 heures Cœfficient: 4 Juillet

Plus en détail

UNIVERSITÉ DE CERGY Année 2012-2013 U.F.R. Économie & Gestion Licence d Économie et Mathématiques MATH104 : Mathématiques

UNIVERSITÉ DE CERGY Année 2012-2013 U.F.R. Économie & Gestion Licence d Économie et Mathématiques MATH104 : Mathématiques 1 UNIVERSITÉ DE CERGY Année 2012-201 U.F.R. Économie & Gestion Licence d Économie et Mathématiques MATH104 : Mathématiques Chapitre III : Polynômes 1 Fonctions polynômes & polynômes Définition 1. Soit

Plus en détail

BACCALAURÉAT BLANC 2013

BACCALAURÉAT BLANC 2013 BACCALAURÉAT BLANC 203 Série S Corrigé Exercice. a) On traduit les données de l énoncé et on représente la situation par un arbre pondéré. PF ) = 2, PF 2) = 3, P F ) = 5 00 = 20, P F 2 ) =,5 00 = 3 3,5,

Plus en détail

Cours 1: Introduction à l algorithmique

Cours 1: Introduction à l algorithmique 1 Cours 1: Introduction à l algorithmique Olivier Bournez bournez@lix.polytechnique.fr LIX, Ecole Polytechnique 2011-12 Algorithmique 2 Aujourd hui Calcul de x n Maximum Complexité d un problème Problème

Plus en détail

Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles

Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Technologie et biologie (TB) Discipline : Informatique Première et seconde années Programme d informatique

Plus en détail

Programmation avancée

Programmation avancée Programmation avancée Chapitre 1 : Complexité et les ABR (arbres binaires de recherche) 1 1 IFSIC Université de Rennes-1 M2Crypto, octobre 2011 Plan du cours 1 2 3 4 5 6 7 8 9 10 Algorithmes Définition

Plus en détail

Le mot «algorithme» vient du nom de l auteur persan Al-Khuwarizmi (né vers 780 - mort vers 850) Une définition: «un algorithme est une suite finie de

Le mot «algorithme» vient du nom de l auteur persan Al-Khuwarizmi (né vers 780 - mort vers 850) Une définition: «un algorithme est une suite finie de Le mot «algorithme» vient du nom de l auteur persan Al-Khuwarizmi (né vers 780 - mort vers 850) Une définition: «un algorithme est une suite finie de règles à appliquer dans un ordre déterminé à un nombre

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

ATELIER ALGORITHME PREMIERS PAS Journée d information sur les nouveaux programmes de Première S-ES 2010-2011

ATELIER ALGORITHME PREMIERS PAS Journée d information sur les nouveaux programmes de Première S-ES 2010-2011 Pour me contacter : irene.rougier@ac-clermont.fr 1. Introduction ATELIER ALGORITHME PREMIERS PAS Journée d information sur les nouveaux programmes de Première S-ES 2010-2011 De nombreux documents et informations

Plus en détail

Mathématiques mise à niveau - 521

Mathématiques mise à niveau - 521 Mathématiques mise à niveau - 521 Ces trois modules de mathématiques 521 ont été conçus pour préparer le PR1 de l activité SES option Informatique (EV7). Cette formation est néanmoins ouverte aux agents

Plus en détail

Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles

Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Informatique Première et seconde années

Plus en détail

1 Générateurs à Congruences Linéaires (GCL)

1 Générateurs à Congruences Linéaires (GCL) TP 4 : Générateurs pseudo-aléatoires et applications Un générateur de nombres pseudo-aléatoires, pseudorandom number generator (PRNG) en anglais, est un algorithme qui génère une séquence de nombres présentant

Plus en détail

EXAMEN FINAL. 2 Février 2006-2 heures Aucun document autorisé

EXAMEN FINAL. 2 Février 2006-2 heures Aucun document autorisé MIE - E ANNÉE ALGORITHMIQUE GÉNÉRALE Vincent Mousseau EXAMEN FINAL Février 006 - heures Aucun document autorisé Exercice : On s intéresse à la gestion informatique des réservations sur l année d une salle

Plus en détail

Loi binomiale Lois normales

Loi binomiale Lois normales Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli

Plus en détail

Série d exercices N 9 Arbres

Série d exercices N 9 Arbres Série d exercices N 9 Arbres Exercice 1 a) Ecrire une fonction ARBIN creerarbreentiers() qui permet de créer et de renvoyer l arbre d entiers suivant : b) Ecrire une fonction int feuilles(arbin a) qui

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable

Plus en détail

REGAL: une bibliothèque pour la génération des automates déterministes

REGAL: une bibliothèque pour la génération des automates déterministes 161 Prépublication n 26 Fascicule n 2 REGAL: une bibliothèque pour la génération des automates déterministes Julien David Institut Gaspard Monge, UMR CNRS 8049 Université de Marne-la-Vallée 77454 Marne-la-Vallée

Plus en détail

Exercice 1 : Questions diverses (5 points)

Exercice 1 : Questions diverses (5 points) Université Claude Bernard Lyon 1 Licence Sciences, Technologies, Santé L2 Année 2010-2011, 2ème semestre LIF5 Algorithmique & Programmation procédurale Contrôle final du 20 juin 2011 Durée : 1h30 Note

Plus en détail

Cours de mathématiques.

Cours de mathématiques. Orsay 008-009 IFIPS S Mathématiques (M160). Cours de mathématiques. 1. Equations différentielles linéaires du second ordre. La fonction C : x cos x est indéfiniment dérivable sur R, et C (x) = S(x), avec

Plus en détail

Evaluation de performance en Sûreté de Fonctionnement

Evaluation de performance en Sûreté de Fonctionnement Groupe SdF Midi-Pyrénées Toulouse 5 juin 2015 Evaluation de performance en Sûreté de Fonctionnement - Andre.cabarbaye Plan Introduction Types de performances Finalité des analyses Attentes du donneur d

Plus en détail

Théorème du point fixe - Théorème de l inversion locale

Théorème du point fixe - Théorème de l inversion locale Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion

Plus en détail

Générateur de Nombres Aléatoires

Générateur de Nombres Aléatoires Générateur de Nombres Aléatoires Les générateurs de nombres aléatoires sont des dispositifs capables de produire une séquence de nombres dont on ne peut pas tirer facilement des propriétés déterministes.

Plus en détail

Partie I : Automates et langages

Partie I : Automates et langages 2 Les calculatrices sont interdites. N.B. : Le candidat attachera la plus grande importance à la clarté, à la précision et à la concision de la rédaction. Si un candidat est amené à repérer ce qui peut

Plus en détail

COURS DE MATHEMATIQUES TERMINALE STG

COURS DE MATHEMATIQUES TERMINALE STG COURS DE MATHEMATIQUES TERMINALE STG Chapitre 1. TAUX D EVOLUTION... 5 1. TAUX D EVOLUTION ET COEFFICIENTS MULTIPLICATEURS... 5 a. Taux d évolution... 5 b. Coefficient multiplicateur... 5 c. Calcul d une

Plus en détail

Introduction aux Méthodes de Monte Carlo

Introduction aux Méthodes de Monte Carlo Méthodes de Monte Carlo pour la Modélisation et le Calcul Intensif Applications à la Physique Numérique et à la Biologie Séminaire CIMENT GRID Introduction aux Méthodes de Monte Carlo Olivier François

Plus en détail

5 Méthodes algorithmiques

5 Méthodes algorithmiques Cours 5 5 Méthodes algorithmiques Le calcul effectif des lois a posteriori peut s avérer extrêmement difficile. En particulier, la prédictive nécessite des calculs d intégrales parfois multiples qui peuvent

Plus en détail

Algorithmique - Techniques fondamentales de programmation Exemples en Python (nombreux exercices corrigés) - BTS, DUT informatique

Algorithmique - Techniques fondamentales de programmation Exemples en Python (nombreux exercices corrigés) - BTS, DUT informatique Introduction à l'algorithmique 1. Les fondements de l informatique 13 1.1 Architecture de Von Neumann 13 1.2 La machine de Turing 17 1.3 Représentation interne des instructions et des données 19 1.3.1

Plus en détail

Algorithmique... Complexité. Luc Brun. luc.brun@greyc.ensicaen.fr. A partir de travaux de Habib Abdulrab(Insa de Rouen) Complexité p.

Algorithmique... Complexité. Luc Brun. luc.brun@greyc.ensicaen.fr. A partir de travaux de Habib Abdulrab(Insa de Rouen) Complexité p. Algorithmique... Complexité Luc Brun luc.brun@greyc.ensicaen.fr A partir de travaux de Habib Abdulrab(Insa de Rouen) Complexité p.1/25 Plan... Notion de complexité Comment évaluer la complexité d un algorithme

Plus en détail

S. Zozor Information, inégalités et relations d incertitude

S. Zozor Information, inégalités et relations d incertitude Information, inégalités et relations d incertitude Steeve Zozor GIPSA-Lab CNRS Grenoble INP, Grenoble, France 17-21 Mai 2010 Plan du cours 1 Entropie mesure d incertitude Axiomes, entropie de Shannon et

Plus en détail

C12. Les structures arborescentes. Août 2006

C12. Les structures arborescentes. Août 2006 Les structures arborescentes Août 2006 Objectifs du C12 Connaître le principe de la structure d arbre binaire Connaître les détails d implémentation de la structure d arbre binaire de recherche Les structures

Plus en détail

Séminaire ALGO. Solutions formelles locales en un point singulier d une classe de systèmes d EDP linéaires d ordre 1

Séminaire ALGO. Solutions formelles locales en un point singulier d une classe de systèmes d EDP linéaires d ordre 1 Séminaire ALGO Solutions formelles locales en un point singulier d une classe de systèmes d EDP linéaires d ordre 1 Nicolas Le Roux projet ALGO. séminaire ALGO 1 avertissement A certains moments de l exposé

Plus en détail

Problème de contrôle optimal pour une chaîne de Markov

Problème de contrôle optimal pour une chaîne de Markov Problème de contrôle optimal pour une chaîne de Markov cours ENSTA MA206 Il s agit de résoudre un problème d arrêt optimal pour une chaîne de Markov à temps discret. Soit X n une chaîne de Markov à valeurs

Plus en détail

Autostabilisation. de l exclusion mutuelle sur un anneau à l élection d un chef sur un graphe quelconque

Autostabilisation. de l exclusion mutuelle sur un anneau à l élection d un chef sur un graphe quelconque : de l exclusion mutuelle sur un anneau à l élection d un chef sur un graphe quelconque Laboratoire d Informatique Fondamentale d Orléans, Université d Orléans, Orléans, FRANCE JIRC 30 juin 2005 Blois

Plus en détail

Résolution générique à la volée de systèmes d équations booléennes et applications

Résolution générique à la volée de systèmes d équations booléennes et applications Résolution générique à la volée de systèmes d équations booléennes et applications Radu Mateescu INRIA Rhône-Alpes / VASY Plan Introduction Systèmes d équations booléennes d alternance 1 Algorithmes de

Plus en détail

Cours numéro 9 : arbres binaires et de recherche

Cours numéro 9 : arbres binaires et de recherche Cours numéro 9 : arbres binaires et de recherche LI213 Types et Structures de données Licence d Informatique Université Paris 6 Arbre Arbre Un arbre est un ensemble fini A d éléments, liés entre eux par

Plus en détail

Mémoire de Master d Informatique. Génération aléatoire et modèles de Boltzmann. Carine Pivoteau

Mémoire de Master d Informatique. Génération aléatoire et modèles de Boltzmann. Carine Pivoteau Mémoire de Master d Informatique. Génération aléatoire et modèles de Boltzmann. Carine Pivoteau 17 août 2009 2 Table des matières 1 Génération aléatoire et modèle de Boltzmann 7 1.1 La méthode bijective.........................

Plus en détail

SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique

SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des

Plus en détail

Table des matières. I Mise à niveau 11. Préface

Table 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 détail

Dynamique des vues ego-centrées de la topologie de l internet : analyse et modélisation

Dynamique des vues ego-centrées de la topologie de l internet : analyse et modélisation C. Magnien Dynamique de la topologie de l internet 1/28 Dynamique des vues ego-centrées de la topologie de l internet : analyse et modélisation Clémence Magnien Amélie Medem, Fabien Tarissan, Sergey Kirgizov

Plus en détail

Cours de mathématiques pour la Terminale S

Cours de mathématiques pour la Terminale S Cours de mathématiques pour la Terminale S Savoir-Faire par chapitre Florent Girod 1 Année scolaire 2015 / 2016 1. Externat Notre Dame - Grenoble Table des matières 1) Suites numériques.................................

Plus en détail

Suivant les langages de programmation, modules plus avancés : modules imbriqués modules paramétrés par des modules (foncteurs)

Suivant les langages de programmation, modules plus avancés : modules imbriqués modules paramétrés par des modules (foncteurs) Modularité Extensions Suivant les langages de programmation, modules plus avancés : modules imbriqués modules paramétrés par des modules (foncteurs) généricité modules de première classe : peuvent être

Plus en détail

SPLEX Statistiques pour la classification et fouille de données en

SPLEX Statistiques pour la classification et fouille de données en SPLEX Statistiques pour la classification et fouille de données en génomique Classification Linéaire Binaire CLB Pierre-Henri WUILLEMIN DEcision, Système Intelligent et Recherche opérationnelle LIP6 pierre-henri.wuillemin@lip6.fr

Plus en détail

IFT6561. Simulation: aspects stochastiques

IFT6561. Simulation: aspects stochastiques IFT 6561 Simulation: aspects stochastiques DIRO Université de Montréal Automne 2013 Détails pratiques Professeur:, bureau 3367, Pav. A.-Aisenstadt. Courriel: bastin@iro.umontreal.ca Page web: http://www.iro.umontreal.ca/~bastin

Plus en détail

ANNEXE 1 BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques

ANNEXE 1 BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques ANNEXE BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques L'enseignement des mathématiques dans les sections de techniciens supérieurs Agencement de l'environnement architectural

Plus en détail

Implanter les algorithmes Oum-Seymour et Oum

Implanter les algorithmes Oum-Seymour et Oum Implanter les algorithmes Oum-Seymour et Oum J.-F Raymond, B.-M Bui-Xuan et P. Trébuchet jeanflorent.raymond@ens-lyon.fr LIP6, Université Pierre et Marie Curie 17/11/2011 J.-F Raymond, B.-M Bui-Xuan et

Plus en détail

Annexe commune aux séries ES, L et S : boîtes et quantiles

Annexe commune aux séries ES, L et S : boîtes et quantiles Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans

Plus en détail

Résumé du document «Programmes des classes préparatoires aux Grandes Écoles ; Discipline : Informatique ; Première et seconde années - 2013»

Résumé du document «Programmes des classes préparatoires aux Grandes Écoles ; Discipline : Informatique ; Première et seconde années - 2013» Résumé du document «Programmes des classes préparatoires aux Grandes Écoles ; Discipline : Informatique ; Première et seconde années - 2013» I Objectifs Niveau fondamental : «on se fixe pour objectif la

Plus en détail

I 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...

I 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 détail

Qu est-ce qu une probabilité?

Qu est-ce qu une probabilité? Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

Modélisation et résolution du problème de transport de gaz: application au réseau principal français

Modélisation et résolution du problème de transport de gaz: application au réseau principal français Modélisation et résolution du problème de transport de gaz: application au réseau principal français Présentation des travaux de thèse GDF SUEZ - INPT - ENSIACET - LGC EMN 24 mars 2011 Le gaz en Europe

Plus en détail

Utiliser les propriétés Savoir réduire un radical savoir +,-,x,: Utiliser les propriétés des puissances Calculer avec des puissances

Utiliser les propriétés Savoir réduire un radical savoir +,-,x,: Utiliser les propriétés des puissances Calculer avec des puissances ARITHMETIQUE 1 C B A Numération Ecrire en lettres et en chiffres Poser des questions fermées autour d un document simple (message, consigne, planning ) Connaître le système décimal Déterminer la position

Plus en détail

Modèles stochastiques et applications à la finance

Modèles stochastiques et applications à la finance 1 Université Pierre et Marie Curie Master M1 de Mathématiques, 2010-2011 Modèles stochastiques et applications à la finance Partiel 25 Février 2011, Durée 2 heures Exercice 1 (3 points) On considère une

Plus en détail

Modèle probabiliste: Algorithmes et Complexité

Modèle probabiliste: Algorithmes et Complexité Modèles de calcul, Complexité, Approximation et Heuristiques Modèle probabiliste: Algorithmes et Complexité Jean-Louis Roch Master-2 Mathématique Informatique Grenoble-INP UJF Grenoble University, France

Plus en détail

La fonction exponentielle

La fonction exponentielle La fonction exponentielle L expression «croissance exponentielle» est passée dans le langage courant et désigne sans distinction toute variation «hyper rapide» d un phénomène. Ce vocabulaire est cependant

Plus en détail

Langages et Compilation. Analyse descendante prédictive

Langages et Compilation. Analyse descendante prédictive Langages et Compilation Analyse descendante prédictive 1 Introduction Grammaires LL(1) Une famille de grammaires analysables de façon ecace. Caractéristiques de l'analyse LL(1) analyse descendante Construction

Plus en détail

Exercices sur les lois de probabilités continues

Exercices sur les lois de probabilités continues Terminale S Exercices sur les lois de probabilités continues Exercice n 1 : X est la variable aléatoire de la loi continue et uniforme sur [0 ; 1]. Donner la probabilité des événements suivants : a. b.

Plus en détail

Resolution limit in community detection

Resolution limit in community detection Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.

Plus en détail

Machine de Turing. Informatique II Algorithmique 1

Machine de Turing. Informatique II Algorithmique 1 Machine de Turing Nous avons vu qu un programme peut être considéré comme la décomposition de la tâche à réaliser en une séquence d instructions élémentaires (manipulant des données élémentaires) compréhensibles

Plus en détail

La notion de dualité

La notion de dualité La notion de dualité Dual d un PL sous forme standard Un programme linéaire est caractérisé par le tableau simplexe [ ] A b. c Par définition, le problème dual est obtenu en transposant ce tableau. [ A

Plus en détail

Exercices : VAR discrètes

Exercices : VAR discrètes Exercices : VAR discrètes Exercice 1: Une urne contient 2 boules blanches et 4 boules noires. On tire les boules une à une sans les remettre jusqu à ce qu il ne reste que des boules d une seule couleur

Plus en détail

Rapport. TME2 - Problème d affectation multi-agents

Rapport. TME2 - Problème d affectation multi-agents Rapport TME2 - Problème d affectation multi-agents Auteurs : Encadrant : Lan Zhou Safia Kedad-Sidhoum Minh Viet Le Plan I. Problème :... 2 II. Question 1 - Formulation linéaire du problème :... 2 III.

Plus en détail

Cours 1 : Introduction Ordinateurs - Langages de haut niveau - Application

Cours 1 : Introduction Ordinateurs - Langages de haut niveau - Application Université de Provence Licence Math-Info Première Année V. Phan Luong Algorithmique et Programmation en Python Cours 1 : Introduction Ordinateurs - Langages de haut niveau - Application 1 Ordinateur Un

Plus en détail

Arbres bien équilibrés

Arbres bien équilibrés Arbres bien équilibrés ENSIIE : Programmation avancée 1/24 Recherche par dichotomie on aimerait avoir des opérations de recherche, d insertion et de suppression efficaces en moyenne et dans le pire des

Plus en détail

Algorithmique Travaux Dirigés

Algorithmique Travaux Dirigés Algorithmique Travaux Dirigés Master Technologie et Handicap : Intensifs 1 Corrigé Exercice 1 Affectations 1. Considérons les algorithmes ci-dessous. (a) Quel sera le contenu des variables a, b et éventuellement

Plus en détail

M2 Informatique/Réseaux Université Pierre et Marie Curie UE APMM

M2 Informatique/Réseaux Université Pierre et Marie Curie UE APMM TD TECHNIQUES DE CODAGE ET DE COMPRESSION. LANGAGE / CODAGE / VALENCE.. Rappels Toute fraction intelligible d un message est constituée de symboles. Le langage est l ensemble de ces symboles. Un codage

Plus en détail

Programme de Mathématique Préparation Maths-Physique. Analyse et Géométrie Différentielle. Première Année

Programme de Mathématique Préparation Maths-Physique. Analyse et Géométrie Différentielle. Première Année Programme de Mathématique Préparation Maths-Physique Analyse et Géométrie Différentielle Première Année I NOMBRES REELS ET COMPLEXES, SUITES ET FONCTIONS 1 Nombres réels et complexes 2 Suites de nombres

Plus en détail

Les arbres Florent Hivert

Les arbres Florent Hivert 1 de 1 Algorithmique Les arbres Florent Hivert Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert 2 de 1 Algorithmes et structures de données La plupart des bons algorithmes fonctionnent

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES ET STATISTIQUE I&II PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits

Plus en détail

Algorithmes probabilistes. Références: Fundamentals of Algortihms de Gilles Brassard et Paul Bratley Note de cours de Pierre McKenzie

Algorithmes probabilistes. Références: Fundamentals of Algortihms de Gilles Brassard et Paul Bratley Note de cours de Pierre McKenzie Algorithmes probabilistes Références: Fundamentals of Algortihms de Gilles Brassard et Paul Bratley Note de cours de Pierre McKenzie Mise en contexte: Indices: Vous êtes à la recherche d un trésor légendaire

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

NOTE SUR LA MODELISATION DU RISQUE D INFLATION

NOTE 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 détail

INTRODUCTION A L OPTIMISATION

INTRODUCTION A L OPTIMISATION INTRODUCTION A L OPTIMISATION Les domaines d application L optimisation est essentiellement un outil d aide à la décision au sein de l entreprise, mais aussi pour des individus. Le terme optimal est souvent

Plus en détail

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé

Baccalauréat 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