Probabilité et méthodes de fiabilité utilisées en géotechnique
|
|
- Vivien Gauthier
- il y a 8 ans
- Total affichages :
Transcription
1 Probabilité et méthodes de fiabilité utilisées en géotechnique Fernando Lopez-Caballero Laboratoire MSS-Mat École Centrale Paris 4 février 2011
2 Plan général Formulation de la fiabilité La fonction de performance L indice de fiabilité ou de sécurité Intégration de la fonction de performance Méthode par séries de Taylor Modèle de Rosenblueth Approximation par optimisation Simulation de Monte-Carlo Exemple 1 Exemple 2
3 Plan général Formulation de la fiabilité La fonction de performance L indice de fiabilité ou de sécurité Intégration de la fonction de performance Méthode par séries de Taylor Modèle de Rosenblueth Approximation par optimisation Simulation de Monte-Carlo Exemple 1 Exemple 2
4 La fonction de performance Fonction de performance ou fonction d état limite g(x) g(x) = R(X) S(X) R(X) : fonction de résistances S(X) : fonction de sollicitations
5 La fonction de performance Fonction de performance ou fonction d état limite g(x) g(x) = R(X) S(X) R(X) : fonction de résistances S(X) : fonction de sollicitations g(x) < 0 état de ruine ou faille = 0 état limite > 0 état de sûreté
6 La fonction de performance Fonction de performance ou fonction d état limite g(x) g(x) = R(X) S(X) R(X) : fonction de résistances S(X) : fonction de sollicitations g(x) < 0 état de ruine ou faille = 0 état limite > 0 état de sûreté µ g(x) = µ R(X) µ S(X) σ 2 g(x) = σ 2 R(X) + σ2 S(X)
7 La fonction de performance Probabilité de ruine (p f ) : p f = Prob[R(X) S(X)] = Prob[R(X) S(X) 0] = Prob[g(X) 0]
8 La fonction de performance Probabilité de ruine (p f ) : p f p f = Prob[R(X) S(X)] = Prob[R(X) S(X) 0] = Prob[g(X) 0] ( ) 0 µg(x) = Φ σ g(x) ( p f = Φ µ ) g(x) σ g(x) Φ( ) : Fonction de répartition de la loi normale
9 L indice de fiabilité ou de sécurité L indice de fiabilité β : β = Φ 1 (p f ) β = = µ g(x) σ g(x) µ R(X) µ S(X) σ 2 R(X) + σ2 S(X)
10 L indice de fiabilité ou de sécurité Unsafe Safe fdp g(x) [.] β σ g σ g µ g g(x)
11 L indice de fiabilité ou de sécurité β p f = Φ( β)
12 L indice de fiabilité ou de sécurité 10 0 p f = Φ( β) [.] β [.]
13 Plan général Formulation de la fiabilité La fonction de performance L indice de fiabilité ou de sécurité Intégration de la fonction de performance Méthode par séries de Taylor Modèle de Rosenblueth Approximation par optimisation Simulation de Monte-Carlo Exemple 1 Exemple 2
14 Méthode par séries de Taylor Méthode FOSM Fonction f (X, Y ) à deux variables aléatoires X et Y f (X, Y ) = f (µ X, µ Y ) + (X µ X ) f X + (Y µ Y ) f Y
15 Méthode par séries de Taylor Méthode FOSM Fonction f (X, Y ) à deux variables aléatoires X et Y f (X, Y ) = f (µ X, µ Y ) + (X µ X ) f X + (Y µ Y ) f Y E[f (X, Y )] = f (E[X], E[Y])
16 Méthode par séries de Taylor Méthode FOSM Fonction f (X, Y ) à deux variables aléatoires X et Y f (X, Y ) = f (µ X, µ Y ) + (X µ X ) f X + (Y µ Y ) f Y E[f (X, Y )] = f (E[X], E[Y]) [ Var[f (X, Y )] = Var (X µ X ) f X + (Y µ Y ) f ] Y ( ) 2 ( ) 2 f f = Var[X] + Var[Y ] + 2 f f X Y X Y COV[X, Y ]
17 Méthode par séries de Taylor Si X et Y ne sont pas corrélées : Var[f (X, Y )] = ( ) 2 ( ) 2 f f Var[X] + Var[Y] X Y
18 Méthode par séries de Taylor Si X et Y ne sont pas corrélées : Var[f (X, Y )] = ( ) 2 ( ) 2 f f Var[X] + Var[Y] X Y En général : Var[f (X 1, X 2,...,X n )] = n ( ) 2 f Var[X i ] i=1 x i
19 Méthode par séries de Taylor Séries de Taylor par différences finies : Approche pour calculer les dérivés par différences finies : f X f (µ X + σ X, µ Y ) f (µ X σ X, µ Y ) = f X 2σ X 2σ X f Y f (µ X, µ Y + σ Y ) f (µ X, µ Y σ Y ) = f Y 2σ Y 2σ Y
20 Méthode par séries de Taylor Séries de Taylor par différences finies : Approche pour calculer les dérivés par différences finies : En général : f X f (µ X + σ X, µ Y ) f (µ X σ X, µ Y ) = f X 2σ X 2σ X f Y f (µ X, µ Y + σ Y ) f (µ X, µ Y σ Y ) = f Y 2σ Y 2σ Y Var[f (X 1, X 2,...,X n )] n i=1 ( fxi 2 ) 2
21 Modèle de Rosenblueth Point Estimate Method PEM Fonction Y = f (X i, X j, X k,..., X n ) Nécessité d évaluer Y pour les 2 n, combinaisons possibles des X
22 Modèle de Rosenblueth Point Estimate Method PEM Fonction Y = f (X i, X j, X k,..., X n ) Nécessité d évaluer Y pour les 2 n, combinaisons possibles des X Pour une distribution normale : X i + = µ Xi + σ Xi ; X i = µ Xi σ Xi ; X j + = µ Xj + σ Xj ; X j = µ Xj σ Xj ; X k + = µ Xk + σ Xk ; X k = µ Xk σ Xk ; etc. µ Xi et σ Xi : moyenne et écart type de X i
23 Modèle de Rosenblueth e.g. pour 3 variables X (n = 3), on a 2 n = 8 combinaisons Les Y ij...n sont : X 1, X 2, X 3 Y
24 Modèle de Rosenblueth e.g. pour 3 variables X (n = 3), on a 2 n = 8 combinaisons Les Y ij...n sont : X 1, X 2, X 3 Y X 1, X 2, X 3 + Y + X 1, X 2 +, X 3 Y + X 1, X 2 +, X 3 + Y + + X 1 +, X 2, X 3 Y + X 1 +, X 2, X 3 + Y + + X 1 +, X 2 +, X 3 Y + + X 1 +, X 2 +, X 3 + Y + ++
25 Modèle de Rosenblueth Il y aura n (n 1)/2 coefficients de corrélation ˆρ ij...n On calcule 2 n facteurs de pondération p ij...n = f (ˆρ ij...n ) égaux par couples
26 Modèle de Rosenblueth Il y aura n (n 1)/2 coefficients de corrélation ˆρ ij...n On calcule 2 n facteurs de pondération p ij...n = f (ˆρ ij...n ) égaux par couples e.g. 3 variables, 3 (3 1)/2 = 3, ˆρ 12, ˆρ 23, ˆρ 31 2 n = 8 facteurs de pondération : p = p + ++ = (1/2 3 ) (1 + ˆρ 12 + ˆρ 23 + ˆρ 31 ) p + = p + + = (1/2 3 ) (1 + ˆρ 12 ˆρ 23 ˆρ 31 ) p + = p + + = (1/2 3 ) (1 ˆρ 12 ˆρ 23 + ˆρ 31 ) p ++ = p + = (1/2 3 ) (1 ˆρ 12 + ˆρ 23 ˆρ 31 ) Le signe de ˆρ ij est donné par le signe du produit de la multiplication de ij, pour i(+), j(+) ou i( ), j( ) on a ij(+) pour i( ), j(+) ou i(+), j( ) on a ij( )
27 Modèle de Rosenblueth Avec Y ij...n et p ij...n : E[Y] = E[Y 2 ] = n p ij...n Y ij...n i=1 n i=1 p ij...n Y 2 ij...n σ[y ] = E[Y 2 ] E[Y] 2
28 Approximation par optimisation Méthode FORM L indice de fiabilité ou de sécurité 2 Safe ρ = 0 1 X 2 [.] Unsafe g(x 1,X 2 )= X 1 [.] X 1 N[0, 1] et X 2 N[0, 1]
29 Approximation par optimisation Méthode FORM L indice de fiabilité ou de sécurité 2 Safe ρ = 0 1 X 2 [.] Unsafe g(x 1,X 2 )= X 1 [.] X 1 N[0, 1] et X 2 N[0, 1]
30 Approximation par optimisation Méthode FORM L indice de fiabilité ou de sécurité 2 Safe ρ = 0 1 X 2 [.] Unsafe g(x 1,X 2 )= X 1 [.] X 1 N[0, 1] et X 2 N[0, 1]
31 Approximation par optimisation Méthode FORM L indice de fiabilité ou de sécurité 2 Safe ρ = 0 1 X 2 [.] 0 1 β 2 Unsafe g(x 1,X 2 )= X 1 [.] X 1 N[0, 1] et X 2 N[0, 1]
32 Approximation par optimisation Méthode FORM L indice de fiabilité ou de sécurité X [.] X 1 [.] 1 2 X 1 N[0, 1] et X 2 N[0, 1]
33 Approximation par optimisation Méthode FORM Forme matricielle de l indice de fiabilité β de Hasofer-Lind : β = min (x m) T [C] 1 (x m) x RS [xi ] T [ ] µ xi xi β = min [R] 1 µ xi x RS σ i σ i
34 Approximation par optimisation Méthode FORM [C] est la matrice de covariance des x n variables : σx 2 1 COV(x 1, x 2 )... COV(x 1, x n ) COV(x 2, x 1 ) σx COV(x 2, x n ) [C] = COV(x n, x 1 ) COV(x n, x 2 )... σx 2 n
35 Approximation par optimisation Méthode FORM [R] est la matrice de corrélation des x n variables : 1 ˆρ ˆρ 1n ˆρ ˆρ 2n [R] = ˆρ n1 ˆρ n2... 1
36 Approximation par optimisation Méthode FORM e.g., pour 2 variables x 1 et x 2 : (x 1 µ x1 ) β = 2 (1 ˆρ 2 12 ) + (x 2 µ x2 ) 2 σ2 x 1 (1 ˆρ 2 12 ) 2 ˆρ 12 (x 1 µ x1 ) (x 2 µ x2 ) σ2 x 2 (1 ˆρ 2 12 ) σ x 1 σ x2 Cette équation correspond à celle d une ellipse
37 Approximation par optimisation Méthode FORM 2 Safe ρ = X 2 [.] Unsafe g(x 1,X 2 )= X 1 [.] X 1 N[0, 1] et X 2 N[0, 1]
38 Approximation par optimisation Méthode FORM 2 Safe ρ = X 2 [.] Unsafe g(x 1,X 2 )= X 1 [.] X 1 N[0, 1] et X 2 N[0, 1]
39 Approximation par optimisation Méthode FORM X [.] X 1 [.] 1 2 X 1 N[0, 1] et X 2 N[0, 1]
40 Simulation de Monte-Carlo X 1 X 2... X p Entrée
41 Simulation de Monte-Carlo X 1 X 2... X p Entrée Le modèle Y = f (X 1,..., X p)
42 Simulation de Monte-Carlo X 1 X 2... X p Entrée Le modèle Y = f (X 1,..., X p) D Y = f (X 1,..., X p) Sortie
43 Simulation de Monte-Carlo La technique de simulation est divisée essentiellement dans 6 parties : 1. Définition du problème en termes de variables aléatoires.
44 Simulation de Monte-Carlo La technique de simulation est divisée essentiellement dans 6 parties : 1. Définition du problème en termes de variables aléatoires. 2. Quantification des caractéristiques probabilistes de toutes les variables aléatoires, c est-à-dire, leur fonction de densité de probabilité, leur moyenne, leur écart type, etc.
45 Simulation de Monte-Carlo La technique de simulation est divisée essentiellement dans 6 parties : 1. Définition du problème en termes de variables aléatoires. 2. Quantification des caractéristiques probabilistes de toutes les variables aléatoires, c est-à-dire, leur fonction de densité de probabilité, leur moyenne, leur écart type, etc. 3. Génération des valeurs aléatoires de ces variables.
46 Simulation de Monte-Carlo La technique de simulation est divisée essentiellement dans 6 parties : 1. Définition du problème en termes de variables aléatoires. 2. Quantification des caractéristiques probabilistes de toutes les variables aléatoires, c est-à-dire, leur fonction de densité de probabilité, leur moyenne, leur écart type, etc. 3. Génération des valeurs aléatoires de ces variables. 4. Évaluation du problème déterministe pour chaque ensemble de réalisations ou tirages de toutes les variables aléatoires.
47 Simulation de Monte-Carlo La technique de simulation est divisée essentiellement dans 6 parties : 1. Définition du problème en termes de variables aléatoires. 2. Quantification des caractéristiques probabilistes de toutes les variables aléatoires, c est-à-dire, leur fonction de densité de probabilité, leur moyenne, leur écart type, etc. 3. Génération des valeurs aléatoires de ces variables. 4. Évaluation du problème déterministe pour chaque ensemble de réalisations ou tirages de toutes les variables aléatoires. 5. Obtention de l information probabiliste de N réalisations, c est-à-dire, évaluer la probabilité de faille, déterminer la moyenne et l écart type des variables de sortie du problème.
48 Simulation de Monte-Carlo La technique de simulation est divisée essentiellement dans 6 parties : 1. Définition du problème en termes de variables aléatoires. 2. Quantification des caractéristiques probabilistes de toutes les variables aléatoires, c est-à-dire, leur fonction de densité de probabilité, leur moyenne, leur écart type, etc. 3. Génération des valeurs aléatoires de ces variables. 4. Évaluation du problème déterministe pour chaque ensemble de réalisations ou tirages de toutes les variables aléatoires. 5. Obtention de l information probabiliste de N réalisations, c est-à-dire, évaluer la probabilité de faille, déterminer la moyenne et l écart type des variables de sortie du problème. 6. Déterminer l efficience et la stabilité de la simulation.
49 Simulation de Monte-Carlo Définir les variables aléatoires X i du problème et les fonctions R(X i), S(X i) et g(x ii) Définir la valeur limite de CV - CV[ˆp f ] lim Générer n nombres aléatoires avec distribution uniforme U[0,1] Transformer les variables X i dans leurs distributions fdp respectives Calculer µ g(xi ), σ g(xi ) Évaluer ˆp f, Var[ˆp f ] et CV[ˆp f ] CV[ˆp f ] CV[ˆp f ] lim Oui Non Calculer µ g(xi ), σ g(xi )
50 Simulation de Monte-Carlo Génération des nombres aléatoires Technique de transformation inverse ou méthode FCD inverse f X (x) = F 1 X {F U[f U (u)]}
51 Simulation de Monte-Carlo Génération des nombres aléatoires Technique de transformation inverse ou méthode FCD inverse f X (x) = F 1 X {F U[f U (u)]} F U (u i ) = u i pour U[0, 1] F X (x i ) = F U (u i ) = u i x i = F 1 X (u i)
52 Simulation de Monte-Carlo Génération des nombres aléatoires F U(u) F X(x) U v.a. X f U(u) f X(x) U 1 u i 0 x i v.a. X
53 Simulation de Monte-Carlo Génération des nombres aléatoires Distribution Normale ou de Gauss N[0, 1] 1 f S (s) = exp [ 12 ] 2π s2 < s < s 1 F S (s) = exp [ 12 ] s2 ds 2π pour N[µ X, σ X ] x i = µ X + σ X Φ 1 (u i )
54 Simulation de Monte-Carlo Génération des nombres aléatoires Distribution Log-normale [ 1 f S (s) = 2π ζs s exp 1 ( ) ] 2 lns λs 2 ζ S ( ) ln s λ S [ ζ S 1 F S (s) = exp 1 ( lns λs 2π 2 avec : 0 λ S = E[lnS] = ln µ S 1 2 ζ2 S [ ζ 2 S = Var[ln S] = ln u i ( ) ln xi λ X = Φ ζ X 1 + x i = exp[λ X + ζ X Φ 1 (u i )] ( σs µ S ζ S ) 2 ] ) 2 ] 0 < s < ds
55 Simulation de Monte-Carlo Probabilité de faille : Si l on définie p f = g(x) 0 f (X) dx I g (X) = { 1 g(x) 0 0 g(x) > 0 p f = I g (X) f (X) dx X ˆp f = 1 N N I g (X i ) i=1
56 Simulation de Monte-Carlo L erreur de l estimateur : CV[ˆp f ] = Var[ˆp f ] = CV[ˆp f ] = Var[ˆpf ] ˆp f 1 N I g (X i ) 2 1 N (N 1) N 1ˆp2 f i=1 1 ˆp f (N 1)ˆp f
57 Simulation de Monte-Carlo Génération des nombres aléatoires corrélés avec distribution Normale Pour générer p simulations de x n v.a. non-corrélées : x i N[µ xi, σ xi ] et ˆρ ij = 0 i j [X] = [σ X ] [U] + [µ X ]
58 Simulation de Monte-Carlo Génération des nombres aléatoires corrélés avec distribution Normale Pour générer p simulations de x n v.a. non-corrélées : x i N[µ xi, σ xi ] et ˆρ ij = 0 i j [X] = [σ X ] [U] + [µ X ] [σ X ] : matrice diagonale avec les σ xi des x n variables σ x σ x [σ X ] = σ xn
59 Simulation de Monte-Carlo Génération des nombres aléatoires corrélés avec distribution Normale Pour générer p simulations de x n v.a. non-corrélées : x i N[µ xi, σ xi ] et ˆρ ij = 0 i j [X] = [σ X ] [U] + [µ X ] [U] : matrice n p avec n v.a. u i N[0, 1], ˆρ ij = 0 i j u 1,1 u 1,2... u 1,p u 2,1 u 2,2... u 2,p [U] = u n,1 u n,2... u n,p
60 Simulation de Monte-Carlo Génération des nombres aléatoires corrélés avec distribution Normale Pour générer p simulations de x n v.a. non-corrélées : x i N[µ xi, σ xi ] et ˆρ ij = 0 i j [X] = [σ X ] [U] + [µ X ] [µ X ] : matrice n p avec p fois les µ xi des x n variables µ x1,1 µ x1,2... µ x1,p µ x2,1 µ x2,2... µ x2,p [µ X ] = µ xn,1 µ xn,2... µ xn,p
61 Simulation de Monte-Carlo Génération des nombres aléatoires corrélés avec distribution Normale Méthode basée dans l analyse de composantes principales Pour générer p simulations de x n v.a. corrélées : x i N[µ xi, σ xi ] et ˆρ ij 0 i j [X] = [σ X ] [U ] + [µ X ]
62 Simulation de Monte-Carlo Génération des nombres aléatoires corrélés avec distribution Normale Méthode basée dans l analyse de composantes principales Pour générer p simulations de x n v.a. corrélées : x i N[µ xi, σ xi ] et ˆρ ij 0 i j [X] = [σ X ] [U ] + [µ X ] u i N[0, 1] et ˆρ ij 0 i j [U ] = [T] [Λ] [U]
63 Simulation de Monte-Carlo Génération des nombres aléatoires corrélés avec distribution Normale Méthode basée dans l analyse de composantes principales Pour générer p simulations de x n v.a. corrélées : x i N[µ xi, σ xi ] et ˆρ ij 0 i j [X] = [σ X ] [U ] + [µ X ] u i N[0, 1] et ˆρ ij 0 i j [U ] = [T] [Λ] [U] [T] : matrice de transformation orthogonale avec les θ (n) vecteurs propres normalisés de la matrice de corrélation [R] 1 ˆρ ˆρ 1n ˆρ ˆρ 2n [R] = ˆρ n1 ˆρ n2... 1
64 Simulation de Monte-Carlo Génération des nombres aléatoires corrélés avec distribution Normale Méthode basée dans l analyse de composantes principales Pour générer p simulations de x n v.a. corrélées : x i N[µ xi, σ xi ] et ˆρ ij 0 i j [X] = [σ X ] [U ] + [µ X ] u i N[0, 1] et ˆρ ij 0 i j [U ] = [T] [Λ] [U] [T] : matrice de transformation orthogonale avec les θ (n) vecteurs propres normalisés de la matrice de corrélation [R] [T] = θ (1) 1 θ (2) 1... θ (n) 1 θ (1) 2 θ (2) 2... θ (n).... θ n (1) θ n (2) θ n (n)
65 Simulation de Monte-Carlo Génération des nombres aléatoires corrélés avec distribution Normale Méthode basée dans l analyse de composantes principales Pour générer p simulations de x n v.a. corrélées : x i N[µ xi, σ xi ] et ˆρ ij 0 i j [X] = [σ X ] [U ] + [µ X ] u i N[0, 1] et ˆρ ij 0 i j [U ] = [T] [Λ] [U] [Λ] : matrice diagonale avec la racine des λ i de [R] λ i : les n valeurs propres ordonnées de mineur à majeur λ λ [Λ] = λn
66 Simulation de Monte-Carlo Génération des nombres aléatoires corrélés avec distribution Normale Pour générer p simulations de x n v.a. corrélées : [X] = [σ X ] [U ] + [µ X ] [U ] = [T] [Λ] [U] [U] : matrice n p avec n v.a. u i N[0, 1], ˆρ ij = 0 i j [Λ] : matrice diagonale avec la racine des n λ i de [R] ordonnées de mineur à majeur [T] : matrice avec les θ (n) vecteurs propres normalisés de [R] [U ] : matrice n p avec n v.a. u i N[0, 1], ˆρ ij 0 i j
67 Plan général Formulation de la fiabilité La fonction de performance L indice de fiabilité ou de sécurité Intégration de la fonction de performance Méthode par séries de Taylor Modèle de Rosenblueth Approximation par optimisation Simulation de Monte-Carlo Exemple 1 Exemple 2
68 Exemple 1 La résistance maximale pour un sol : q u = 2 c [tan φ + (1 + tan 2 φ) 1/2 ] µ CV [%] tanφ [.] c [kpa] q [kpa] c et tan φ ne sont pas corrélées la fonction de performance g(x) = q u q calculer la probabilité de ruine pour ce cas (i.e. Prob[g(X) 0])
69 Exemple 1 Approximation par optimisation - Méthode FORM les variables ne sont pas corrélées (i.e. ˆρ c,tan φ = 0) (c ) 2 ( µ c tanφ µ tan φ β = min + σ c σ tan φ ) 2 pour g(x) = 0
70 Exemple 1 Approximation par optimisation - Méthode FORM 150 Prob [g(tan φ,c) 0] = 4.84% β = 1.66 C [kpa] µ C g(tan φ,c) = 0 µ tan φ ρ = tan φ [.] 0.8 1
71 Exemple 1 Approximation par optimisation - Méthode FORM les variables sont corrélées (i.e. ˆρ c,tan φ 0) [xi ] T [ ] µ xi xi β = min [R] 1 µ xi x RS σ i σ i pour g(x) = 0
72 Exemple 1 Approximation par optimisation - Méthode FORM les variables sont corrélées (i.e. ˆρ c,tan φ 0) [xi ] T [ ] µ xi xi β = min [R] 1 µ xi x RS σ i σ i pour g(x) = 0 [R] = ( 1 ˆρ c,tan φ ˆρ c,tan φ 1 )
73 Exemple 1 Approximation par optimisation - Méthode FORM 150 Prob [g(tan φ,c) 0] = 6.93% β = 1.48 C [kpa] µ C g(tan φ,c) = 0 µ tan φ ρ = tan φ [.] 0.8 1
74 Exemple 1 Approximation par optimisation - Méthode FORM 150 Prob [g(tan φ,c) 0] = 8.92% β = 1.35 C [kpa] µ C g(tan φ,c) = 0 µ tan φ ρ = tan φ [.] 0.8 1
75 Exemple 1 Approximation par optimisation - Méthode FORM 150 Prob [g(tan φ,c) 0] = 1.29% β = 2.23 C [kpa] µ C g(tan φ,c) = 0 µ tan φ ρ = tan φ [.] 0.8 1
76 Exemple 1 Approximation par optimisation - Méthode FORM β [.] ρ[c,tan φ] [.]
77 Exemple 1 Simulation de Monte-Carlo les variables ne sont pas corrélées (i.e. ˆρ c,tan φ = 0) Loi de probabilité normale Prob[g(X) 0] Nombre de simulations N = 5000
78 Exemple 1 Simulation de Monte-Carlo tan φ [.] C [kpa] tan φ [.] C [kpa] 200
79 Exemple 1 Simulation de Monte-Carlo µ qu [kpa] Number of Sample N
80 Exemple 1 Simulation de Monte-Carlo Frequency [.] µ = 346kPa σ = 77.1kPa CV = 22.3 % q u [kpa]
81 Exemple 1 Simulation de Monte-Carlo 200 Prob [g(tan φ,c) 0] 150 C [kpa] 100 g(tan φ,c) = 0 50 Simulations ρ= tan φ [.] 0.8 1
82 Exemple 1 Simulation de Monte-Carlo 10 8 p f [%] Number of Sample N
83 Exemple 1 Simulation de Monte-Carlo CV (p f ) [%] Number of Sample N
84 Exemple 1 Simulation de Monte-Carlo les variables sont corrélées (e.g. ˆρ c,tan φ = 0.8) Loi de probabilité normale Prob[g(X) 0] Nombre de simulations N = 5000
85 Exemple 1 Simulation de Monte-Carlo les variables sont corrélées (e.g. ˆρ c,tan φ = 0.8) Loi de probabilité normale Prob[g(X) 0] Nombre de simulations N = 5000 [R] = ( )
86 Exemple 1 Simulation de Monte-Carlo les variables sont corrélées (e.g. ˆρ c,tan φ = 0.8) Loi de probabilité normale Prob[g(X) 0] Nombre de simulations N = 5000 [R] = ( ) λ = { } ou aussi λ = {1 ˆρ c,tan φ 1 + ˆρ c,tan φ }
87 Exemple 1 Simulation de Monte-Carlo les variables sont corrélées (e.g. ˆρ c,tan φ = 0.8) Loi de probabilité normale Prob[g(X) 0] Nombre de simulations N = 5000 [R] = ( ) λ = { } ou aussi λ = {1 ˆρ c,tan φ 1 + ˆρ c,tan φ } [T] = ( 1 2 )
88 Exemple 1 Simulation de Monte-Carlo 1 tan φ [.] C [kpa] tan φ [.] C [kpa] 200
89 Exemple 1 Simulation de Monte-Carlo µ qu [kpa] Number of Sample N
90 Exemple 1 Simulation de Monte-Carlo Frequency [.] µ = 353kPa σ = 98.4kPa CV = 27.9 % q u [kpa]
91 Exemple 1 Simulation de Monte-Carlo 200 Prob [g(tan φ,c) 0] 150 C [kpa] 100 g(tan φ,c) = 0 50 Simulations ρ= tan φ [.] 0.8 1
92 Exemple 1 Simulation de Monte-Carlo p f [%] Number of Sample N
93 Exemple 1 Simulation de Monte-Carlo CV (p f ) [%] Number of Sample N
94 Exemple 1 Simulation de Monte-Carlo µ qu [kpa] σ qu [kpa] ρ [.]
95 Exemple 1 Simulation de Monte-Carlo les variables ne sont pas corrélées (i.e. ˆρ c,tan φ = 0) Loi de probabilité Log-normale Prob[g(X) 0] Nombre de simulations N = 5000
96 Exemple 1 Simulation de Monte-Carlo 1.2 tan φ [.] C [kpa] tan φ [.] C [kpa] 200
97 Exemple 1 Simulation de Monte-Carlo µ qu [kpa] Number of Sample N
98 Exemple 1 Simulation de Monte-Carlo Frequency [.] µ = 350kPa σ = 78.9kPa CV = 22.5 % q u [kpa]
99 Exemple 1 Simulation de Monte-Carlo 200 Prob [g(tan φ,c) 0] 150 C [kpa] 100 g(tan φ,c) = 0 50 Simulations ρ= tan φ [.] 0.8 1
100 Exemple 1 Simulation de Monte-Carlo 10 8 p f [%] Number of Sample N
101 Exemple 1 Simulation de Monte-Carlo CV (p f ) [%] Number of Sample N
102 Plan général Formulation de la fiabilité La fonction de performance L indice de fiabilité ou de sécurité Intégration de la fonction de performance Méthode par séries de Taylor Modèle de Rosenblueth Approximation par optimisation Simulation de Monte-Carlo Exemple 1 Exemple 2
103 Exemple 2 Géométrie de la semelle 50kN 2m 2m 2m 2m 2m Argile Argile Argile Argile Sable
104 Exemple 2 Évaluer la sécurité d une semelle carrée de 2m 2m vis-à-vis du tassement à long terme dû à la consolidation de la couche d argile normalement consolidée; Pour calculer la valeur du tassement d une couche de sol : S = ( ) C c σo + σ H log 1 + e o σ o Les propriétés du sol obtenues au laboratoire sont : µ CV [%] ρ sol [kg/m 3 ] C c [.] e o [.] P [kn] 50 20
105 Exemple 2 Le tassement admissible à long terme est de 0.25m La charge induite ( σ = I e q) est calculée : z b/z I e
106 Exemple 2 Cas 1 : ρsol, C c, e o et P sont indépendantes; Loi de distribution normale ; Cas 2 : ρsol, C c, e o et P sont indépendantes; Loi de distribution log-normale ; Cas 3 : ρsol et P sont indépendantes; Cc et e o sont corrélées ; Coefficient de corrélation ρcc e o varie entre 0.2 et 0.8 ; Loi de distribution log-normale ;
107 Exemple 2 Cas 4 : ρsol, C c, e o et P sont indépendantes; Loi de distribution log-normale ; eo suit un modèle gaussien d auto-corrélation de la forme : ˆρ ij (τ) ) = exp ( π τ2 θ 2 τ = zi z j et θ est la distance d auto-corrélation. Utiliser trois valeurs pour la variable θ, 20m, 4m et 2m.
108 Champs aléatoires Modèles de champs aléatoires Modèle probabiliste naturel pour données corrélés spatialement; Un champ aléatoire X(x) est caractérisé par : Moyenne µ(x) qui peut-être constante spatialement ou stationnaire ; Variance σ 2 (x) ; Fonction de densité de probabilité (fdp) de X(x) ; Structure de corrélation ou matrice d auto-corrélation [R] qui donne le coefficient de corrélation ρ xi x j pour deux points quelconques; Coefficient de corrélation ρxi x j dépend de la distance τ = x i x j et de la distance de fluctuation ou d auto-corrélation θ.
109 Champs aléatoires Modèles de champs aléatoires 1D exponentiel ( ˆρ ij(τ) = exp 2 τ θ ) exponentiel carré ( ou gaussien ) ˆρ ij(τ) = exp π τ2 θ 2 triangulaire cubique ˆρ ij(τ) = 1 τ if τ θ ˆρ θ ij(τ) = θ3 (θ+ τ ) 3
110 Champs aléatoires Modèles de champs aléatoires 1D ρ(τ/θ) ( 2 τ /θ) ρ = e ρ = e ( π (τ/θ)2 ) ρ = 1 τ /θ ρ = θ 3 /(θ + τ ) τ/θ Modèles d auto-corrélation ρ xi x j
111 Champs aléatoires Modèles de champs aléatoires 1D φ pp [ o ] θ = 40m 24 θ = 7m θ = 1m Distance [m] Définition de la distance de fluctuation θ
112 Champs aléatoires Génération de champs aléatoires - Covariance decomposition Analyse en composantes principales avec variables aléatoires guassiennes; Génération de la matrice d auto-corrélation [R] du champ; Génération de n variables aléatoires indépendantes [G] avec fdp N[0, 1]; [Λ] : matrice diagonale avec la racine des n λ i de [R] ordonnées de mineur à majeur; [T] : matrice avec les θ (n) vecteurs propres normalisés de [R] ; Matrice avec un champ aléatoire corrélé Gaussien [P] : [P] = [T] [Λ] [G]
113 Champs aléatoires Génération de champs aléatoires - Covariance decomposition Champ aléatoire corrélé non-gaussien f B (x) : f B (x) = F 1 B {F G[f P (x)]}
114 Favre, J. L. (2005). Sécurité des ouvrages, Risques - Modélisation de l incertain, fiabilité, analyse de risques. Edit. Ellipses, France. Fenton, G. A. (1997). Probabilistic Methods in Geotechnical Engineering. Workshop presented at ASCE GeoLogan 97 Conference, Logan, Utah. ASCE Geotechnical Safety and Reliability Committee Griffiths, D. V., Fenton, G. A., and Tveten, D. E. (2002). Probabilistic geotechnical analysis : How difficult does it need to be? In Proceedings of the International Conference on Probabilistics in Geotechnics : Technical and Economic Risk Estimation. R. Pottler, H. Klapperich and H. Schweiger (eds.), Graz, Austria, United Engineering Foundation, New York. Haldar, A. and Mahadevan, S. (2000). Reliability Assessment Using Stochastic Finite Element Analysis. John Wiley & Sons, USA. Harr, M. E. (1987). Reliability based design in civil engineering. McGraw Hill, London, New York. Hasofer, A. M. and Lind, N. C. (1974). Exact and invariant second-moment code format. Journal of the Engineering Mechanics Dvision - ASCE, 100(EM1) : Low, B. K. (1996). Practical probabilistic approach using spreadsheet. In Proc. Uncertainty in the Geologic Environment - From Theory to Practice, pages ASCE Geotechnical Special Publication No 58, Madison, Wisconsin. Low, B. K. and Tang, W. H. (2004). Reliability analysis using object-oriented constrained optimization. Structural Safety, 26 : Rosenblueth, E. (1975). Point estimates for probability moments. Proceedings of the National Academy of Science, USA, 72(10) :
Application de la méthode de surface de réponse stochastique à l analyse de stabilité d un tunnel pressurisé
Application de la méthode de surface de réponse stochastique à l analyse de stabilité d un tunnel pressurisé Guilhem Mollon 1, Daniel Dias 2, Abdul-Hamid Soubra 3 1 Doctorant, Laboratoire de Génie Civil
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
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 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 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 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 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 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 détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailLe théorème des deux fonds et la gestion indicielle
Le théorème des deux fonds et la gestion indicielle Philippe Bernard Ingénierie Economique& Financière Université Paris-Dauphine mars 2013 Les premiers fonds indiciels futent lancés aux Etats-Unis par
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 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 détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
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 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 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 détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailMesure et gestion des risques d assurance
Mesure et gestion des risques d assurance Analyse critique des futurs référentiels prudentiel et d information financière Congrès annuel de l Institut des Actuaires 26 juin 2008 Pierre THEROND ptherond@winter-associes.fr
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 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 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 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 détailPROBABILITES 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(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
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 détailModélisation géostatistique des débits le long des cours d eau.
Modélisation géostatistique des débits le long des cours d eau. C. Bernard-Michel (actuellement à ) & C. de Fouquet MISTIS, INRIA Rhône-Alpes. 655 avenue de l Europe, 38334 SAINT ISMIER Cedex. Ecole des
Plus en détailValidation probabiliste d un Système de Prévision d Ensemble
Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste
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 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 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 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 détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
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 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 détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
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 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 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 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 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 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 détailMA6.06 : Mesure et Probabilités
Année universitaire 2002-2003 UNIVERSITÉ D ORLÉANS Olivier GARET MA6.06 : Mesure et Probabilités 2 Table des matières Table des matières i 1 Un peu de théorie de la mesure 1 1.1 Tribus...............................
Plus en détailLoi 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 détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en détailModèles 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 détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailGénération de scénarios économiques
Modélisation des taux d intérêt Pierre-E. Thérond ptherond@galea-associes.eu pierre@therond.fr Galea & Associés ISFA - Université Lyon 1 22 novembre 2013 Motivation La modélisation des taux d intérêt est
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 détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailModélisation de séries financières par un modèle multifractal. Céline Azizieh
Modélisation de séries financières par un modèle multifractal Céline Azizieh Mémoire présenté à l Université Libre de Bruxelles en vue d obtenir le diplôme d actuaire Supervision: W. Breymann (RiskLab,
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailProduits de crédit en portefeuille
Chapitre 6 Produits de crédit en portefeuille et défauts corrélés Dans ce chapitre, on étudie des produits financiers de crédit en portfeuille, notamment k th -to-default swap et CDOs (voir 1.2 pour une
Plus en détailUne plate-forme pour la quantification des incertitudes sous Matlab
UQLab Une plate-forme pour la quantification des incertitudes sous Matlab Bruno Sudret Stefano Marelli ETH Zürich, Institute of Structural Engineering Chair of Risk, Safety & Uncertainty Quantification
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 détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
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 détailEquation LIDAR : exp 2 Equation RADAR :
Contexte scientifique Systèmes LIDAR/RADAR Equation LIDAR : exp Equation RADAR : p (r) : puissance rétrodiffusée r : altitude ou profondeur. C : constante instrumentale. β : coefficient de rétrodiffusion
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 détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en détailETUDE DES PERFORMANCES D UN SYSTEME EOLIEN. APPLICATION POUR DES SITES ALGERIENS
èmes Journées Internationales de Thermique ETUDE DES PERFORMANES D UN SYSTEME EOLIEN. APPLIATION POUR DES SITES ALGERIENS Rachid MAOUEDJ*, Souad BOUSALEM** et Boumedien BENYOUEF ** * Unité de Recherche
Plus en détailLES VASES DE LA LOIRE : MODELISATION DE L EFFET DE LA CONSOLIDATION SUR DES INFRASTRUCTURES EXISTANTES
LES VASES DE LA LOIRE : MODELISATION DE L EFFET DE LA CONSOLIDATION SUR DES INFRASTRUCTURES EXISTANTES THE SILTS FROM THE LOIRE RIVER: MODELLING OF CONSOLIDATION EFFECTS ON EXISTING INFRASTRUCTURE Sébastien
Plus en détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
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 détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
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 détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
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 détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailIntégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :
Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +
Plus en détailMODELE A CORRECTION D ERREUR ET APPLICATIONS
MODELE A CORRECTION D ERREUR ET APPLICATIONS Hélène HAMISULTANE Bibliographie : Bourbonnais R. (2000), Econométrie, DUNOD. Lardic S. et Mignon V. (2002), Econométrie des Séries Temporelles Macroéconomiques
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailPrédiction et Big data
Prédiction et Big data Mitra Fouladirad Institut Charles Delaunay - UMR CNRS 6281 Université de Technologie de Troyes 29 avril 2015 1 1 Sujet Motivation Le pronostic ou la prédiction du comportement futur
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 détailMesure agnostique de la qualité des images.
Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
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 détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailMécanique des sols I. Chapitre I Propriétés physiques des sols. Chapitre II Hydraulique des sols. Chapitre III Déformations des sols
Mécanique des sols I Chapitre I Propriétés physiques des sols Chapitre II Hydraulique des sols Chapitre III Déformations des sols Chapitre IV Résistance au cisaillement des sols Chapitre III Déformations
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
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 détailPartie 1. La structure des réseaux sociaux
Partie 1. La structure des réseaux sociaux Analyse et Modélisation des Réseaux, Université Bordeaux IV Sections : Introduction 1 Introduction 2 3 L expérience de Milgram Les réseaux aléatoires 4 Le clustering
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
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 détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détail