Analyse de sensibilité pour données climatiques
|
|
- Thibaud Truchon
- il y a 8 ans
- Total affichages :
Transcription
1 Analyse de sensibilité pour données climatiques Ronan Trépos (master 2 de Franck Boizard) 1 er octobre 2015 Collaborations : F. Boizard, R. Faivre, R. Trépos et pôle transverse du CATI IUMA (S. Roux, S. Buis).
2 Sommaire 1 Présentation du stage 2 Analyse de sensibilité par climat 3 Classification non supervisée des séries climatiques Classification experte Classification automatique 4 Visualiser les résultats d AS en utilisant la classification 5 Analyse de sensibilité conjointe
3 Analyse de sensibilité pour données climatiques Modèle de culture (dynamique et boîte noire ) : Données climatiques: - température min - température max - pluie... Modèle de culture (sunflo, "jouet",...) Autres paramètres: - traits phénotypique de plante - stress hydrique... Sortie du modèle - rendement - biomasse... Objectif : calculer conjointement des indices de sensibilités pour les entrées climatiques et autres paramètres.
4 Présentation du modèle jouet y = Entrées climatiques : x = (x rad (t), x tmoy (t), x et0 (t), x rain (t)) Paramètres : θ = (t 1, t 2, τ tmoy, τ FTSW, k c, TTSW ) Equations : t 2 t 1 b t (x, θ) b t = RUE t (x, θ) x rad (t) RUE t = (x tmoy (t) < τ tmoy ) min(1, FTSW t 1 τ FTSW ) ATSW tmp t = ATSW t 1 + x rain (t) k c x et0 (t) min(1, FTSW t 1 τ FTSW ) ATSW t = min(ttsw, max(0, ATSW tmp t )) FTSW t = ATSW t TTSW
5 Présentation du modèle jouet (données) Domaine de variation des entrées climatiques : séries de Montpellier (début : 14 nov, durée : 365 jours) de 1972 à 2014 avec les variables climatiques (x rad (t), x tmoy (t), x et0 (t), x rain (t)) 42 séries climatiques Domaine de variation des paramètres : paramètre min max τ tmoy k c TTSW Autres paramètres et valeurs initiales fixés : ATSW (0) 50 t t τ FTSW 0.4
6 Sommaire 1 Présentation du stage 2 Analyse de sensibilité par climat 3 Classification non supervisée des séries climatiques 4 Visualiser les résultats d AS en utilisant la classification 5 Analyse de sensibilité conjointe
7 AS pour la série de 1972 (FAST, 3000 pts) cond.values_tau_tmoy cond.values_kc cond.values_ttsw main effect interactions
8 Variabilité des indices de 1er ordre selon la série FAST (3000 pts) Sobol2002 (5000 pts) SobolJansen (5000 pts) tau_tmoy kc ttsw tau_tmoy kc ttsw tau_tmoy kc ttsw
9 Détails des AS (FAST) 0.0e e e e+09 cond.values_tau_tmoy cond.values_kc cond.values_ttsw interactions
10 Détails des AS (Sobol 2002) 0.0e e e e+09 cond.values_tau_tmoy cond.values_kc cond.values_ttsw interactions
11 Détails des AS (Sobol Jansen) 0e+00 1e+09 2e+09 3e+09 cond.values_tau_tmoy cond.values_kc cond.values_ttsw interactions
12 Sommaire 1 Présentation du stage 2 Analyse de sensibilité par climat 3 Classification non supervisée des séries climatiques Classification experte Classification automatique 4 Visualiser les résultats d AS en utilisant la classification 5 Analyse de sensibilité conjointe
13 Classification experte Une première classification experte est basée directement sur la somme des pluies en période de production de biomasse (entre t 1 = 180 et t 2 = 280). Classe1 : * peu humide Classe2 : * moyennement humide Classe3 : * très humide
14 Sommaire 1 Présentation du stage 2 Analyse de sensibilité par climat 3 Classification non supervisée des séries climatiques Classification experte Classification automatique 4 Visualiser les résultats d AS en utilisant la classification 5 Analyse de sensibilité conjointe
15 Méthodologie de classification Définition d une distance entre séries temporelles (dtw) distance tmoy entre 1972 et 2013= Mean temperature of the day day Normalisation quantile et somme des distances sur les variables climatiques distance entre 2 séries climatiques Classification ascendante hiérarchique (CAH) Détermination des centres de classes à partir de la CAH pour initialiser une méthode de K-medoïdes
16 Méthodologie de classification Définition d une distance entre séries temporelles (dtw) Normalisation quantile et somme des distances sur les variables climatiques distance entre 2 séries climatiques ETPP RG RR TMC avant normalisation ETPP RG RR TMC après normalisation Classification ascendante hiérarchique (CAH) Détermination des centres de classes à partir de la CAH pour initialiser une méthode de K-medoïdes
17 Méthodologie de classification Définition d une distance entre séries temporelles (dtw) Normalisation quantile et somme des distances sur les variables climatiques distance entre 2 séries climatiques Classification ascendante hiérarchique (CAH) Détermination des centres de classes à partir de la CAH pour initialiser une méthode de K-medoïdes
18 Méthodologie de classification Définition d une distance entre séries temporelles (dtw) Normalisation quantile et somme des distances sur les variables climatiques distance entre 2 séries climatiques Classification ascendante hiérarchique (CAH) Détermination des centres de classes à partir de la CAH pour initialiser une méthode de K-medoïdes R2(k) = I inter (k) F (k) = k t = n 2 I tot R2(k) 1 R2(k) n k k 1
19 Résultats de classification Height iuma/mtpellier_1981_1982.txt iuma/mtpellier_2005_2006.txt iuma/mtpellier_1994_1995.txt PseudoF R K= 3 PseudoF= 3 thumb= nb clusters
20 Caractérisation des classes (apprentissage supervisé) Arbre de décision : moyenne des vars clim. + année vs classe. 1 mean_rg > year 1984 > Node 2 (n = 9) Node 4 (n = 13) Node 5 (n = 20) Classe1 : * très lumineuse avant 84 Classe2 : * très lumineuse après 84 Classe3 : * peu lumineuse
21 Sommaire 1 Présentation du stage 2 Analyse de sensibilité par climat 3 Classification non supervisée des séries climatiques 4 Visualiser les résultats d AS en utilisant la classification 5 Analyse de sensibilité conjointe
22 Réarrangement des indices (FAST, classif experte) 0.0e e e e+09 cond.values_tau_tmoy cond.values_kc cond.values_ttsw interactions
23 Réarrangement des indices (FAST, classif automatique) 0.0e e e e+09 cond.values_tau_tmoy cond.values_kc cond.values_ttsw interactions
24 Analyse de variance des indices de sensibilités Test de Turkey (p_value à 0.2) sur une aov des indices de sensibilités issus de FAST pour la classification experte. class 1 class 2 class tau_tmoy kc ttsw tau_tmoy kc ttsw tau_tmoy kc ttsw tau_tmoy moins influent sur la biomasse en situation peu humide? kc moins influent sur la biomasse en situation très humide?
25 Analyse de variance des indices de sensibilités Test de Turkey (p_value à 0.2) sur une aov des indices de sensibilités issus de FAST pour la classification automatique. class 1 class 2 class tau_tmoy kc ttsw tau_tmoy kc ttsw tau_tmoy kc ttsw tau_tmoy moins influent sur la biomasse en situation très lumineuse avant 84? kc moins influent sur la biomasse en situation peu lumineuse?
26 Sommaire 1 Présentation du stage 2 Analyse de sensibilité par climat 3 Classification non supervisée des séries climatiques 4 Visualiser les résultats d AS en utilisant la classification 5 Analyse de sensibilité conjointe
27 Analyse de sensibilité conjointe Problématique : intégrer dans l AS la série climatique comme un paramètre d entrée discret non ordonné : C {1972, 1973,..., 2013} Morris et fast non adaptées pour ce type de données utilisation du pick and freeze de Sobol. L utilisateur fournit 2 matrices : A := (a i,j ), B := (b i,j ) 1 i n, 1 j M, où n est choisi et M est le nbre de params. Plan simulé : A B X = C 1. C M où : a 1,1 a 1,j 1 b 1,j a 1,j+1 a 1,M C j =..... a n,1 a n,j 1 b n,j a n,j+1 a n,m
28 Introduction de la variable climat la méthode proposée consiste à ajouter une colonne ds A et B pour la variable climat. on chercher à construire ces deux colonnes (dans A et B) de manière orthogonale. On part de A et B définies comme précédemment (sur les M paramètres continus) en utilisant un hypercube latin de taille n. a 1,1 a 1,M b 1,1 b 1,M A =.. B =.. a n,1 a n,m b n,1 b n,m Par la suite, on identifie une série climatique par un indice k, 1 k K = 42.
29 Introduction de la variable climat k a 1,1 a 1,M A k :=... k a n,1 a n,m A k := A k. A k (K 1) n k b 1,1 b 1,M B k :=... k b n,1 b n,m B k := B 1. B k 1 B k+1. B K (K 1) n A := A 1. A K K (K 1) n B := B 1. B K K (K 1) n
30 Résultats : comparaison avec et sans classif (jansen) a sans classif (K = 42, M = 4), n = 10 K (K 1) n (M + 2) = b classif experte (K = 3, M = 4), n = 2000 K (K 1) n (M + 2) = c classif auto (K = 3, M = 4), n = 2000 K (K 1) n (M + 2) = main effect total effect main effect total effect main effect total effect climate tau_tmoy kc ttsw clust tau_tmoy kc ttsw clust tau_tmoy kc ttsw
31 Résultats : impact de l intervalle des variables Expe : intervalle de variation des paramètres {tau_tmoy, kc, ttsw} divisé par main effect total effect main effect total effect main effect total effect climate tau_tmoy kc ttsw clust tau_tmoy kc ttsw clust tau_tmoy kc ttsw plus d effet du climat, lorsque les autres paramètres varient moins?
32 Conclusion/Perpectives Aspects méthodologiques : reproduction des AS pour plus de robustesse (plusieurs graines aléatoires) vérifications à apporter sur l utilisation de Sobol 2002 (et Sobol Jansen) justification méthodologique plus poussée pour l AS conjointe classification : choix d un représentant ou tirage dans la classe de climats étude intéractions climat / autres paramètres Aspects informatiques : genération de tutoriels R pour les plateformes du CATI IUMA (OpenFluid, Sol virtuel, OpenAlea, Capsis, RECORD) dans la cadre du pari scientifique : Approches multi-plateformes pour la résolution de problèmes avancés en Analyse de Sensibilité intégration avec le paquet R mtk (Mexico Toolkit) déjà sur le CRAN.
La 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 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 détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailAnnexe 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 détailMaster IAD Module PS. Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique. Gaël RICHARD Février 2008
Master IAD Module PS Reconnaissance de la parole (suite) Alignement temporel et Programmation dynamique Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance
Plus en détailArchitecture des Systèmes d Information Architecture des Systèmes d Information
Plan... Tableaux et tris I3 - Algorithmique et programmation 1 Rappels Nicol Delestre 2 Tableaux à n dimensions 3 Initiation aux tris Tableaux - v2.0.1 1 / 27 Tableaux - v2.0.1 2 / 27 Rappels : tableau
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en 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 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 détailECTS CM TD TP. 1er semestre (S3)
Organisation du parcours M2 IRS en alternance De façon générale, les unités d enseignements (UE) sont toutes obligatoires avec des ECTS équivalents à 3 sauf le stage sur 27 ECTS et réparties sur deux semestres
Plus en détailIntroduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Plus en détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailQuelleestlavaleurdel intensitéiaupointm?
Optique Ondulatoire Plan du cours [1] Aspect ondulatoire de la lumière [2] Interférences à deux ondes [3] Division du front d onde [4] Division d amplitude [5] Diffraction [6] Polarisation [7] Interférences
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 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 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 détailPROGRAMME (Susceptible de modifications)
Page 1 sur 8 PROGRAMME (Susceptible de modifications) Partie 1 : Méthodes des revues systématiques Mercredi 29 mai 2013 Introduction, présentation du cours et des participants Rappel des principes et des
Plus en détailStatistique : Résumé de cours et méthodes
Statistique : Résumé de cours et méthodes 1 Vocabulaire : Population : c est l ensemble étudié. Individu : c est un élément de la population. Effectif total : c est le nombre total d individus. Caractère
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 détail3. SPÉCIFICATIONS DU LOGICIEL. de l'expression des besoins à la conception. Spécifications fonctionnelles Analyse fonctionnelle et méthodes
PLAN CYCLE DE VIE D'UN LOGICIEL EXPRESSION DES BESOINS SPÉCIFICATIONS DU LOGICIEL CONCEPTION DU LOGICIEL LA PROGRAMMATION TESTS ET MISE AU POINT DOCUMENTATION CONCLUSION C.Crochepeyre Génie Logiciel Diapason
Plus en détail4. Résultats et discussion
17 4. Résultats et discussion La signification statistique des gains et des pertes bruts annualisés pondérés de superficie forestière et du changement net de superficie forestière a été testée pour les
Plus en détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailLa segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM
La segmentation à l aide de EG-SAS A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM Définition de la segmentation - Au lieu de considérer une population dans son ensemble,
Plus en détailEvaluation de la typicité des vins liés au terroir : proposition de méthodes pour les professionnels de la filière
Evaluation de la typicité des vins liés au terroir : proposition de méthodes pour les professionnels de la filière Ronan SYMONEAUX, Isabelle MAITRE, Frédérique JOURJON UMT VINITERA- Laboratoire GRAPPE
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailL2T SMS RESELLER MANUEL D UTILISATION ESPACE CLIENT AVERTISSEMENT
L2T SMS RESELLER MANUEL D UTILISATION ESPACE CLIENT AVERTISSEMENT Si ce document a un indice supérieur à ceux précédemment diffusés, il les annule et les remplace En conséquence, sont destinataire doit,
Plus en détailAgrégation des portefeuilles de contrats d assurance vie
Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailManuel d utilisateur Traceur GPS/GSM/GPRS TK-102
Manuel d utilisateur Traceur GPS/GSM/GPRS TK-102 TK-102 Traceur GPS / GSM / GPRS Nous vous remercions pour l achat de votre traceur GPS TK-102 chez GEOTRACEUR et espérons qu il vous donnera entière satisfaction.
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailDémonstration d utilisation De NesmaCom
Démonstration d utilisation De NesmaCom Envoi : SMS Marketing - 1 - Démonstration : NesmaCom I. Connexion à NesmaCom Entrer votre Email et votre mot de passe pour accéder à votre compte sur notre solution
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 détailCalculs Computional fluide dynamiques (CFD) des serres à membrane de Van der Heide
Calculs Computional fluide dynamiques (CFD) des serres à membrane de Van der Heide J.B. Campen Wageningen UR Glastuinbouw, Wageningen xxx 2007 Rapport xxx 2007 Wageningen, Wageningen UR Glastuinbouw Tous
Plus en détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
Plus en détailInfluence du changement. agronomiques de la vigne
Influence du changement climatique sur les résultatsr agronomiques de la vigne à l'aide du modèle STICS Iñaki García a de Cortázar Atauri Unité CSE - Avignon Réunion Protection du Vignoble Changement Climatique
Plus en détailPerspectives d applications de la télédétection en grandes culture à court et moyen terme dans le Sud-Ouest
Perspectives d applications de la télédétection en grandes culture à court et moyen terme dans le Sud-Ouest Jean-François DEJOUX CESBIO & Luc CHAMPOLIVIER CETIOM Télédétection en agriculture : nouveau
Plus en détailCarrotAge, un logiciel pour la fouille de données agricoles
CarrotAge, un logiciel pour la fouille de données agricoles F. Le Ber (engees & loria) J.-F. Mari (loria) M. Benoît, C. Mignolet et C. Schott (inra sad) Conférence STIC et Environnement, Rouen, 19-20 juin
Plus en détailProjet ANR. Bruno Capra - OXAND. 04/06/2015 CEOS.fr - Journée de restitution (Paris) B. CAPRA
Projet ANR Bruno Capra - OXAND MEFISTO : Maîtrise durable de la fissuration des infrastructures en bétons Contexte Problématique des Maîtres d Ouvrages Evaluation et prédiction de la performance des ouvrages
Plus en détailSolution logicielle pour le pilotage et l ERM. Journées d études IARD 26 mars 2010 2 mars 2010
Présentation d ERMS Solution logicielle pour le pilotage et l ERM Journées d études IARD 26 mars 2010 2 mars 2010 Sommaire 1 Présentation d ACTUARIS 2 Les problématiques rencontrées 3 Présentation d ERMS
Plus en détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire FFA Jean-Paul LAURENT Professeur à l'isfa jean-paul.laurent@univ-lyon1.fr http://laurent.jeanpaul.free.fr/ 0 De la la mesure à l analyse des risques! Intégrer
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 détailQUALITÉ DE L APPRENTISSAGE DE L INTUBATION ORO-TRACHÉALE EN LABORATOIRE DE SIMULATION, SON INTÉRÊT POUR LES PATIENTS.
QUALITÉ DE L APPRENTISSAGE DE L INTUBATION ORO-TRACHÉALE EN LABORATOIRE DE SIMULATION, SON INTÉRÊT POUR LES PATIENTS. Mémoire de D.E.S.C. de Médecine d Urgence Olivier Vuillot Matériel et Méthode : Design
Plus en détailSujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante.
Sujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante. Objectifs et formulation du sujet Le syndrome de l apnée du sommeil (SAS) est un problème de santé publique
Plus en détailExamen d informatique première session 2004
Examen d informatique première session 2004 Le chiffre à côté du titre de la question indique le nombre de points sur 40. I) Lentille électrostatique à fente (14) Le problème étudié est à deux dimensions.
Plus en détailIntroduction à l informatique temps réel Pierre-Yves Duval (cppm)
Introduction à l informatique temps réel Pierre-Yves Duval (cppm) Ecole d informatique temps réel - La Londes les Maures 7-11 Octobre 2002 -Définition et problématique - Illustration par des exemples -Automatisme:
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 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 détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailNouveau. TRIMAXX, le raccourcisseur qui en fait un MAXX.
Coup de tonnerre dans les raccourcisseurs Nouveau. TRIMAXX, le raccourcisseur qui en fait un MAXX. Trimaxx est un nouveau raccourcisseur pour céréales à paille et féveroles doté d une formulation Son absorption
Plus en détailDu Thermostat à l ordinateur climatique. Vincent Aubret Hortimax
Du Thermostat à l ordinateur climatique Vincent Aubret Hortimax 1 Introduction 2 Régulateurs de type thermostat Applications : Idéal pour la régulation simplifiée de type Tunnels, Hall Alarme haute et
Plus en détailLA PHYSIQUE DES MATERIAUX. Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE
LA PHYSIQUE DES MATERIAUX Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE Pr. A. Belayachi Université Mohammed V Agdal Faculté des Sciences Rabat Département de Physique - L.P.M belayach@fsr.ac.ma 1 1.Le réseau
Plus en détailBILAN HYDRIQUE ET BESOIN D IRRIGATION DE LA CEREALICULTURE EN REGION SEMI-ARIDE.
Résumé Des travaux de recherches combinant les précipitations annuelles et les températures, classent la zone d étude dans le climat méditerranéen de l étage semi-aride (Seltzer, 1949; Emberger, 1955).
Plus en détailInitiation à LabView : Les exemples d applications :
Initiation à LabView : Les exemples d applications : c) Type de variables : Créer un programme : Exemple 1 : Calcul de c= 2(a+b)(a-3b) ou a, b et c seront des réels. «Exemple1» nom du programme : «Exemple
Plus en détailEvaluation de la variabilité d'un système de mesure
Evaluation de la variabilité d'un système de mesure Exemple 1: Diamètres des injecteurs de carburant Problème Un fabricant d'injecteurs de carburant installe un nouveau système de mesure numérique. Les
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 détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
Plus en détailRendre son installation de chauffage performante grâce à la PEB
1 Séminaire Bâtiment Durable: Rendre son installation de chauffage performante grâce à la PEB 21 octobre 2014 Bruxelles Environnement LA REGLEMENTATION CHAUFFAGE PEB Alain BEULLENS, DPT CHAUFFAGE ET CLIM
Plus en détailCaractérisation de défauts par Magnétoscopie, Ressuage, Courants de Foucault
Page 1 25 octobre 2012 Journée «Contrôle non destructif et caractérisation de défauts» Caractérisation de défauts par Magnétoscopie, Ressuage, Courants de Foucault Henri Walaszek sqr@cetim.fr Tel 0344673324
Plus en détailVITICULTURE 2012 V 12 / PACA 02 STRATEGIE D APPLICATION DU CUIVRE EN VITICULTURE
VITICULTURE 212 V 12 / PACA 2 STRATEGIE D APPLICATION DU CUIVRE EN VITICULTURE Silvère DEVEZE Chambre d Agriculture de Vaucluse 1- Identification de l action a. Responsables techniques et partenaires :
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 détailQuelques éléments de statistique multidimensionnelle
ANNEXE 1 Quelques éléments de statistique multidimensionnelle Les méthodes d analyse statistique exploratoire utilisées au cours des chapitres précédents visent à mettre en forme de vastes ensembles de
Plus en détailRessources pour l école élémentaire
Ressources pour l école élémentaire éduscol Découverte du monde Progressions pour le cours préparatoire et le cours élémentaire première année Ces documents peuvent être utilisés et modifiés librement
Plus en détailHistorique. Architecture. Contribution. Conclusion. Définitions et buts La veille stratégique Le multidimensionnel Les classifications
L intelligence économique outil stratégique pour l entreprise Professeur Bernard DOUSSET dousset@irit.fr http://atlas.irit.fr Institut de Recherche en Informatique de Toulouse (IRIT) Equipe Systèmes d
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 détailUniversité de Bangui. Modélisons en UML
Université de Bangui CRM Modélisons en UML Ce cours a été possible grâce à l initiative d Apollinaire MOLAYE qui m a contacté pour vous faire bénéficier de mes connaissances en nouvelles technologies et
Plus en détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 04/04/2008 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 1 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data
Plus en détailTutoriel première utilisation ICEM-CFD. Couche limite et modification du maillage en 2D
Tutoriel première utilisation ICEM-CFD Couche limite et modification du maillage en 2D Création de points, lignes, surfaces, ajout d un trou à la surface pour simuler le comportement de l écoulement autour
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 détailL inégale répartition de l énergie solaire est à l origine des courants atmosphériques
L inégale répartition de l énergie solaire est à l origine des courants atmosphériques I/ Objectif : Dans la partie 2 du programme de seconde «enjeux planétaires contemporains : énergie et sol», sous partie
Plus en détailListe des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone...
Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................
Plus en détailT de Student Khi-deux Corrélation
Les tests d inférence statistiques permettent d estimer le risque d inférer un résultat d un échantillon à une population et de décider si on «prend le risque» (si 0.05 ou 5 %) Une différence de moyennes
Plus en détailIntroduction : Essais de phase I
Schéma de recherche de dose dans les essais de phase I : comparaison par simulations dans un cadre temporel A Doussau 1,2, MC Le Deley 3, B Asselain 1, G Vassal 3, X Paoletti 1 1 - Institut Curie, 2 -
Plus en détailComment prouver que les végétaux ont besoin d eau, de minéraux, d air et de lumière pour se développer normalement?
Comment prouver que les végétaux ont besoin d eau, de minéraux, d air et de lumière pour se développer normalement? La question que l on se pose : Les végétaux ont-ils besoin d eau, de minéraux, d air
Plus en détailRapport d évaluation du master
Section des Formations et des diplômes Rapport d évaluation du master Distribution et marketing de l Université Lille 2 Droit et santé Vague E 2015-2019 Campagne d évaluation 2013-2014 Section des Formations
Plus en détail2 Serveurs OLAP et introduction au Data Mining
2-1 2 Serveurs OLAP et introduction au Data Mining 2-2 Création et consultation des cubes en mode client-serveur Serveur OLAP Clients OLAP Clients OLAP 2-3 Intérêt Systèmes serveurs et clients Fonctionnalité
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailConduite de projets informatiques Développement, analyse et pilotage (2ième édition)
Avant-propos 1. Objectifs du livre 13 2. Structure du livre 14 Un projet informatique 1. Les enjeux 17 1.1 Les buts d'un projet 17 1.2 Les protagonistes d'un projet 18 1.3 Exemples de projets 19 2. Les
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en 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 détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailPlateforme «Inscription en ligne»
Plateforme «Inscription en ligne» Modules Formations d intégration Formations Inter collectivités Réunion de présentation collectivités 2013 Déroulé de la présentation Accéder à la plateforme Accéder à
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 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 détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailRapport de Stage. Titre : Clustering à l aide d une représentation supervisée
Nicolas Creff Du 1er février au 31 juillet 2011 Promotion 2011 Majeure SCIA Rapport de Stage Titre : Clustering à l aide d une représentation supervisée Sujet : Personnalisation de scores à l aide de la
Plus en détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
Plus en détailStatistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014
Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014 A. Lourme http://alexandrelourme.free.fr Outline
Plus en détail