Répresenter l uncertain: Réseaux Bayesiens
|
|
- Marguerite St-Hilaire
- il y a 8 ans
- Total affichages :
Transcription
1 Répresenter l uncertain: Réseaux Bayesiens M1 Miage Intelligence Artificielle Stéphane Airiau LAMSADE M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 1
2 Représenter et Raisonner avec des informations incertaines les agents logiques doivent représenter et raisonner sur tous les mondes possibles l information est souvent incertaine, imprécise, parfois même manquante! représentation raisonnement / inférence apprentissage (pas vu ici) exemples d application : diagnostique (médicale, mécanique) détection (ex : est-ce qu une attaque a lieu sur mon réseau?) M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 2
3 Discussion imaginons une voiture autonome a un plan pour conduire son utilisateur à l aéroport à l heure. A 90 est un plan dans lequel l utilisateur doit partir 90 min avant l heure du décollage.... s il n y a pas d accident... s il n y a pas de bouchons... si la voiture ne tombe pas en panne... s il n y a pas de météorites qui tombe sur la route... le plan ne peut pas raisonner avec toutes ces conditions (problème de qualification). A 180 donne à l agent une croyance plus forte qu il sera à l heure, mais il augmente la possibilité d une longue attente à l aéroport. Quelle est la décision rationnelle? M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 3
4 ex : Diagnostique médical douleurmollet déchirure Résumer l incertitude toutes les douleurs ne veulent pas dire déchirure! douleurmollet déchirure contracture crampe... il faudrait alors ajouter une liste (très très) longue de toutes les possibilités. déchirure douleurmollet toutes les déchirures ne provoquent pas le même type de douleur très compliquer à donner tous les détails trop de travail pour lister précisemment toutes les causes et conséquences pas de théorie complète pour le domaine (ex : Alzheimer) même si la théorie est connue, peut être qu il manque des données (il faudrait faire des analyses supplémentaires) utilisation des probabilités pour résumer l incertitude. M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 4
5 il y a 10% de chance que ce soit la pompe à eau qui soit défectueuse en fait soit vous avez la maladie, soit vous ne l avez pas! les probabilités sont faits par rapport à votre connaissance si entendez ce bruit, il y a 50% de chance que ce soit ça! M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 5
6 Incertain et Théorie de la décision on a des préférences sur les différents alternatives des différents plans d actions on peut utiliser un nombre pour représenter ces préférences attention au sens qu on veut attacher à ces nombres! Théorie de la décision = théorie de la probabilité + préférences M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 6
7 Rappels sur les probabilités Ω représente l ensemble des mondes possibles par exemple, si on lance deux dés identiques, on a 36 mondes différents on associe une probabilité P(ω) à chaque monde possible probabilité a priori : en l absence de toute autre information. P(ω) = 1 ω Ω souvent, on a des signes e : P(ω e) : probabilité de ω étant donné e : probabilité conditionnelle P(a b) = P(a b) P(b) M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 7
8 Rappels sur les probabilités Par convention, les variables aléatoires commencent par des majuscules Chaque variable aléatoire possède un domaine (que l on considère ici fini) Utilisation des opérateurs logiques pour lier des variables logiques P( a) = P(ω) ω a = P(ω) P(ω) + ω a ω a = P(ω) P(ω) ω Ω ω a = 1 P(a) ω a P(ω) P(a b) = P(a) + P(b) P(a b) M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 8
9 Rappels sur les probabilités variables multiples P(X, Y ) distribution de probabilité jointe. Si le domaine de X a une taille de 3 et celui de Y 3, la table de probabilité aura 3 2 lignes. M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 9
10 Rappels sur les probabilités Que se passe-t-il si on ne satisfait pas ces axiomes? Bruno de Finetti : si un agent ne satisfait pas les règles de probabilités (et qu on connait comment il raisonne), on pourrait organiser des paris et faire en sorte que l adversaire soit tout le temps perdant! M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 10
11 Rappels sur les probabilités marginalisation : P(Y ) = z Z P(Y,z) conditionnement : P(Y ) = z Z P(Y z)p(z) Si on connait la table de probabilité complète, on peut répondre à toutes les requêtes du type P(X e) P(X e) = α P(X,e,y) où y y désigne toutes les autres variables. α est une constante de normalisation mais cela demande de connaître la table en entier (de taille O(2 n ) pour desn variables binaires!) M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 11
12 Rappels sur les probabilités Indépendance P(a b) = P(a) P(b a) = P(b) P(a b) = P(a) P(b) Pour des variables multiples, on a X et Y sont indépendante sachant la variable Z : P(X,Y Z) = P(X Y )P(Y Z) P(X Y,Z) = P(X Z) P(Y X,Z) = P(Y Z) M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 12
13 Rappels sur les probabilités La règle de Bayes P(a b) = P(a b) P(b) P(a b) = P(b a) P(a), donc : P(b a) = P(a b)p(b) P(a) règle de Bayes P(cause conséquence) = P(conséquence cause)p(cause) P(conséquence) P(conséquence cause) : direction causale P(cause conséquence) : direction diagnostique si toutes les causes sont indépendantes on a P(cause,cons 1,...,cons k ) = P(cause) model Bayesien naïf k P(cons i cause) i=1 M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 13
14 Réseaux Bayésiens Un graphe correspond à une paire (G,E) ou V sont les sommets et E sont arêtes. Ici, le graphe est orienté et on parlera d arc. S il existe un arc A i A j A i est un parent de A j A j est un enfant de A i But : représenter les relations d indépendance conditionnelles Un réseau Bayésien un un graphe orienté tel que chaque sommet correspond à une variable aléatoire. le graphe n a pas de cycle (DAG) chaque noeud X i contient une table de probabilités conditionnelles (CPT) P(X i parents(x i )) X Y on dit que X a une influence directe sur Y. M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 14
15 Exemple Je travaille pour (compagnie préférée dans la silicon valley) et mon voisin John me téléphone pour me dire que mon alarme s est déclenchée. Par contre, ma voisine Mary, elle n appelle pas. Parfois, mon alarme se déclenche à cause d un très petit tremblement de terre. Est-ce qu il y a un cambriolage? variables : Burglar (cambriolage), Earthquake, Alarm, JohnCalls, MaryCalls Le réseau reflète ma connaissance des causes un cambrioleur peut déclencher l alarme un tremblement de terre peut déclencher l alarme si l alarme sonne, Mary peut me prévenir si l alarme sonne, John peut me prévenir M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 15
16 Exemple Burglary P(B).001 Earthquake P(E).002 Alarm B t t f f E t f t f P(A) JohnCalls A t f P(J) MaryCalls A t f P(M) M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 16
17 Représentation une table de probabilité conditionnelle pour une variable aléatoire binaire avec k parents a 2 k lignes pour représenter les combinaisons des valeurs des noeuds parents. Si chaque variable a au plus k parents, on a besoin au plus de O(n 2 k ) nombres (mieux que O(2 n ). Ici 10 nombres au lieu de 31. Le réseau représente la table entière de probabilité ex : P(x 1,x 2,...,x n ) = n P(x i parents(x i ) P(j, m, a, b, e) = P(j a)p(m a)p(a b e)p( b)p( e) i=1 = M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 17
18 Construction P(x 1,...,x n ) = P(x n x 1,...,x n 1 )P(x 1,...,x n 1 ) = P(x n x 1,...,x n 1 )P(x n 1 x 1,...,x n 2 )P(x 1,...,x n 2 ) =... = P(x n x 1,...,x n 1 )P(x n 1 x 1,...,x n 2 )...P(x 2 x 1 )P(x 1 ) n = P(x i x i 1,...,x 1 ) i=1 On a P(x i x i 1,...,x 1 ) = P(x i Parents(X i )) seulement lorsque Parents(x i ) {x i 1,...,x 1 }. Pour construire un réseau bayésien, il faut faire attention à la structure du réseau. chaque noeud doit être conditionnellement indépendant de ses prédécesseur étant donné ses parents M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 18
19 Construction 1 sommets chosir un ordre sur les variables, on les renomme pour avoir X 1,X 2,...,X n tout ordre est possible, mais le réseau obtenu sera plus ou moins compact 2 arcs : Pour i = 1 à n Choisir parmis {X 1,...,X i 1 un ensemble minimal de parents pour X i de sorte que P(x i x i 1,...,x 1 ) = P(x i Parents(X i )) soit satisfaite. insérer les arcs entre X i et ses parents écrire la table de probabilités conditionnelles. Intuitivement, les parents de X i devraient influencer directement X i. La méthode garantie que le graphe ne contient pas de cycle. M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 19
20 Compacité Supposons qu on a n variables aléatoires qui sont binaires la distribution complète possède donc 2 n nombres Supposons que chaque variable dépend de au plus k variables Dans le réseau bayésien, on a seulement besoin de n 2 k nombres ex : si n = 30 et k = 5, on a besoin de = = 960, alors que 2 30 = Dans certains domaines, on ne gagnera pas beaucoup, dans d autres si. Le choix d avoir plus ou moins de parents a aussi un coût (on pourrait ajouter un arc entre tremblement de terre et le fait que Mary appelle, cela serait peut être plus précis, mais cela ferait grandir la table de probabilité, ce qui pourrait compliquer le raisonnement pour un gain faible en précision) M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 20
21 Choisir un mauvais ordre ordre : MaryCalls, JohnCalls, Alarm, Burglary, Earthquake MaryCalls : pas de parents JohnCalls : si Mary appelle, c est sûrement car l alarme s est déclenchée, ce qui rend plus probable le fait que John appelle. Donc lien MaryCalls JohnCalls Alarm : MaryCalls Alarm et JohnCalls Alarm paraissent intuitif. Burglary : Alarm Burglary semble intuitif. Si John et Mary n appelle pas, peut-être est-ce à cause d un tremblement de terre, ce qui pourrait baisser la probabilité d un cambriolage. Mais cette dernière remarque exige peut-être trop de précision Earthquake : l alarme peut être vue comme un détecteur de tremblement de terre, donc on doit avoir Alarm Earthquake. S il y a un cambriolage, cela expliquerait l alarme, et donc avoir une faible probabilité de tremblement de terre, donc on doit avoir Burglary Earthquake on obtient un réseau avec deux arcs de plus, mais trouver les probabilités ne semble pas facile! M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 21
22 modèles causal ou modèle diagnotic En construisant un modèle causal (les parents sont des causes des enfants), on crée moins de dépendance, et il est généralement plus facile d estimer les probabilités. Des expériences en sciences cognitives montrent que l humain est plus doué pour estimer des probabilités sur des règles causales. MaryCalls MaryCalls JohnCalls JohnCalls Alarm Earthquake Burglary Burglary Earthquake Alarm (a) (b) M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 22
23 Inférences exactes Soit E l ensemble des observations Soit X la variable de la requête Les autres variables sont des variables cachées et on utilise Y comme ensemble des variables cachées. La requête est P(X e) P(X e) = α y Y P(X,e,y) exemple : P(B JohnCalls, MaryCalls) si John et Mary ont appele P(b j,m) = α e = α e P(B,j,m,e,a) a P(b)P(e)P(a b, e)p(j a)p(m a) a M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 23
24 Inférences exactes La complexité est donc exponentielle car on peut avoir a utiliser presque tous les nombres des tables de probabilités. P(b j,m) = αp(b) e P(e) a P(a b, e)p(j a)p(m a) P(e).002 P(b).001 P( e).998 P(a b,e) P( a b,e) P(a b, e) P( a b, e) P(j a).90 P( j a) P( j a) P( j a).05 P(m a) P(m a) P(m a) P(m a) M1 Miage Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux Bayesiens 24
Raisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailAPPORT DES RESEAUX BAYESIENS DANS LA PREVENTION DE LA DELINQUANCE
SûretéGlobale.Org La Guitonnière 49770 La Meignanne Téléphone : +33 241 777 886 Télécopie : +33 241 200 987 Portable : +33 6 83 01 01 80 Adresse de messagerie : c.courtois@sureteglobale.org APPORT DES
Plus en détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en détailIndépendance Probabilité conditionnelle. Chapitre 3 Événements indépendants et Probabilités conditionnelles
Chapitre 3 Événements indépendants et Probabilités conditionnelles Indépendance Indépendance Probabilité conditionnelle Definition Deux événements A et B sont dits indépendants si P(A B) = P(A).P(B) Attention
Plus en détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
Plus en détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailCalculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
Plus en détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
Plus en détailPoker. A rendre pour le 25 avril
Poker A rendre pour le 25 avril 0 Avant propos 0.1 Notation Les parties sans * sont obligatoires (ne rendez pas un projet qui ne contient pas toutes les fonctions sans *). Celles avec (*) sont moins faciles
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailCalculs de probabilités
Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile
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 détailP1 : Corrigés des exercices
P1 : Corrigés des exercices I Exercices du I I.2.a. Poker : Ω est ( l ensemble ) des parties à 5 éléments de l ensemble E des 52 cartes. Cardinal : 5 I.2.b. Bridge : Ω est ( l ensemble ) des parties à
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
Plus en détailGEA II Introduction aux probabilités Poly. de révision. Lionel Darondeau
GEA II Introduction aux probabilités Poly. de révision Lionel Darondeau Table des matières Énoncés 4 Corrigés 10 TD 1. Analyse combinatoire 11 TD 2. Probabilités élémentaires 16 TD 3. Probabilités conditionnelles
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 détailProbabilités conditionnelles
Probabilités conditionnelles Exercice Dans une usine, on utilise conjointement deux machines M et M 2 pour fabriquer des pièces cylindriques en série. Pour une période donnée, leurs probabilités de tomber
Plus en détailMaster d Informatique M1 Université Paris 7 - Denis Diderot Travail de Recherche Encadré Surf Bayesien
Master d Informatique M1 Université Paris 7 - Denis Diderot Travail de Recherche Encadré Surf Bayesien Denis Cousineau Sous la direction de Roberto di Cosmo Juin 2005 1 Table des matières 1 Présentation
Plus en détailINF 232: Langages et Automates. Travaux Dirigés. Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies
INF 232: Langages et Automates Travaux Dirigés Université Joseph Fourier, Université Grenoble 1 Licence Sciences et Technologies Année Académique 2013-2014 Année Académique 2013-2014 UNIVERSITÉ JOSEPH
Plus en détailQu 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 détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailJade. Projet Intelligence Artificielle «Devine à quoi je pense»
Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges
Plus en détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en détailResolution 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 détailCours de Probabilités et de Statistique
Cours de Probabilités et de Statistique Licence 1ère année 2007/2008 Nicolas Prioux Université Paris-Est Cours de Proba-Stat 2 L1.2 Science-Éco Chapitre Notions de théorie des ensembles 1 1.1 Ensembles
Plus en détailUniversité Paris 8 Introduction aux probabilités 2014 2015 Licence Informatique Exercices Ph. Guillot. 1 Ensemble fondamental loi de probabilité
Université Paris 8 Introduction aux probabilités 2014 2015 Licence Informatique Exercices Ph. Guillot 1 Ensemble fondamental loi de probabilité Exercice 1. On dispose de deux boîtes. La première contient
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
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 détailLes Réseaux Bayesiens
Les Réseaux Bayesiens A quoi sert un réseau bayésien? à représenter la connaissance d un système technique Le "système" dont on représente la connaissance au moyen d'un réseau bayésien peut être aussi
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailAdWords Guide de survie
AdWords Guide de survie Avril 2011 Guide de survie AdWords. Ce guide liste dix des astuces les plus utiles pour gérer une campagne AdWords efficacement, et sans gaspiller d argent. Plan de référencement
Plus en détailMATH0062-1 ELEMENTS DU CALCUL DES PROBABILITES
MATH0062-1 ELEMENTS DU CALCUL DES PROBABILITES REPETITIONS et PROJETS : INTRODUCTION F. Van Lishout (Février 2015) Pourquoi ce cours? Sciences appliquées Modélisation parfaite vs monde réel Comment réussir
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 détailSimulation centrée individus
Simulation centrée individus Théorie des jeux Bruno BEAUFILS Université de Lille Année 4/5 Ce document est mis à disposition selon les termes de la Licence Creative Commons Attribution - Partage dans les
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailLes probabilités. Guide pédagogique Le présent guide sert de complément à la série d émissions intitulée Les probabilités produite par TFO.
Guide pédagogique Le présent guide sert de complément à la série d émissions intitulée produite par TFO. Le guide Édition 1988 Rédacteur (version anglaise) : Ron Carr Traduction : Translatec Conseil Ltée
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en 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 détailExo7. Probabilité conditionnelle. Exercices : Martine Quinio
Exercices : Martine Quinio Exo7 Probabilité conditionnelle Exercice 1 Dans la salle des profs 60% sont des femmes ; une femme sur trois porte des lunettes et un homme sur deux porte des lunettes : quelle
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 détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en détailEconomie de l Incertain et des Incitations
Economie de l Incertain et des Incitations CHAPITRE 2 Eléments de théorie des jeux en information symétrique et asymétrique Equilibres Bayesiens - Université de Tours - M1 AGE - Arnold Chassagnon - Automne
Plus en détailBIG DATA : PASSER D UNE ANALYSE DE CORRÉLATION
BIG DATA : PASSER D UNE ANALYSE DE CORRÉLATION À UNE INTERPRÉTATION CAUSALE Arthur Charpentier Professeur d actuariat à l Université du Québec, Montréal Amadou Diogo Barry Chercheur à l Institut de santé
Plus en détailLes défis statistiques du Big Data
Les défis statistiques du Big Data Anne-Sophie Charest Professeure adjointe au département de mathématiques et statistique, Université Laval 29 avril 2014 Colloque ITIS - Big Data et Open Data au cœur
Plus en détailRéseaux bayésiens. 3 e édition Patrick Naïm, Pierre-Henri Wuillemin, Philippe Leray, Olivier Pourret, Anna Becker
Réseaux bayésiens 3 e édition Patrick Naïm, Pierre-Henri Wuillemin, Philippe Leray, Olivier Pourret, Anna Becker Avec la contribution de Bruce G. Marcot, Carmen Lacave et Francisco J. Díez Groupe Eyrolles,
Plus en détailProbabilités. Une urne contient 3 billes vertes et 5 billes rouges toutes indiscernables au toucher.
Lycée Jean Bart PCSI Année 2013-2014 17 février 2014 Probabilités Probabilités basiques Exercice 1. Vous savez bien qu un octet est une suite de huit chiffres pris dans l ensemble {0; 1}. Par exemple 01001110
Plus en détailTutoriel Atout Facture. 14/01/2015 Codelpi
Tutoriel Atout Facture 14/01/2015 Codelpi Sommaire Le menu... 3 Menu gauche... 3 Menu haut-droit... 4 Tableau de bord... 5 Les clients... 8 Créer un client... 8 Modifier un client... 9 Ses adresses...
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailIntelligence Artificielle et Systèmes Multi-Agents. Badr Benmammar bbm@badr-benmammar.com
Intelligence Artificielle et Systèmes Multi-Agents Badr Benmammar bbm@badr-benmammar.com Plan La première partie : L intelligence artificielle (IA) Définition de l intelligence artificielle (IA) Domaines
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailAttitude des ménages face au risque. M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014
Attitude des ménages face au risque - M1 - Arnold Chassagnon, Université de Tours, PSE - Automne 2014 Plan du cours 1. Introduction : demande de couverture et comportements induits pa 2. Représentations
Plus en détailMASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.
MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.fr Plan Introduction Généralités sur les systèmes de détection d intrusion
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailGERER SA MAINTENANCE INFORMATIQUE
L AFNOR définit la maintenance comme l «ensemble des actions permettant de maintenir et de rétablir un bien dans un état spécifié ou en mesure d assurer un service déterminé.» De nos jours, les systèmes
Plus en détail- MANIP 2 - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE
- MANIP 2 - - COÏNCIDENCES ET MESURES DE TEMPS - APPLICATION À LA MESURE DE LA VITESSE DE LA LUMIÈRE L objectif de cette manipulation est d effectuer une mesure de la vitesse de la lumière sur une «base
Plus en détail9 5 2 5 Espaces probabilisés
BCPST2 9 5 2 5 Espaces probabilisés I Mise en place du cadre A) Tribu Soit Ω un ensemble. On dit qu'un sous ensemble T de P(Ω) est une tribu si et seulement si : Ω T. T est stable par complémentaire, c'est-à-dire
Plus en détailDistribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités
Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailMIS 102 Initiation à l Informatique
MIS 102 Initiation à l Informatique Responsables et cours : Cyril Gavoille Catherine Pannier Matthias Robine Marc Zeitoun Planning : 6 séances de cours 5 séances de TD (2h40) 4 séances de TP (2h40) + environ
Plus en détailMario Geiger octobre 08 ÉVAPORATION SOUS VIDE
ÉVAPORATION SOUS VIDE 1 I SOMMAIRE I Sommaire... 2 II Évaporation sous vide... 3 III Description de l installation... 5 IV Travail pratique... 6 But du travail... 6 Principe... 6 Matériel... 6 Méthodes...
Plus en détail!! 1/ Analyse économique des bio-invasions. !! 2/ Les instruments de la régulation économique
!! 1/ Analyse économique des bio-invasions!! 2/ Les instruments de la régulation économique!! 3/ Les règles de responsabilité civile: fonctionnement et conditions de mise en œuvre!! 4/ Généricité: au-delà
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
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 détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
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 détailCONSOMMATION INTERTEMPORELLE & MARCHE FINANCIER. Epargne et emprunt Calcul actuariel
CONSOMMATION INTERTEMPORELLE & MARCHE FINANCIER Epargne et emprunt Calcul actuariel Plan du cours Préambule : la contrainte budgétaire intertemporelle et le calcul actuariel I II III Demandes d épargne
Plus en détailUn concept multi-centre de données traditionnel basé sur le DNS
Confiez vos activités critiques à un expert S il est crucial pour vos activités commerciales que vos serveurs soient disponibles en continu, vous devez demander à votre hébergeur de vous fournir une solution
Plus en détailExemple On lance une pièce de monnaie trois fois de suite. Calculer la probabilité d obtenir exactement deux fois pile.
Probabilités Définition intuitive Exemple On lance un dé. Quelle est la probabilité d obtenir un multiple de 3? Comme il y a deux multiples de 3 parmi les six issues possibles, on a chances sur 6 d obtenir
Plus en détailThéorie de l estimation et de la décision statistique
Théorie de l estimation et de la décision statistique Paul Honeine en collaboration avec Régis Lengellé Université de technologie de Troyes 2013-2014 Quelques références Decision and estimation theory
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 détail1.1 Codage de source et test d hypothèse
Théorie de l information et codage 200/20 Cours 8février20 Enseignant: Marc Lelarge Scribe: Marc Lelarge Pour information Page webdu cours http://www.di.ens.fr/~lelarge/info.html Notations Pour des variables
Plus en détailProgrammation Par Contraintes
Programmation Par Contraintes Cours 2 - Arc-Consistance et autres amusettes David Savourey CNRS, École Polytechnique Séance 2 inspiré des cours de Philippe Baptiste, Ruslan Sadykov et de la thèse d Hadrien
Plus en détailDocumentation Partenaire. ajoutez une corde à votre arc
Documentation Partenaire ajoutez une une corde à à votre arc arc Vous venez d installer un dispositif anti-intrusion My Home qui garantit une protection globale des espaces intérieurs et extérieurs. Avec
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
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 détailDécision Markovienne appliquée à un jeu de stop ou encore : Pickomino (Heckmeck Am Bratwurmeck)
Décision Markovienne appliquée à un jeu de stop ou encore : Pickomino (Heckmeck Am Bratwurmeck) Stéphane Cardon Nathalie Chetcuti-Sperandio Fabien Delorme Sylvain agrue CRI - Université d Artois {cardon,chetcuti,delorme,lagrue}@cril.univ-artois.fr
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailIncertitude et variabilité : la nécessité de les intégrer dans les modèles
Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre
Plus en détailGEST_INSTANCES APPLICATION DE GESTION DES INSTANCES ET REUNIONS EN EPLE ETABLISSEMENT PUBLIC LOCAL D ENSEIGNEMENT
GEST_INSTANCES APPLICATION DE GESTION DES INSTANCES ET REUNIONS EN EPLE ETABLISSEMENT PUBLIC LOCAL D ENSEIGNEMENT Table des matières : Description de l application :... 2 Les raisons d une telle application
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailEteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques :
MTH EN JEN 2013-2014 Elèves de seconde, première et terminale scientifiques : Lycée Michel Montaigne : HERITEL ôme T S POLLOZE Hélène 1 S SOK Sophie 1 S Eteindre Lycée Sud Médoc : ROSIO Gauthier 2 nd PELGE
Plus en détailJeux sous forme extensive (Jeux dynamiques)
(Jeux dynamiques) Plan du chapitre ( juillet 008) / éfinitions, exemples et équivalences Arbres de jeux, information et mémoire tratégies et réduction en forme normale Équilibre de Nash parfait en sous-jeux
Plus en détailUne plateforme unique d interprétation et de suivi personnalisé
Une plateforme unique d interprétation et de suivi personnalisé Grâce à la plateforme d interprétation et de suivi, les produits BewellConnect procurent des conseils sur les conduites à tenir en fonction
Plus en détailchoisir H 1 quand H 0 est vraie - fausse alarme
étection et Estimation GEL-64943 Hiver 5 Tests Neyman-Pearson Règles de Bayes: coûts connus min π R ( ) + ( π ) R ( ) { } Règles Minimax: coûts connus min max R ( ), R ( ) Règles Neyman Pearson: coûts
Plus en détailBaromètre BVA Santé. Vieillissement & Silver économie - Vague 1 - pour Orange Healthcare et MNH
Baromètre BVA Vieillissement & Silver économie - Vague 1 - pour Orange Healthcare et MNH en partenariat avec le Figaro avec le concours scientifique de la Chaire de Sciences Po Fiche technique Recueil
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 détailL assurance qui protège votre famille, vos biens et vos droits chez vous et partout ailleurs!
L assurance qui protège votre famille, vos biens et vos droits chez vous et partout ailleurs! reebou family, un produit unique pour une couverture complète Foyer vous propose une assurance multirisque
Plus en détail