Traverses minimales d un hypergraphe :
|
|
- Sébastien Delisle
- il y a 8 ans
- Total affichages :
Transcription
1 Traverses minimales d un hypergraphe : Applications et Analyse Céline Hébert Alain Bretto Loïck Lhote GREYC, Université de Caen Basse-Normandie ALEA 2007, Marseille ébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 1 / 19
2 Hypergraphe Hypergraphe H = (V, E) où V est l ensemble des sommets et E 2 V est l ensemble des hyperarêtes h 1 s 1 s 2 s 3 s 4 s 5 s 6 s 7 h 3 h 2 h s 1 s 2 s 3 s 4 s 5 s 6 s 7 h h Les hypergraphes généralisent les graphes ébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 2 / 19
3 Traverses minimales Traverse = ensemble de sommets qui intersecte toutes les hyperarêtes Traverse minimale= traverse minimale au sens de l inclusion h 1 s 1 s 2 s 3 s 4 h 2 s 5 s 6 s 7 h 3 Exemples : {s 1, s 7 } n est pas une traverse {s 1, s 3, s 5 } est une traverse non-minimale {s 1, s 5 } est une traverse minimale Problèmes : Etant donné un hypergraphe H, peut-on générer toutes ses traverses minimales T (H)? Si oui, comment et à quel coût? ébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 3 / 19
4 Applications ébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 4 / 19
5 Application en Intelligence Artificielle Contexte : ajouter une nouvelle connaissance p à un base de connaissances B premier cas : p n est pas en contradiction avec B on ajoute p à B deuxième cas : p est en contradiction avec B on enlève un ensemble R B de connaissances tel que p ne peut plus être inférée de B\R Hébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 5 / 19
6 Application en Intelligence Artificielle Contexte : ajouter une nouvelle connaissance p à un base de connaissances B premier cas : p n est pas en contradiction avec B on ajoute p à B deuxième cas : p est en contradiction avec B on enlève un ensemble R B de connaissances tel que p ne peut plus être inférée de B\R B B 1 B 2 B 3 Propriété 1. au moins une connaisance de chaque ensemble B i doit être supprimée Propriété 2. on veut faire le minimum de changements Hébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 5 / 19
7 Application en Logique Problème MSAT. Etant donnée une CNF F = C 1... C p telle que toutes les clauses sont soit positives, soit négatives. F est-elle satisfaisable? C est un problème NP-complet. Exemple sur les variables X = {x 1, x 2, x 3, x 4 } : x 1 (x 2 x 4 ) ( x 2 x 4 ) x 3 ébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 6 / 19
8 Application en Logique Problème MSAT. Etant donnée une CNF F = C 1... C p telle que toutes les clauses sont soit positives, soit négatives. F est-elle satisfaisable? C est un problème NP-complet. Exemple sur les variables X = {x 1, x 2, x 3, x 4 } : x 1 (x 2 x 4 ) ( x 2 x 4 ) x 3 On définit deux hypergraphes H + = (X, E + ) et H = (X, E ) avec E + = {{x 1 }, {x 2, x 4 }}, E = {{x 2, x 4 }, {x 3 }} Pour deux hypergraphes H et H, on écrit H H si toute hyperarête de H contient une hyperarête de H : e E, e E t.q. e e. Hébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 6 / 19
9 Application en Logique Problème MSAT. Etant donnée une CNF F = C 1... C p telle que toutes les clauses sont soit positives, soit négatives. F est-elle satisfaisable? C est un problème NP-complet. Exemple sur les variables X = {x 1, x 2, x 3, x 4 } : x 1 (x 2 x 4 ) ( x 2 x 4 ) x 3 On définit deux hypergraphes H + = (X, E + ) et H = (X, E ) avec E + = {{x 1 }, {x 2, x 4 }}, E = {{x 2, x 4 }, {x 3 }} Pour deux hypergraphes H et H, on écrit H H si toute hyperarête de H contient une hyperarête de H : e E, e E t.q. e e. Propriété : Une instance F de MSAT n est pas satisfaisable ssi T (H + ) H Exemple : T (H + ) = {{x 1, x 2 }, {x 1, x 4 }} H Hébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 6 / 19
10 Application en Fouille de données s 1 s 2 s 3 s 4 s 5 s 6 s Motif fréquent = ensemble de colonnes qui sont présentes en même temps dans plusieurs lignes. Exemple {s 1, s 4 } n est pas un motif fréquent {s 2, s 3 } est un motif fréquent ébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 7 / 19
11 Application en Fouille de données s 1 s 2 s 3 s 4 s 5 s 6 s Motif fréquent = ensemble de colonnes qui sont présentes en même temps dans plusieurs lignes. Exemple {s 1, s 4 } n est pas un motif fréquent {s 2, s 3 } est un motif fréquent Bordure négative = ensemble des motifs non-fréquents dont tous les sous-motifs sont fréquents. Exemple {s 1, s 4 } est un motif de la bordure négative {s 4, s 5, s 6 } n est pas dans la bordure négative car {s 4, s 6 } n est pas un motif fréquent ébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 7 / 19
12 Treillis des motifs s1 s2 s3 s4 s5 s6 s7 s1s2 s6s7 Intérêts de la bordure négative : représentation condensée des motifs fréquents Complexité algorithmes par niveaux Nb de motifs fréquents + taille de la bordure négative ébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 8 / 19
13 Treillis des motifs Motifs fréquents Motifs non fréquents Bordure positive Bordure négative Intérêts de la bordure négative : représentation condensée des motifs fréquents Complexité algorithmes par niveaux Nb de motifs fréquents + taille de la bordure négative ébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 8 / 19
14 Treillis des motifs Motifs fréquents Motifs non fréquents Bordure positive Bordure négative Intérêts de la bordure négative : représentation condensée des motifs fréquents Complexité algorithmes par niveaux Nb de motifs fréquents + taille de la bordure négative ébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 8 / 19
15 Bordure négative et traverses minimales Base s 1 s 2 s 3 s 4 s 5 s 6 s T (H) est en bijection avec la bordure négative > < Base opposée s 1 s 2 s 3 s 4 s 5 s 6 s = Hypergraphe s 1 s 2 s 3 s 4 s 5 s 6 s Hébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 9 / 19
16 Analyse en moyenne ébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 10 / 19
17 Nombre de traverses minimales Difficulté théorique s 1 s 3 s 2n 1 s 2 s 4 s 2n s 1 s 3 s n T (H) = 2 n T (H) = 1 Taille de la plus grande traverse s 1 s 3 s n s1 s 3 s n max = n max = 1 Bonne notion de complexité : fait intervenir la taille de la sortie Question ouverte : générer les traverses minimales est-il un problème de complexité polynomiale en la taille de la sortie (output-polynomial)? ébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 11 / 19
18 Nombre de traverses minimales Difficulté théorique s 1 s 3 s 2n 1 s 2 s 4 s 2n s 1 s 3 s n T (H) = 2 n T (H) = 1 Taille de la plus grande traverse s 1 s 3 s n s1 s 3 s n max = n max = 1 Bonne notion de complexité : fait intervenir la taille de la sortie Question ouverte : générer les traverses minimales est-il un problème de complexité polynomiale en la taille de la sortie (output-polynomial)? Hébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 11 / 19
19 Algorithmes Fredman et Khachiyan (Dual, 1996) pour étudier la complexité théorique du problème de dualisation d une DNF complexité : O(T log T ) si T est la taille combinée de l entrée et de la sortie C. Hébert et A. Bretto (MT-Miner, 2005) algorithme par niveaux utilise des règles d élagages Règle 1 : tout sur-ensemble d une traverse ne peut être une traverse minimale. Règle 2 : si un ensemble de sommets E contient un sous-ensemble qui intersecte le même nombre d hyperarêtes, alors E et tout ses sur-ensembles ne peuvent être des traverses minimales. complexité : O(T 2 max ) avec T la taille combinée de l entrée et de la sortie et max la taille de la plus grande traverse minimale Question : quel est le meilleur algorithme? Hébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 12 / 19
20 Algorithmes Fredman et Khachiyan (Dual, 1996) pour étudier la complexité théorique du problème de dualisation d une DNF complexité : O(T log T ) si T est la taille combinée de l entrée et de la sortie C. Hébert et A. Bretto (MT-Miner, 2005) algorithme par niveaux utilise des règles d élagages Règle 1 : tout sur-ensemble d une traverse ne peut être une traverse minimale. Règle 2 : si un ensemble de sommets E contient un sous-ensemble qui intersecte le même nombre d hyperarêtes, alors E et tout ses sur-ensembles ne peuvent être des traverses minimales. complexité : O(T 2 max ) avec T la taille combinée de l entrée et de la sortie et max la taille de la plus grande traverse minimale Question : quel est le meilleur algorithme? Hébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 12 / 19
21 Expériences Modèle aléatoire de Erdös-Rényi : nombre de sommets : 50 nombre d hyperarêtes : 1000 probabilité d appartenir à une hyperarête : p p Dual 326 fail fail fail fail fail fail fail 59 MT-Miner fail fail fail fail fail T (H) ???? 4396 max ????? Modèle aléatoire pour les analyses : nombre de sommets : n nombre d hyperarêtes : m = α n, α R + probabilité d appartenir à une hyperarête : p Question : est-ce un bon modèle? Hébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 13 / 19
22 Expériences Modèle aléatoire de Erdös-Rényi : nombre de sommets : 50 nombre d hyperarêtes : 1000 probabilité d appartenir à une hyperarête : p p Dual 326 fail fail fail fail fail fail fail 59 MT-Miner fail fail fail fail fail T (H) ???? 4396 max ????? Modèle aléatoire pour les analyses : nombre de sommets : n nombre d hyperarêtes : m = α n, α R + probabilité d appartenir à une hyperarête : p Question : est-ce un bon modèle? Hébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 13 / 19
23 Première formule s 1 s 2 s j k 1 1 que des 0 k ou 1 k j que des 0 1 au moins deux 1 par ligne Nombre moyen de traverses minimales de longueur j ( ) m n ( n N j = j k 1,..., k j k k j = j k i 1 ) (pq j 1 ) k1+...+k j (1 q j jpq j 1 ) n (k1+...+k j ) ébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 14 / 19
24 Formule intégrale On peut écrire Lemme F (X, Y ) = N j = ( ) m F (pq j 1, 1 q j jpq j 1 ) avec j ( ) n X k1+...+k j Y n (k1+...+k j ) k k j = j k i 1 k 1,..., k j La fonction F vérifie la formule intégrale n! F (X, Y ) = (Y + t t j ) n j dt 1... dt j (n j)! [0,X ] j ébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 15 / 19
25 E[ T (H) ] = Nombre moyen de traverses minimales m j=1 ( ) m n! (1 q j t 1... t j ) n j dt 1... dt j j (n j)! [0,pq j 1 ] j On sépare la somme en deux parties : j log q < 0.75 log n et j log q 0.75 log n Théorème Le nombre moyen de traverses minimales dans un hypergraphe à m sommets, n hyperarêtes et sous le modèle d Erdös et Rényi de paramètre p = 1 q est asymptotiquement ( ) m E[ T (H) ] w j0 + w j0+1 avec w j = (1 e npqj 1 ) j. j et j 0 = 1 (log n + log log n log log log n + O(1)) log q Plus simplement log n/ log E[ T (H) ] = O (n q ) ébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 16 / 19
26 Taille moyenne de la plus grande traverse Théorème La taille moyenne de la plus grande traverse minimale dans un hypergraphe à m sommets, n hyperarêtes et sous le modèle d Erdös et Rényi de paramètre p = 1 q est asymptotiquement E[max] = 1 (2 log n log log n) + O(log log log n) log q ébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 17 / 19
27 Fredman et Khachiyan (1996) Complexité : Comparaison des algorithmes O(T log T ) Asymptotique : C. Hébert et A. Bretto Complexité : Asymptotique : si T est la taille combinée de l entrée et de la sortie O O ( ) exp log4 n log q 2 O(T 2 max ) ( ) exp log2 n log q ébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 18 / 19
28 Conclusion Résultats la taille de la plus grande traverse est logarithmique en le nombre d hyperarêtes le nombre de traverses minimales est sous exponentiel on peut faire des comparaisons d algorithmes Améliorations autres modèles probabilistes améliorer les complexités données résultats qui mélangent pire des cas et en moyenne ébert, Bretto, Lhote (GREYC, Université de Caen Basse-Normandie) Traverses minimales d un hypergraphe 19 / 19
La NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of
Plus en détailThéorie des Graphes Cours 3: Forêts et Arbres II / Modélisation
IFIPS S7 - informatique Université Paris-Sud 11 1er semestre 2009/2010 Théorie des Graphes Cours 3: Forêts et Arbres II / 1 Forêts et arbres II Théorème 1.1. Les assertions suivantes sont équivalentes
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
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 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 détailALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Plus en détailExemples de problèmes et d applications. INF6953 Exemples de problèmes 1
Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation
Plus en détailCours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Plus en détailCommunications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes
Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction
Plus en détailChap 4. La fonction exponentielle Terminale S. Lemme : Si est une fonction dérivable sur R telle que : = et 0! = 1 alors ne s annule pas sur R.
Lemme : Si est une fonction dérivable sur R telle que : = et 0! = 1 alors ne s annule pas sur R. Démonstration : Soit la fonction %:& %&!= &!, elle est dérivable sur R et & R, %. &!= &! = &! = %&! gaelle.buffet@ac-montpellier.fr
Plus en détailCours Optimisation Partie Optimisation Combinatoire. Année scolaire 2008-2009. Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.
Cours Optimisation Partie Optimisation Combinatoire 3ième année ISAE Année scolaire 2008-2009 Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.fr Septembre 2008 Résumé Ce document couvre
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
Plus en détailOrdonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1
CHAPTER 1 Ordonnancement 1.1. Étude de cas Ordonnancement de tâches avec contraintes de précédences 1.1.1. Exemple : construction d'une maison. Exercice. On veut construire une maison, ce qui consiste
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailDéfinitions. Numéro à préciser. (Durée : )
Numéro à préciser (Durée : ) On étudie dans ce problème l ordre lexicographique pour les mots sur un alphabet fini et plusieurs constructions des cycles de De Bruijn. Les trois parties sont largement indépendantes.
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 détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
Plus en détailFondements de l informatique Logique, modèles, et calculs
Fondements de l informatique Logique, modèles, et calculs Cours INF423 de l Ecole Polytechnique Olivier Bournez Version du 20 septembre 2013 2 Table des matières 1 Introduction 9 1.1 Concepts mathématiques........................
Plus en détailExercice 1 Trouver l équation du plan tangent pour chaque surface ci-dessous, au point (x 0,y 0,z 0 ) donné :
Enoncés : Stephan de Bièvre Corrections : Johannes Huebschmann Exo7 Plans tangents à un graphe, différentiabilité Exercice 1 Trouver l équation du plan tangent pour chaque surface ci-dessous, au point
Plus en détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en détailBases de données Cours 5 : Base de données déductives
Cours 5 : ESIL Université de la méditerranée Odile.Papini@esil.univmed.fr http://odile.papini.perso.esil.univmed.fr/sources/bd.html Plan du cours 1 Introduction 2 approche sémantique approche axiomatique
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 détailProblèmes de Mathématiques Filtres et ultrafiltres
Énoncé Soit E un ensemble non vide. On dit qu un sous-ensemble F de P(E) est un filtre sur E si (P 0 ) F. (P 1 ) (X, Y ) F 2, X Y F. (P 2 ) X F, Y P(E) : X Y Y F. (P 3 ) / F. Première Partie 1. Que dire
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 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 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 détailUne introduction aux codes correcteurs quantiques
Une introduction aux codes correcteurs quantiques Jean-Pierre Tillich INRIA Rocquencourt, équipe-projet SECRET 20 mars 2008 1/38 De quoi est-il question ici? Code quantique : il est possible de corriger
Plus en détailLES MÉTHODES DE POINT INTÉRIEUR 1
Chapitre XIII LES MÉTHODES DE POINT INTÉRIEUR 1 XIII.1 Introduction Nous débutons par un rappel de la formulation standard d un problème d optimisation 2 linéaire et donnons un bref aperçu des différences
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
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 détailwww.h-k.fr/publications/objectif-agregation
«Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se
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 détailChapitre 7. Récurrences
Chapitre 7 Récurrences 333 Plan 1. Introduction 2. Applications 3. Classification des récurrences 4. Résolution de récurrences 5. Résumé et comparaisons Lectures conseillées : I MCS, chapitre 20. I Rosen,
Plus en détailAnnée 2014/15 2. 1 er septembre 2014. 2. Version de Anca Muscholl, issue du poly de Marc Zeitoun. 1/143
Modèles de calcul Année 2014/15 2 M1, Univ. Bordeaux http://www.labri.fr/perso/anca/mc.html 1 er septembre 2014 2. Version de Anca Muscholl, issue du poly de Marc Zeitoun. 1/143 Modalités du cours 12 cours,
Plus en détailBaccalauréat ES Amérique du Nord 4 juin 2008
Baccalauréat ES Amérique du Nord 4 juin 2008 EXERCICE 1 Commun à tous les candidats f est une fonction définie sur ] 2 ; + [ par : 4 points f (x)=3+ 1 x+ 2. On note f sa fonction dérivée et (C ) la représentation
Plus en détailARBRES BINAIRES DE RECHERCHE
ARBRES BINAIRES DE RECHERCHE Table de symboles Recherche : opération fondamentale données : éléments avec clés Type abstrait d une table de symboles (symbol table) ou dictionnaire Objets : ensembles d
Plus en détailReprésentation des Nombres
Chapitre 5 Représentation des Nombres 5. Representation des entiers 5.. Principe des représentations en base b Base L entier écrit 344 correspond a 3 mille + 4 cent + dix + 4. Plus généralement a n a n...
Plus en détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailGéométrie discrète Chapitre V
Géométrie discrète Chapitre V Introduction au traitement d'images Géométrie euclidienne : espace continu Géométrie discrète (GD) : espace discrétisé notamment en grille de pixels GD définition des objets
Plus en détailAlgorithmes de recherche d itinéraires en transport multimodal
de recherche d itinéraires en transport multimodal Fallou GUEYE 14 Décembre 2010 Direction : Christian Artigues LAAS-CNRS Co-direction : Marie José Huguet LAAS-CNRS Encadrant industriel : Frédéric Schettini
Plus en détailNombres premiers. Comment reconnaître un nombre premier? Mais...
Introduction Nombres premiers Nombres premiers Rutger Noot IRMA Université de Strasbourg et CNRS Le 19 janvier 2011 IREM Strasbourg Definition Un nombre premier est un entier naturel p > 1 ayant exactement
Plus en détailJean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux
Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis
Plus en détailPremier ordre Expression de la fonction de transfert : H(p) = K
Premier ordre Expression de la fonction de transfert : H(p) = K + τ.p. K.e τ K.e /τ τ 86% 95% 63% 5% τ τ 3τ 4τ 5τ Temps Caractéristiques remarquables de la réponse à un échelon e(t) = e.u(t). La valeur
Plus en détailRelation d ordre. Manipulation des relations d ordre. Lycée Pierre de Fermat 2012/2013 Feuille d exercices
Lycée Pierre de Fermat 2012/2013 MPSI 1 Feuille d exercices Manipulation des relations d ordre. Relation d ordre Exercice 1. Soit E un ensemble fixé contenant au moins deux éléments. On considère la relation
Plus en détailBACCALAUREAT GENERAL MATHÉMATIQUES
BACCALAUREAT GENERAL FEVRIER 2014 MATHÉMATIQUES SERIE : ES Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) 7(spe ES) Les calculatrices électroniques de poche sont autorisées, conformement à la
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 détailQuelques tests de primalité
Quelques tests de primalité J.-M. Couveignes (merci à T. Ezome et R. Lercier) Institut de Mathématiques de Bordeaux & INRIA Bordeaux Sud-Ouest Jean-Marc.Couveignes@u-bordeaux.fr École de printemps C2 Mars
Plus en détailContradicting Beliefs and Communication. J.-M. Tallon, J.-C. Vergnaud, & S. Zamir CNRS-EUREQua
Contradicting Beliefs and Communication J.-M. Tallon, J.-C. Vergnaud, & S. Zamir CNRS-EUREQua Introduction Papier propose : Considère structure de Kripke (KD45 au lieu de S5) Processus de communication
Plus en détailFONDEMENTS MATHÉMATIQUES 12 E ANNÉE. Mathématiques financières
FONDEMENTS MATHÉMATIQUES 12 E ANNÉE Mathématiques financières A1. Résoudre des problèmes comportant des intérêts composés dans la prise de décisions financières. [C, L, RP, T, V] Résultat d apprentissage
Plus en détailAudition pour le poste de Maître de conférence INSA Lyon distributed Robotics avec aectation au CITI. Guillaume Lozenguez.
Audition pour le poste de Maître de conférence INSA Lyon distributed Robotics avec aectation au CITI Guillaume Lozenguez Chercheur post-doctorant, École Normale Supérieure de Lyon, CNRS Doctorat en cotutelle
Plus en détailCours 1 : Qu est-ce que la programmation?
1/65 Introduction à la programmation Cours 1 : Qu est-ce que la programmation? Yann Régis-Gianas yrg@pps.univ-paris-diderot.fr Université Paris Diderot Paris 7 2/65 1. Sortez un appareil qui peut se rendre
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 détailComplexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation
Complexité Objectifs des calculs de complexité : - pouvoir prévoir le temps d'exécution d'un algorithme - pouvoir comparer deux algorithmes réalisant le même traitement Exemples : - si on lance le calcul
Plus en détailAlgorithmique, graphes et programmation dynamique Notes de Cours Rapport de Travaux Pratiques. Laurent Canet
Algorithmique, graphes et programmation dynamique Notes de Cours Rapport de Travaux Pratiques Laurent Canet Le 2 juillet 2003 Table des matières I IN202 - Algorithmique 6 1 Système formel de preuve de
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 détailCOURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION. Jean-Loup Guillaume
COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION Jean-Loup Guillaume Le cours Enseignant : Jean-Loup Guillaume équipe Complex Network Page du cours : http://jlguillaume.free.fr/www/teaching-syrres.php Évaluation
Plus en détailChapitre VI - Méthodes de factorisation
Université Pierre et Marie Curie Cours de cryptographie MM067-2012/13 Alain Kraus Chapitre VI - Méthodes de factorisation Le problème de la factorisation des grands entiers est a priori très difficile.
Plus en détailOPEN DATA : CHALLENGES ET PERSPECTIVES D ENTREPOSAGE
OPEN DATA : CHALLENGES ET PERSPECTIVES D ENTREPOSAGE «Journée Open Data» 5 Novembre 2013 Présenté par : Imen Megdiche Directeur de thèse : Pr. Olivier Teste (SIG-IRIT) Co-directeur de thèse : Mr. Alain
Plus en détailVisualisation en Fouille de Données
Université Nice Sophia Antipolis Master Informatique, Fondements & Ingénierie (IFI) Visualisation en Fouille de Données Elaboré par : Abir DILOU Mouna REKIK Encadré par : Mr. Nicolas PASQUIER Année universitaire
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 détailnos graphiques font leur rentrée!
Toute l'actualité CASIO pour les maths Septembre 2010 - N 10 Édito nos graphiques font leur rentrée! NOUVEAUTÉ 2010 Chers professeurs, Nous sommes heureux de vous rrouver pour cte nouvelle édition de CASIO
Plus en détailProgramme de la classe de première année MPSI
Objectifs Programme de la classe de première année MPSI I - Introduction à l analyse L objectif de cette partie est d amener les étudiants vers des problèmes effectifs d analyse élémentaire, d introduire
Plus en détailFoire aux questions (FAQ)
Règlement (CE) n 924/2009 concernant les paiements transfrontaliers dans la Communauté (Règlement concernant l égalité des frais pour les paiements nationaux et transfrontaliers) Foire aux questions (FAQ)
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
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 détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailLes apports de l informatique. Aux autres disciplines
Les apports de l informatique Aux autres disciplines Le statut de technologie ou de sous-discipline est celui de l importation l et de la vulgarisation Le statut de science à part entière est lorsqu il
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailCours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques
Université Mohammed V, Faculté des Sciences de Rabat Laboratoire de Recherche Mathématiques, Informatique et Applications Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques MASTER
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
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 détailExercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Plus en détailExercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Plus en détailLES TYPES DE DONNÉES DU LANGAGE PASCAL
LES TYPES DE DONNÉES DU LANGAGE PASCAL 75 LES TYPES DE DONNÉES DU LANGAGE PASCAL CHAPITRE 4 OBJECTIFS PRÉSENTER LES NOTIONS D ÉTIQUETTE, DE CONS- TANTE ET DE IABLE DANS LE CONTEXTE DU LAN- GAGE PASCAL.
Plus en détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en détailL effet régulateur des moteurs de recherche. MICHEL Laurent
L effet régulateur des moteurs de recherche MICHEL Laurent 3 février 26 Table des matières Mesure de la qualité d une page Web : l algorithme PageRank 4. L algorithme......................................
Plus en détailModel checking temporisé
Model checking temporisé Béatrice Bérard LAMSADE Université Paris-Dauphine & CNRS berard@lamsade.dauphine.fr ETR 07, 5 septembre 2007 1/44 Nécessité de vérifier des systèmes... 2/44 Nécessité de vérifier
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
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 détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailTrouver un vecteur le plus court dans un réseau euclidien
Trouver un vecteur le plus court dans un réseau euclidien Damien STEHLÉ http://perso.ens-lyon.fr/damien.stehle Travail en commun avec Guillaume HANROT (INRIA Lorraine) CNRS/LIP/INRIA/ÉNS Lyon/Université
Plus en détailCOURS EULER: PROGRAMME DE LA PREMIÈRE ANNÉE
COURS EULER: PROGRAMME DE LA PREMIÈRE ANNÉE Le cours de la première année concerne les sujets de 9ème et 10ème années scolaires. Il y a bien sûr des différences puisque nous commençons par exemple par
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 détailApproximation diophantienne uniforme et dimension de Hausdorff
Approximation diophantienne uniforme et dimension de Hausdorff Lingmin LIAO Travaux en collaboration avec Yann Bugeaud, Dong Han Kim et Micha l Rams Université Paris-Est Créteil Séminaire de Probabilités
Plus en détailRétablissement d un réseau cellulaire après un désastre
Rétablissement d un réseau cellulaire après un désastre Anaïs Vergne avec Laurent Decreusefond, Ian Flint, et Philippe Martins Journées MAS 2014 29 août 2014 Rétablissement d un réseau cellulaire après
Plus en détailApplication de K-means à la définition du nombre de VM optimal dans un cloud
Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février
Plus en détailU.F.R. Sciences Fondamentales et Appliquées. pour obtenir. le grade de Docteur en Sciences. Spécialité : informatique
NNT : 2011EVRY0012 École Doctorale Sciences & Ingénierie Université d Évry-Val d Essonne U.F.R. Sciences Fondamentales et Appliquées Thèse présentée par Romain Campigotto pour obtenir le grade de Docteur
Plus en détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
Plus en détailCHAPITRE I INTRODUCTION
CHAPITRE I INTRODUCTION A. Histoire D un certain point de vue le début de l histoire de la théorie des nœuds date du temps d Alexandre de Macédoine, plus précisément de sa résolution du problème du fameux
Plus en détailenquête pour les fautes sur le fond, ce qui est graves pour une encyclopédie.
4.0 Contrôles /4 4 e enquête pour les fautes sur le fond, ce qui est graves pour une encyclopédie. RPPEL de 0. Wikipédia 2/2 Dans le chapitre : XX e siècle : ( 4.0 mythe paroxysme ) sous la photo d un
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 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 détailCircuits RL et RC. Chapitre 5. 5.1 Inductance
Chapitre 5 Circuits RL et RC Ce chapitre présente les deux autres éléments linéaires des circuits électriques : l inductance et la capacitance. On verra le comportement de ces deux éléments, et ensuite
Plus en détailParallélisme et Répartition
Parallélisme et Répartition Master Info Françoise Baude Université de Nice Sophia-Antipolis UFR Sciences Département Informatique baude@unice.fr web du cours : deptinfo.unice.fr/~baude Septembre 2009 Chapitre
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 détailCryptographie et fonctions à sens unique
Cryptographie et fonctions à sens unique Pierre Rouchon Centre Automatique et Systèmes Mines ParisTech pierre.rouchon@mines-paristech.fr Octobre 2012 P.Rouchon (Mines ParisTech) Cryptographie et fonctions
Plus en détail