Détection statistique d anomalies en présence de paramètres de nuisance
|
|
|
- Denise Cantin
- il y a 10 ans
- Total affichages :
Transcription
1 Détection statistique d anomalies en présence de paramètres de nuisance Lionel Fillatre ENST Bretagne, département Signal & Communication Lionel Fillatre (département SC) Détection d anomalies 1 / 29
2 Structure de l exposé 1 Introduction 2 Position du problème 3 Détection d anomalies (modèle linéaire) 4 Détection d anomalies (modèle non-linéaire) 5 Résultats expérimentaux 6 Conclusions Lionel Fillatre (département SC) Détection d anomalies 2 / 29
3 Structure de l exposé 1 Introduction 2 Position du problème 3 Détection d anomalies (modèle linéaire) 4 Détection d anomalies (modèle non-linéaire) 5 Résultats expérimentaux 6 Conclusions Lionel Fillatre (département SC) Détection d anomalies 3 / 29
4 Introduction Motivation générale : proposer des outils originaux pour inspecter des systèmes industriels. Problème traité : détection d une éventuelle anomalie dans un environnement inconnu, considéré comme un paramètre de nuisance, à partir d un nombre limité de données bruitées. Applications envisageables : contrôle non destructif industriel, imagerie médicale, imagerie radar, surveillance des réseaux de télécommunications,... Application considérée : contrôle non destructif par rayons X. Lionel Fillatre (département SC) Détection d anomalies 4 / 29
5 Surveillance des systèmes Modèle général : Y k = F(θ k, X k, ξ k ), k = 1, 2,... lacements Paramètres informatifs (anomalie) Nature Analyste θ k Paramètres non-informatifs (nuisance) F X k Système Y k Détection Localisation Bruit ξ k Reconfiguration Lionel Fillatre (département SC) Détection d anomalies 5 / 29
6 Structure de l exposé 1 Introduction 2 Position du problème 3 Détection d anomalies (modèle linéaire) 4 Détection d anomalies (modèle non-linéaire) 5 Résultats expérimentaux 6 Conclusions Lionel Fillatre (département SC) Détection d anomalies 6 / 29
7 Description du système étudié nts y l = 0 Source X Projection X d une fonction s : X s (t, ω)= L 0 s(t cos ω l sin ω, t sin ω+l cos ω)dl l d O lie t ω X s (t, ω) s : D s(x, y) = h(x, y) Photon X Environnement l = L x Détecteur k-ième capteur t Lionel Fillatre (département SC) Détection d anomalies 7 / 29
8 Description du système étudié nts y l = 0 Source X Anomalie Projection X d une fonction s : X s (t, ω)= L 0 s(t cos ω l sin ω, t sin ω+l cos ω)dl l d s : D s(x, y) = h(x, y) + f(x, y) O t ω X s (t, ω) Photon X Environnement l = L x Détecteur k-ième capteur t Lionel Fillatre (département SC) Détection d anomalies 7 / 29
9 Objectifs généraux Il s agit de détecter des anomalies en respectant les contraintes suivantes : Manque de données : le nombre N de projections tomographiques est très faible recherche d un modèle parcimonieux. Environnement inconnu : la présence d un paramètre de nuisance doit interférer le moins possible avec la prise de décision recherche de tests invariants. Qualité de l inspection : il est souhaitable de contrôler précisément la probabilité de fausses alarmes et la probabilité de détection de défauts lors de la procédure d inspection recherche des critères d optimalité. Lionel Fillatre (département SC) Détection d anomalies 8 / 29
10 Innovations principales des travaux Approche non bayésienne : l environnement paramétrique peut être construit par un adversaire dont le comportement ne peut pas être décrit a priori pas de distribution a priori sur les coefficients du modèle paramétrique. Optimalité vectorielle : adaptation et interprétation des critères d optimalité proposés par Wald dans le cas de la détection d anomalies interprétation précise de l optimalité. Pertes d optimalité limitées : les pertes d optimalité des procédures proposées, quand elles sont inévitables, doivent être quantifiées précisément développement de tests ε-optimaux. Lionel Fillatre (département SC) Détection d anomalies 9 / 29
11 Structure de l exposé 1 Introduction 2 Position du problème 3 Détection d anomalies (modèle linéaire) 4 Détection d anomalies (modèle non-linéaire) 5 Résultats expérimentaux 6 Conclusions Lionel Fillatre (département SC) Détection d anomalies 10 / 29
12 Modélisation de l environnement Hypothèse : l environnement est limité dans l espace et contenu dans une partie compacte D connue de R 2 (la généralisation à R 3 est immédiate). L environnement h est supposé linéairement paramétré : m h(x, y) = h µ (x, y) = µ k h k (x, y), (x, y) D, k=1 où {h 1,..., h m } est une famille connue de fonctions carrées-intégrables sur D µ = (µ 1,..., µ m ) T R m est inconnu (paramètres de nuisance). Exemple (environnement polynômial de degré 2) : h µ (x, y) = µ 1 + µ 2 x + µ 3 y + µ 4 xy + µ 5 x 2 + µ 6 y 2. Lionel Fillatre (département SC) Détection d anomalies 11 / 29
13 Modélisation de l anomalie Hypothèse : l anomalie g est définie sur un compact d D. Le contraste entre l anomalie et l environnement est défini par : g(x, y) h µ (x, y) si (x, y) d f g,µ (x, y) =. 0 si (x, y) D \ d Exemple (contraste circulaire) : f d si (x x 0 ) 2 + (y y 0 ) 2 R 2 f g,µ (x, y) = 0 sinon, avec R > 0 et (f d, x 0, y 0 ) R 3. Lionel Fillatre (département SC) Détection d anomalies 12 / 29
14 Modélisation des observations (1/2) Soient les hypothèses H 0 : { il n y a pas d anomalie } et H 1 : { une anomalie est présente }. La scène observée s est alors définie par : { h s(x, y)= µ (x, y) sous H 0, (x, y) D. f g,µ (x, y) + h µ (x, y) sous H 1 Lionel Fillatre (département SC) Détection d anomalies 13 / 29
15 Modélisation des observations (1/2) Soient les hypothèses H 0 : { il n y a pas d anomalie } et H 1 : { une anomalie est présente }. La scène observée s est alors définie par : { h s(x, y)= µ (x, y) sous H 0, (x, y) D. f g,µ (x, y) + h µ (x, y) sous H 1 Après un échantillonnage de X s (t, ω) selon les abscisses {t 1, t 2,..., t n }, le vecteur des observations Y = (X s (t 1, ω), X s (t 2, ω),..., X s (t n, ω)) T R n est : Y = θ + Hµ + ξ, avec : θ = ( X fg,µ (t 1, ω),..., X fg,µ (t n, ω) ) T H = (H 1 ω,..., H m ω ) où H k ω = (X hk (t 1, ω),..., X hk (t n, ω)) T ξ N (0, σ 2 I n ) (σ 2 connu). Lionel Fillatre (département SC) Détection d anomalies 13 / 29
16 ents Modélisation des observations (2/2) Source X Source X Photon X s ti (l) = s(t i cos ω l sin ω, t i sin ω+l cos ω) l =0 l =0 s ti (l) Environnement (x, y) h µ(x, y) (a) (b) D ω l Environnement (x, y) h µ(x, y) t l =L l =L Anomalie t i Détecteur y i = L 0 sti(l) dl (x, y) g(x, y) Détecteur H 0 : ξ + Y =Hµ+ξ H 1 : ξ + Y =θ+hµ+ξ d l D y i = L 0 sti(l) dl Lionel Fillatre (département SC) Détection d anomalies 14 / 29
17 Définition du problème statistique Au vu sur l observation Y = θ + Hµ + ξ, choisir entre H 0 ={θ =0, µ R m } et H 1 ={θ 0, µ R m }. Ce problème est invariant par rapport aux translations Y Y + HC, C R m, ce qui conduit au modèle réduit : Z = W Y = W θ + ζ avec ζ N (0, σ 2 I n q ), avec q =rank (H), W est la matrice de réjection telle que W H = 0 et W T W =P H (les lignes de W forment une base orthonormée du noyau de H), P H est la projection sur le noyau de H (P H H =0). Lionel Fillatre (département SC) Détection d anomalies 15 / 29
18 Détecteur optimal Résultat (test UPPC) Le test δ défini par : H 0 si Λ(Y ) = 1 P δ σ (Y )= 2 H Y 2 2 < λ α H 1 sinon, avec Pr (Λ(Y )>λ α θ =0)=α, est invariant, possède Uniformément la Plus grande Puissance Constante (UPPC) sur les surfaces } S c : { PH θ 2 2 = σ2 c 2 pour tout c ]0; + [. Lionel Fillatre (département SC) Détection d anomalies 16 / 29
19 Exemple graphique pour n=3 et m=1 y 3 PSfrag replacements Droite engendrée par H θ Hµ P H Y S c : θ T P H θ = σ2 c 2 P H Y 2 Y ξ P H θ y 1 O Espace noyau de H y 2 Lionel Fillatre (département SC) Détection d anomalies 17 / 29
20 Exemple graphique pour n=3 et m=1 y 3 PSfrag replacements θ Droite engendrée par H O y 2 Hµ P H Y S c : θ T P H θ = σ2 c 2 P H Y 2 Y ξ P H θ y 1 Espace noyau de H Lionel Fillatre (département SC) Détection d anomalies 17 / 29
21 Exemple graphique pour n=3 et m=1 y 3 PSfrag replacements θ Hµ Droite engendrée par H O y 2 P H Y S c : θ T P H θ = σ2 c 2 P H Y 2 Y ξ P H θ y 1 Espace noyau de H Lionel Fillatre (département SC) Détection d anomalies 17 / 29
22 Exemple graphique pour n=3 et m=1 y 3 PSfrag replacements θ Hµ ξ Droite engendrée par H O y 2 P H Y S c : θ T P H θ = σ2 c 2 P H Y 2 Y P H θ y 1 Espace noyau de H Lionel Fillatre (département SC) Détection d anomalies 17 / 29
23 Exemple graphique pour n=3 et m=1 y 3 PSfrag replacements θ Hµ Y ξ Droite engendrée par H O y 2 P H Y S c : θ T P H θ = σ2 c 2 P H Y 2 y 1 Espace noyau de H P H θ Lionel Fillatre (département SC) Détection d anomalies 17 / 29
24 Exemple graphique pour n=3 et m=1 y 3 PSfrag replacements P H Y θ Hµ Y ξ P H Y 2 Droite engendrée par H O y 2 S c : θ T P H θ = σ2 c 2 Espace noyau de H y 1 P H θ Lionel Fillatre (département SC) Détection d anomalies 17 / 29
25 Exemple graphique pour n=3 et m=1 y 3 PSfrag replacements P H Y θ Hµ Y ξ P H Y 2 Droite engendrée par H P H θ O y 2 S c : θ T P H θ = σ2 c 2 Espace noyau de H y 1 Lionel Fillatre (département SC) Détection d anomalies 17 / 29
26 Exemple graphique pour n=3 et m=1 y 3 PSfrag replacements P H Y θ Hµ Y ξ P H Y 2 Droite engendrée par H S c : θ T P H θ = σ2 c 2 P H θ O y 2 Espace noyau de H y 1 Lionel Fillatre (département SC) Détection d anomalies 17 / 29
27 Exemple numérique : géométrie connue Défaut circulaire dans un environnement polynomial Scène originale Projection à 50 : Y Λ(Y ) = < (= λ 0.01) Z = W Y y 2 0 y i z i ments x PSfrag replacements i : indice du capteur PSfrag replacements i : indice du capteur Scène originale Projection à 50 : Y Λ(Y ) = > (= λ 0.01) Anomalie Z = W Y Anomalie 6 40 y y i Anomalie z i ments PSfrag replacements PSfrag replacements x i : indice du capteur i : indice du capteur Lionel Fillatre (département SC) Détection d anomalies 18 / 29
28 Structure de l exposé 1 Introduction 2 Position du problème 3 Détection d anomalies (modèle linéaire) 4 Détection d anomalies (modèle non-linéaire) 5 Résultats expérimentaux 6 Conclusions Lionel Fillatre (département SC) Détection d anomalies 19 / 29
29 Frontières imprécises ents Source X X-photon y D 1 (η 1 ) ϱ malie d O ω t X h (t, ω) ω ξ + Y x t Détecteur X Lionel Fillatre (département SC) Détection d anomalies 20 / 29
30 Frontières imprécises ents Source X X-photon y ϱ ϱ D 1 (η 1 ) malie d O ω t X h (t, ω) ω ξ + Y x t Détecteur X Lionel Fillatre (département SC) Détection d anomalies 20 / 29
31 Frontières imprécises ents y Source X X-photon ϱ ϱ D 1 (η 1 ) { 1 si (x, y) I D1 (η 1 ) (x, y) = D1 (η 1 ) 0 sinon { }} { (x, y) h(x, y) = µ 1 h 1 (x, y) I A D 1 (η 1 ) malie d O ω t X h (t, ω) ω ξ + Y x t Détecteur X Lionel Fillatre (département SC) Détection d anomalies 20 / 29
32 Frontières imprécises ents y Source X X-photon ϱ ϱ D 1 (η 1 ) { 1 si (x, y) I D1 (η 1 ) (x, y) = D1 (η 1 ) 0 sinon { }} { (x, y) h(x, y) = µ 1 h 1 (x, y) I A D 1 (η 1 ) } {{ } malie d O ω t X h (t, ω) ω ξ + x t Détecteur X Y =H(µ)+ξ ) ( µ1 µ = η 1 Lionel Fillatre (département SC) Détection d anomalies 20 / 29
33 Frontières imprécises ents y Source X X-photon ϱ ϱ Anomalie d D 1 (η 1 ) { 1 si (x, y) I D1 (η 1 ) (x, y) = D1 (η 1 ) 0 sinon { }} { (x, y) h(x, y) = µ 1 h 1 (x, y) I A D 1 (η 1 ) } {{ } O ω t X h (t, ω) ω ξ + x t Détecteur X Y =θ+h(µ)+ξ ) ( µ1 µ = η 1 Lionel Fillatre (département SC) Détection d anomalies 20 / 29
34 Rapport de Vraisemblance Généralisé (RVG) Motivation : lorsque la géométrie est connue, le test δ est confondu avec δ RVG. Définition : le test δ RVG est défini par : H 0 si Λ RVG (Y )= ˆε 2 2 =min σ δ RVG (Y )= 2 µ R m Y H(µ) 2 2 <λ σ 2 α H 1 sinon où λ α est choisi tel que Pr(δ RVG (Y ) = H 1 θ = 0 ) = α. Inconvénients majeurs : Propriétés d optimalité inconnues dans le cas général, Calcul souvent délicat de l estimateur du maximum de vraisemblance ˆµ : ˆµ = arg min µ R m Y H(µ) 2. Lionel Fillatre (département SC) Détection d anomalies 21 / 29
35 E-optimalité : test UPPC (1/2) Motivation : les limitations du test du RVG : biais de l estimateur ˆµ, difficulté à initialiser l algorithme calculant ˆµ, instabilité numérique de l algorithme. Lionel Fillatre (département SC) Détection d anomalies 22 / 29
36 E-optimalité : test UPPC (1/2) Motivation : les limitations du test du RVG : biais de l estimateur ˆµ, difficulté à initialiser l algorithme calculant ˆµ, instabilité numérique de l algorithme. La non-linéarité de H(µ) dépend souvent d un sous-ensemble de paramètres. Exemple : H(µ) = F (r)a + Gb avec µ = (r, a, b) T et F (r), G des matrices connues. Lionel Fillatre (département SC) Détection d anomalies 22 / 29
37 E-optimalité : test UPPC (1/2) Motivation : les limitations du test du RVG : biais de l estimateur ˆµ, difficulté à initialiser l algorithme calculant ˆµ, instabilité numérique de l algorithme. La non-linéarité de H(µ) dépend souvent d un sous-ensemble de paramètres. Exemple : H(µ) = F (r)a + Gb avec µ = (r, a, b) T et F (r), G des matrices connues. Linéarisation autour des paramètres porteurs de la non-linéarité. Exemple : Y = θ + H(µ) + ξ θ + H 0 x + ξ, avec H 0 connue et x = (a, b, c) T où c désigne des paramètres de nuisance additionnels. Lionel Fillatre (département SC) Détection d anomalies 22 / 29
38 E-optimalité : test UPPC (2/2) Dans le cas idéalement linéaire Y = θ + Hµ + ξ lorsque les paramètres non-linéaires sont tous connus, les résidus ˆε = P H Y du test optimal δ sont non-biaisés. Lionel Fillatre (département SC) Détection d anomalies 23 / 29
39 E-optimalité : test UPPC (2/2) Dans le cas idéalement linéaire Y = θ + Hµ + ξ lorsque les paramètres non-linéaires sont tous connus, les résidus ˆε = P H Y du test optimal δ sont non-biaisés. Dans le cas linéarisé Y θ + H 0 x + ξ, la courbure du modèle induit un biais dans les résidus ˆε = P H 0 Y du test δ associé. Lionel Fillatre (département SC) Détection d anomalies 23 / 29
40 E-optimalité : test UPPC (2/2) Dans le cas idéalement linéaire Y = θ + Hµ + ξ lorsque les paramètres non-linéaires sont tous connus, les résidus ˆε = P H Y du test optimal δ sont non-biaisés. Dans le cas linéarisé Y θ + H 0 x + ξ, la courbure du modèle induit un biais dans les résidus ˆε = P H 0 Y du test δ associé. Si la courbure du modèle est faible et si les nuisances sont bornées par un compact K, il existe une petite constante ε 0 > 0 telle que sup sup β δ (θ, x) β δ (θ) ε 0 θ Θ m x K où β δ (θ, x) = Pr(δ(y) = H 1 θ, x), β δ (θ) = Pr(δ (y) = H 1 θ), Θ m est l ensemble des anomalies détectables selon la matrice H 0. Lionel Fillatre (département SC) Détection d anomalies 23 / 29
41 Structure de l exposé 1 Introduction 2 Position du problème 3 Détection d anomalies (modèle linéaire) 4 Détection d anomalies (modèle non-linéaire) 5 Résultats expérimentaux 6 Conclusions Lionel Fillatre (département SC) Détection d anomalies 24 / 29
42 Inspection de crayons de combustible ts D D Corps du crayon Compensateur Source X Photon X Bouchon z x y O ) yi,j Zone de soudure Détecteur i Lionel Fillatre (département SC) Détection d anomalies 25 / 29
43 Inspection de crayons de combustible ts D D Source X y Corps du crayon PSfrag replacements Compensateur Photon X Corps Zone Bouchon de soudure Rayon interne ri ya Compensateur Axe du crayon z x y O ) yi,j Zone de soudure Détecteur r Rayon externe Bouchon Zone de soudure i O x Lionel Fillatre (département SC) Détection d anomalies 25 / 29
44 Inspection de crayons de combustible ts D D Source X y Corps du crayon PSfrag replacements Compensateur Photon X Corps Zone Bouchon de soudure Rayon interne ri ya Compensateur Axe du crayon z x y O ) yi,j Zone de soudure Détecteur r Rayon externe Bouchon Zone de soudure i O x Modèle de mesures : y i,j θ i,j + h i,j (r, a, b) + ξ i,j θ i,j : atténuation de l anomalie, h i,j (r, a, b) : approximation de l atténuation du crayon (avec prise en compte du durcissement de spectre et du rayonnement diffusé), ξ i,j : bruit de mesure Gaussien. Lionel Fillatre (département SC) Détection d anomalies 25 / 29
45 Test UPPC sur données réelles PSfrag replacements y x PSfrag replacements y x Radiographie sans défaut Résidu ˆε ˆε 2 2 = < λ 0.01(= 5 222) Comparaison radiographie/résidus Radiographie PSfrag replacements Intensité Résidus p q p q y Lionel Fillatre (département SC) Détection d anomalies 26 / 29
46 Test UPPC sur données réelles PSfrag replacements y y x x PSfrag replacements PSfrag replacements y y x x Radiographie sans défaut Résidu ˆε ˆε 2 2 = < λ 0.01(= 5 222) Comparaison radiographie/résidus Radiographie PSfrag replacements Intensité Résidus p q Radiographie avec défaut p q Résidu ˆε ˆε 2 2 = > λ y Comparaison radiographie/résidus Anomalie Radiographie PSfrag replacements Intensité Anomalie Résidus PSfrag replacements pq p q y Lionel Fillatre (département SC) Détection d anomalies 26 / 29
47 E-optimalité Enveloppes ε-optimales de la courbe de puissance 10 0 Probabilité de détection PSfrag replacements β + (λ(θ)) β (λ(θ)) λ(θ) = P H θ 2 (paramètre de non-centralité pour un test idéalement linéaire) Lionel Fillatre (département SC) Détection d anomalies 27 / 29
48 Structure de l exposé 1 Introduction 2 Position du problème 3 Détection d anomalies (modèle linéaire) 4 Détection d anomalies (modèle non-linéaire) 5 Résultats expérimentaux 6 Conclusions Lionel Fillatre (département SC) Détection d anomalies 28 / 29
49 Conclusions Approche proposée : le problème de détection d une anomalie dans un environnement inconnu est traité d un point de vue statistique. Contrainte principale : les approches paramétriques contre-balancent le manque de projections mais elle nécessite une modélisation fiable des objets. Précaution d usage : il est nécessaire de bien étudier les effets secondaires de l élimination des paramètres de nuisances (linéaire ou non) : détectabilité, impact de la non-linéarité,... Lionel Fillatre (département SC) Détection d anomalies 29 / 29
Théorie 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
Programmation 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
Résolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Chapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
I. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
La fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
choisir 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
Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux
Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en
Ekoconstruct / Catalogue 2014. ek construct
Ekoconstruct / Catalogue 2014 ek construct 1 Nos engagements Nos engagements Une entreprise familiale avec un savoir faire Une société tournée vers le développement durable Une construction rapide et personnalisée
3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Contexte. 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
F411 - Courbes Paramétrées, Polaires
1/43 Courbes Paramétrées Courbes polaires Longueur d un arc, Courbure F411 - Courbes Paramétrées, Polaires Michel Fournié [email protected] http://www.math.univ-toulouse.fr/ fournie/ Année 2012/2013
Soutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
5.2 Théorème/Transformée de Fourier a) Théorème
. Théorème de Fourier et Transformée de Fourier Fourier, Joseph (788). Théorème/Transformée de Fourier a) Théorème Théorème «de Fourier»: N importe quelle courbe peut être décomposée en une superposition
Première partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Le 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
1 Comment faire un document Open Office /writer de façon intelligente?
1 Comment faire un document Open Office /writer de façon intelligente? 1.1 Comment fonctionne un traitement de texte?: les balises. Un fichier de traitement de texte (WRITER ou WORD) comporte en plus du
Rétablissement 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
Optimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Théorèmes de Point Fixe et Applications 1
Théorèmes de Point Fixe et Applications 1 Victor Ginsburgh Université Libre de Bruxelles et CORE, Louvain-la-Neuve Janvier 1999 Published in C. Jessua, C. Labrousse et D. Vitry, eds., Dictionnaire des
Intégration 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?
Exemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions
Exemple 4.4. Continuons l exemple précédent. Maintenant on travaille sur les quaternions et on a alors les décompositions HQ = He 1 He 2 He 3 He 4 HQ e 5 comme anneaux (avec centre Re 1 Re 2 Re 3 Re 4
Système de sécurité de périmètre INTREPID
TM Système de sécurité de périmètre INTREPID La nouvelle génération de systèmes de sécurité de périmètre MicroPoint Cable combine la technologie brevetée de Southwest Microwave, la puissance d un micro
Correction du baccalauréat S Liban juin 2007
Correction du baccalauréat S Liban juin 07 Exercice. a. Signe de lnx lnx) : on fait un tableau de signes : x 0 e + ln x 0 + + lnx + + 0 lnx lnx) 0 + 0 b. On afx) gx) lnx lnx) lnx lnx). On déduit du tableau
Structures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Calcul 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
Fonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Intégration 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.
Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Optimisation 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
Scanner de film numérique
HD-CR 35 NDT Le nouveau standard de la radiographie numérique avec la technologie TroisFocales Scanner de film numérique Données techniques HD-CR 35 NDT Taille ajustable des spots laser : 12,5-25 - 50
Image d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Capes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : [email protected] Mots-clés : équation fonctionnelle, série
Quantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Représentation géométrique d un nombre complexe
CHAPITRE 1 NOMBRES COMPLEXES 1 Représentation géométrique d un nombre complexe 1. Ensemble des nombres complexes Soit i le nombre tel que i = 1 L ensemble des nombres complexes est l ensemble des nombres
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
6. Hachage. Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses
6. Hachage Accès aux données d'une table avec un temps constant Utilisation d'une fonction pour le calcul d'adresses PLAN Définition Fonctions de Hachage Méthodes de résolution de collisions Estimation
Exercices 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,
Chapitre 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.
Une comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Programmation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau [email protected] Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
ALGORITHMIQUE 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)
Développements limités, équivalents et calculs de limites
Développements ités, équivalents et calculs de ites Eercice. Déterminer le développement ité en 0 à l ordre n des fonctions suivantes :. f() e (+) 3 n. g() sin() +ln(+) n 3 3. h() e sh() n 4. i() sin(
MATHS FINANCIERES. [email protected]. Projet OMEGA
MATHS FINANCIERES [email protected] Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
LA 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 [email protected] 1 1.Le réseau
Programmation 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
1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Fonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Fonctions de plusieurs variables
Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les
Angles orientés et fonctions circulaires ( En première S )
Angles orientés et fonctions circulaires ( En première S ) Dernière mise à jour : Jeudi 01 Septembre 010 Vincent OBATON, Enseignant au lycée Stendhal de Grenoble (Année 006-007) Lycée Stendhal, Grenoble
Cours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Cours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Souad 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
L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Capacité 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
La 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
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Mathématiques I Section Architecture, EPFL
Examen, semestre d hiver 2011 2012 Mathématiques I Section Architecture, EPFL Chargé de cours: Gavin Seal Instructions: Mettez votre nom et votre numéro Sciper sur chaque page de l examen. Faites de même
Comment tracer une droite représentative d'une fonction et méthode de calcul de l'équation d'une droite.
Comment tracer une droite représentative d'une fonction et méthode de calcul de l'équation d'une droite. Introduction : Avant de commencer, il est nécessaire de prendre connaissance des trois types de
Calcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
NOMBRES COMPLEXES. Exercice 1 :
Exercice 1 : NOMBRES COMPLEXES On donne θ 0 un réel tel que : cos(θ 0 ) 5 et sin(θ 0 ) 1 5. Calculer le module et l'argument de chacun des nombres complexes suivants (en fonction de θ 0 ) : a i( )( )(1
Exo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Les algorithmes de base du graphisme
Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............
Chapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
TABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Durée de L épreuve : 2 heures. Barème : Exercice n 4 : 1 ) 1 point 2 ) 2 points 3 ) 1 point
03 Mai 2013 Collège Oasis Durée de L épreuve : 2 heures. apple Le sujet comporte 4 pages et est présenté en livret ; apple La calculatrice est autorisée ; apple 4 points sont attribués à la qualité de
Les atouts et faiblesses des caméras TEP dédiées, TEP corps entier, TEP-CT, TEMP pour la quantification
Les atouts et faiblesses des caméras TEP dédiées, TEP corps entier, TEP-CT, TEMP pour la quantification Irène Buvat U494 INSERM CHU Pitié-Salpêtrière, Paris [email protected] http://www.guillemet.org/irene
Développements limités. Notion de développement limité
MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un
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
La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
TOUT CE QU IL FAUT SAVOIR POUR LE BREVET
TOUT E QU IL FUT SVOIR POUR LE REVET NUMERIQUE / FONTIONS eci n est qu un rappel de tout ce qu il faut savoir en maths pour le brevet. I- Opérations sur les nombres et les fractions : Les priorités par
Mesure 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
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Estimation du coût de l incessibilité des BSA
Estimation du coût de l incessibilité des BSA Jean-Michel Moinade Oddo Corporate Finance 22 Juin 2012 Incessibilité des BSA Pas de méthode académique reconnue Plusieurs méthodes «pratiques», dont une usuelle
Différentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
PHYSIQUE 2 - Épreuve écrite
PHYSIQUE - Épreuve écrite WARIN André I. Remarques générales Le sujet de physique de la session 010 comprenait une partie A sur l optique et une partie B sur l électromagnétisme. - La partie A, à caractère
Programmation 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
T.P. 7 : Définir et contrôler un système d allumage statique
T.P. 7 : Définir et contrôler un système d allumage statique Nom : Prénom : Classe : Date : Durée : 6 heures Zone de travail : Classe de cours et atelier Objectif du T.P. : - Être capable d identifier
Dérivées d ordres supérieurs. Application à l étude d extrema.
Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une
NON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Communications numériques
Communications numériques 1. Modulation numérique (a) message numérique/signal numérique (b) transmission binaire/m-aire en bande de base (c) modulation sur fréquence porteuse (d) paramètres, limite fondamentale
Correction de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Calcul des pertes de pression et dimensionnement des conduits de ventilation
Calcul des pertes de pression et dimensionnement des conduits de ventilation Applications résidentielles Christophe Delmotte, ir Laboratoire Qualité de l Air et Ventilation CSTC - Centre Scientifique et
Chafa Azzedine - Faculté de Physique U.S.T.H.B 1
Chafa Azzedine - Faculté de Physique U.S.T.H.B 1 Définition: La cinématique est une branche de la mécanique qui étudie les mouements des corps dans l espace en fonction du temps indépendamment des causes
Licence de Mathématiques 3
Faculté des sciences et techniques Département de mathématiques 2004-2005 Licence de Mathématiques 3 M62 : Fonctions réelles de plusieurs variables Laurent Guillopé www.math.sciences.univ-nantes.fr/~guillope/m62/
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Exercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Méthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Transmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Annexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. [email protected] Résumé Ce document
Cours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........