Nicolas Bousquet. 29 août Université Laval
|
|
- Noël Lussier
- il y a 8 ans
- Total affichages :
Transcription
1 Pêche, foresterie et sites de production énergétique - quelques apports des statistiques pour améliorer la gestion des ressources environnementales et industrielles Nicolas Bousquet Électricité de France Division Recherche et Développement Dpt MRI - EDF Lab Chatou & Institut de Mathématique de Toulouse Équipe de Statistique et Probabilités Université Paul Sabatier 29 août Université Laval
2 Quelques mots de présentation personnelle
3 Vocabulaire Ressource Σ biologique (population animale, végétale..) industrielle (capacité de production durée de vie active, résistance aux risques) Optimisation pérenne permettant un renouvellement de la ressource (environnementale) protection technique efficace, robuste aux aléas exceptionnels (industrielle) Incertitudes aléatoire: intrinsèque représentée par des distributions de probabilité épistémique: réductible par apport de connaissance (ex : nouvelles données)
4 Gestion d une population exploitée : calcul du rendement maximal durable (MSY )
5 Impact des incertitudes de modèle (aléatoires) Spencer and Collie (1997) ont produit des estimateurs des paramètres pour les années ˆr = 0.4, ˆK = 129 kt (kilotonnes), ˆσ = Prix du marché (US dollars / kg) après 1993 avec Q = produit de la pêche (kt) T indice temporel P = a + bq + ct paramètres économiques a = 1.82, b = 0.022, c = estimés de façon à obtenir une rentabilité maximale Cadre déterministe Cadre stochastique MSY (kt) Market price ($/kg) Expected revenue (10 6 US$) Environ US$ de profit non réaliste mais potentiellement prédit
6 Estimation des paramètres : où interviennent les statistiques... Données d observation Pas de données directe d abondance ( végétaux et certains animaux terrestres) Données indirectes : pêches commerciale et scientifique indices d abondance Un type de données très informatives : capture-recapture avec marquage [Lavalée et Rivest 2012, Rivest 2013] Sélection du plan d échantillonnage Élaboration d un modèle de rééchantillonnage (urne) pour la recapture [Quinn et Deriso 1999, Pollock et al. 2002]
7 où π s a+j,t+j est une probabilité de retour de marque (dépendant de la mortalité) Capture-recapture pour la détermination des caractéristiques d une population structurée par âge Nombre d individus d âge a + 1 au temps t + 1 P a+1,t+1 = P a,ts a,t = P a,t exp F a,t }{{} taux de pêche M a,t }{{} mortalité naturelle Capture théorique moyenne à l âge C a,t = µ a,tp a,t pour un taux d exploitation µ a,t F a,t M a,t + F a,t (1 S a,t) Marquage d une sous-population puis recapture par N pêcheries N a,t = nombre d animaux d âge a marqués puis relâchés au temps t R s a+j,t+j = nombre de marques d âge a + j renvoyées par la pêcherie s En supposant que le destin de chaque poisson est indépendant, marginalement Ra+j,t+j s ( B inom Na,t, πa+j,t+j s )
8 En notant R a+t,t+t = π a+t,t+t = ( ) Ra+1,t+1, 1..., Ra+1,t+1, N..., Ra+T 1,t+T,..., Ra+T N,t+T, ( ) πa+1,t+1, 1..., πa+1,t+1, N..., πa+t 1,t+T,..., πa+t N,t+T, Ra+T,t+T = πa+t,t+t = T N t=1 s=1 T N t=1 s=1 R s a+t,j+t, π s a+t,j+t, en conséquence { R a+t,t+t, N a,t R } a+t,t+t M ult (N a,t ; { π a+t,t+t, 1 π a+t,t+t }) la distribution de probabilité de tous les retours de marque est un produit de lois multinomiales (en supposant que tous les marquages sont indépendants les uns des autres)
9 Le vecteur de probabilité est où π s a+j,t+j = α exp( βj) ζ s a+j,t+j ν s a+j,t+j λ s a+j,t+j α exp( βj) est la probabilité qu un poisson survive à l étape de marquage après j pas de temps ζ s a+j,t+j est la probabilité qu un poisson marqué se mélange au reste de la population visée par la pêcherie s après j intervalles de temps ν s a+j,t+j est la probabilité qu un poisson soit pêché par la pêcherie s λ s a+j,t+j est la probabilité qu une marque pêchée par la pêcherie s soit retrouvée et renvoyée aux scientifiques Inconnues du problème : ( {Ma, F s t, ς s a, λ s a,t, ζ s a,t}s {1,...,N},a {a0,...,a},t {t0,...,t }, {Pa0,t} t {t0,...,t }, α, β, ) de dimension N T (1 + 2 A ) + N A + T + 2
10 Réduction de la dimension : tester des hypothèses de mortalité naturelle Forme en "U" pour M a : influence de la senescence Forme en "W" pour M a : influence additionnelle de la reproduction Utilisation de fonctions polynômiales de l âge (splines cubiques)
11 Prises commerciales et observations Les captures théoriques suivent également (marginalement) C s a+j,t+j B ( P a,t, ν s a+j,t+j). Cependant, beaucoup d incertitudes dominent la variation intrinsèque du "tirage dans l urne" (surpêche, rejets, erreurs de transcription dans les journaux de bord...) [Polacheck et al. 2006] On fait une hypothèse "grossière" sur les observations des prises Ĉ s a+j,t+j N ( ν s a+j,t+jp a,t, (σ s a+j,t+j) 2). où la variance du bruit d observation (incertitude épistémique) est fixée à plusieurs valeurs étude de sensibilité Estimation du vecteur de paramètre par maximisation de la vraisemblance "produit-de-multinomiale" suivie d un parcours stochastique dans la zone où celle-ci est haute Exemple d outil logiciel : Rcapture package [Baillargeon et Rivest 2007]
12 Ex: marquage des thonidés dans l Océan Indien CTOI (IOTC): ,301 poissons marqués (listao = bonite = skipjack) 10,290 retours de marque 25 cohortes 3 pêcheries (senneurs français et espagnol, canneurs maldiviens) [B. et al. 2014]
13 Quelques résultats a=2.25 a=2.5 a=2.75 a=3 a=3.25 a=3.5 a=3.75 a=4 0 number of returns 200 a=0.5 a=0.75 a=1 a=1.25 a=1.5 a=1.75 a=2 cohort indicators time of release
14 Conséquence : modèles de projection de biomasse en danger sous forçage environnemental [B. et al (b)]
15 Transformation taille-âge Même problématique en: fork length (cm) foresterie analyse des échos ultrasonores dans un cadre industriel caractérisation de la taille d un défaut par son écho bruité age(y) suivi de la taille d une fissure Deux grandes approches de quantification (avec gestion des incertitudes) 1. modèles purement statistiques de type régression ou processus 2. modèles numériques explicatifs (fondés sur la biologie, la physique...) explorés par des outils statistiques
16 Modèles "purement" statistiques : un exemple via les processus gamma Soit un processus aléatoire L t positif s accroissant avec le temps t, supposé reproduire le comportement de k systèmes similaires (ex: longueur de poisson ou d arbre, taille de fissure... ) k, L k,0 = 0 et les incréments Z k,i = L k,ti L k,ti 1 sont indépendants k et 0 s t, L k,t L k,s est une v.a. de loi gamma de densité 1 f α(t s),β (x) = Γ(α i (t s)) x α(t s) 1 e x β β α(t s) 1 {x 0} En dessous d une certaine valeur z, on n observe rien bruit environnemental précision dispositif > taille individu (ex: larves) Les données disponibles d sont des réalisations de Y k,t = max(l k,t, z) faites à certaines valeurs de temps (réguliers ou non) transformées en incréments
17 Un exemple industriel : propagation d une fissure dans un composant de production (1/2)
18 { Soit t rk +1 = min ti, L k,ti z } i {1,...,n k } Censure double: 1. vraisemblance associée aux observations manquantes (censure à gauche) ) ( rk ) ( ) P (L k,t1 L k,t2... L k,trk < z = P Z k,i < z = γ αt rk, β z ) i=1 Γ (αt rk 2. vraisemblance associée à l observation Z k,rk +1 = L z (censure à k,trk +1 droite) ) Γ (α(t P(Z k,rk +1 > L z) = rk +1 t rk ), (L z)/β k,trk +1 k,trk +1 Γ ( α(t rk +1 t rk ) ) Vraisemblance complète pour la trajectoire k ( ) ) γ αt rk, z Γ (α(t β rk +1 t rk ), (L z)/β k,trk +1 l k (α, β d k ) = Γ ( ) ( αt rk Γ α(trk +1 t rk ) ) n k Γ(α(t i t i 1 )) ( ) β α t nk t rk +1 exp 1 β i=r k +2 n k i=r k +2 z k,i n k i=r k +2 z t i t i 1 k,i α
19 Inférence (1/3) Une connaissance a priori existe sur le phénomène étudié (outre les données d observation d) : vitesse de croissance moyenne accélération de la croissance... (biologistes, ingénieurs, physiciens... faisant par exemple des expériences de laboratoire) Connaissance imprégnée d incertitude épistémique Le cadre statistique bayésien permet d intégrer cette connaissance sur L en la traduisant indirectement par une mesure de probabilité π(α, β) (loi a priori) Inférence bayésienne = réduction de l incertitude épistémique par conditionnement à l information portée par d : on estime la loi a posteriori k π(α, β d) = l k(α, β d k )π(α, β) k l k(α, β d k )π(α, β)dαdβ
20 Inférence (2/3) Proposition [Paroissin. et al. 2014] Le mélange de lois gamma et inverse gamma β α IG (αm t e,1, m z e), α G (m/2, m t e,2) est une approximation à l ordre 1 de la loi a posteriori d un échantillon de taille m dont la moyenne des temps d observation est t e,1 dont la moyenne de l accroissement en taille durant t e,1 est z e avec t e,2 une statistique reliée à la vitesse d accroissement Choix de loi a priori l information supplémentaire est quantifiée comme celle provenant d un échantillon virtuel
21 Inférence (3/3) ( 1. Simuler S j G 2. Simuler β j IG M α j 1 k=1 (α j 1 { m t e,1 + M t rk, 1/β j 1 ) 1 {0 S M z}. k=1 } { t nk, m z e + S j + M 3. Simuler α j ρ(. α j 1 ) N ( α j 1, ρ α 2 j 1). n k k=1 i=r k +1 z k,i }). 4. Simuler u j U[0, 1] and accept α j = α j if u j η j où { η j = min 1 } l(β j, α j d)π(β j, α j )ρ(α j 1 α j ) l(β j, α j 1 d)π(β j, α j 1 )ρ( α j α j 1 ) ou accepter α j = α j 1.
22 Un exemple industriel : propagation d une fissure dans un composant de production (2/3)
23 Un exemple industriel : propagation d une fissure dans un composant de production (3/3) Information a priori : estimation des quantités suivantes 1. vitesse annuelle la plus probable = rapport z e/ t e,1 (2 mm/an) 2. probabilités (1 δ 1, 1 δ 2) à 15 puis 30 ans (= m t e,1) que toute fissure soit plus longue que (x 1, x 2) = (5, 10) mm Soit pour i = {1, 2}, ) P (X m te,1 < x i = δ i, = xi 0 0 x αm t e,1 1 (m z e) αm t e,1 Γ (2αm t e,1) π(α) dαdx. (m z e + x) 2αm t e,1 Γ 2 (αm t e,1) Calibration: en choisissant δ i dans {1%, 5%, 10%, 20%, 25%}, par minimisation en (m, t e,2) du coût C(m, t e,2) = 2 i=1 δ 2 i { xi 0 0 } 2 x αt 1 (2T ) αt Γ (2αT ) (2T + x) 2αT Γ 2 (αt ) π(α) dαdx δ i
24
25 Modèles numériques de simulation Explication d un phénomène pour lequel on a peu ou pas de données d observation Implémentation sous forme de codes de calcul g (souvent déterministe) d un ensemble d équations et d optimisations Y = g(x ) typiquement Problème 1 : "caler" les (lois des) entrées incertaines (aléatoires) X Problème 2 : simuler le comportement Difficultés : dimension élevée de X, lourdeur en temps de calcul Exemple industriel: Prévision de niveau d eau (cote) en hydraulique
26 Assurer la sécurité d un site de production face à une crue Y = g(x, K s) où : X est un débit de rivière amont Q K s des coefficients de frottement et Y est un une hauteur d eau en aval Enjeux EDF 1. Protéger les personnes et les biens contre un risque de crue à fort impact 2. Assurer la capacité de production de façon pérenne Le phénomène est considéré comme monotone et s implémente par un code hydraulique g (ex: codes EDF MASCARET / TELEMAC)
27 Enjeu technique 1 : modélisation d une distribution de débits extrêmes (typ. maxima annuels) Règle fondamentale de sûreté (1984) 1. La hauteur de dimensionnement d une digue protégeant un site de production doit être au moins égale à y 0 = g(q 1 α + pen Q, K s) + pen Y où α 1 2. le quantile Q 1 α de seuil α est associée à une loi des extrêmes 3. la valeur du frottement est pénalisée Théorie des valeurs extrêmes [Fisher-Tippett-Gnedenko] Soit X 1,..., X n un échantillon de loi continue. S il existe des suites (a n, b n) IR + IR + telles que (Xn a n)/b n converge en loi, alors la loi limite de la statistique d ordre (maximum de l échantillon) Xn est l une des trois lois suivantes : loi de Gumbel F (x) = exp( exp( (x µ)/σ)), x IR loi de Fréchet F (x) = exp( ((x µ)/σ) β ), x µ, β 0 loi de Weibull F (x) = exp( ( ((x µ)/σ) β )), x µ, β 0
28 Données historiques + expertise terrain Inférence apport de connaissance / données actuelles (en faible nombre) Choix d un cadre inférentiel bayésien Proposition [B. 2013] En posant (λ, ζ) = (1/σ, exp(µ/σ)), le mélange de lois gamma ( { } ) 1 ζ λ G m, α 1/m 1 exp( λx (e) α ) ( λ G m, ( x m x α (e) ) 1) est une approximation à l ordre 1 de la loi a posteriori d un échantillon Gumbel de taille m et de moyenne x m telle que marginalement P(X < x α (e) ) = α
29 Enjeu technique 2 : simulation pour le calcul de critère de risque On souhaite vérifier que p = P(g(X ) > y 0) = 1 {g(x)>y0 }f X (x) dx 10 q où y 0 est une hauteur de digue g boîte noire et X variable aléatoire supposée de loi f X Estimation statistique classique de p par Monte Carlo ˆp n = 1 1 {g(xi )>y n 0 } avec x 1,..., x iid n f X i=1 Estimateur sans biais, consistant, sans hypothèse sur g (ex: discontinuités..) CV [ˆp n] = p(1 p)/n: il faut 10 q+2 simulations pour une estimation à 10% d erreur de 10 q Or le code peut être très coûteux en temps CPU (ex : 3h pour TELEMAC dans certaines configurations)
30 Aspects pratiques du calcul 1. Développement de méthodes de Monte Carlo à réduction de variance Quasi Monte Carlo, échantillonnage d importance, techniques séquentielles Fondées sur des plans d échantillonnage numériques intelligents 2. Utilisation de méta-modèles simplificateurs réseaux de neurones et machines à vecteur de support (classification/apprentissage) processus gaussiens (krigeage)
31 Une dernière approche Approche par copules Une loi jointe en (X, Y ) peut être définie par sa fonction de répartition P(X < x, Y < y) = C θ (P X (X < x), P Y (Y < y)) = C θ (F X (x), F Y (y)) Calcul de probabilité conditionnel P (Y < y 0 X [x δ x, x + δ x]) = CJ θ {F X (x + δ x), F Y (y 0)} C J θ {F X (x δ x), F Y (y 0)} F Y (x + δ x) F X (x δ x) Étude des comportements extrêmes joints [Genest & Rivest 1993, Ghoudi, Khoudraji & Rivest 1998,...]
32 Quelques mots de conclusion Statistiques indispensables pour la modélisation et la quantification des incertitudes aléatoires épistémiques Impact potentiellement important sur la gestion optimisée des ressources Flexibilité et robustesse : de multiples outils pour traiter des problèmes similaires Le cadre décisionnel des statistiques (définissant ce qu est un "bon estimateur") permet de répondre aux questions sur la définition d une gestion optimale De nombreux travaux de Louis-Paul Rivest et ses coauteurs sont précieux et importants à de multiples niveaux : sélection des données, modélisation, décision, domaines d application variés Et comme évoqué... de belles pistes à poursuivre!
33 Bibliographie Bordet, Rivest (2014). A stochastic Pella Tomlinson model and its maximum sustainable yield. J.Theor. Biol. B., Duchesne, Rivest (2008). Redefining the MSY for the Schaefer population model including multiplicative environmental noise J.Theor. Biol. B., Chassot, Dortel, Million, Fonteneau, Hallier (2014). A Bayesian Brownie-Petersen model for estimating the natural mortality of Indian Ocean tunas. Application to skipjack. In revision for Fish. Res. B., Chassot, Duplisea, Hammill (2014). Forecasting the major influences of predation and environment on cod recovery in the northern Gulf of St. Lawrence. Plos ONE Dortel, Sardenne, Le Croizier, B., Chassot (2014). A three-stanza growth model for Indian Ocean yellowfin tuna. In revision for Fish. Res. Ghoudi, Khoudraji, Rivest (1998). Propriétés statistiques de copules de valeurs extrêmes bidimensionelles. RCS. Genest, Rivest (1993). Statistical inference procedures for bivariate Archimedean copulas. JASA. Kooijman (2010). Dynamic Energy Budget theory for metabolic organisation. Cambridge University Press. Lavalée, Rivest (2012). Capture-recapture sampling and indirect sampling. J. Off. Stat. Paroissin, B., Fouladirad, Grall (2014). Bayesian gamma processes for optimising condition-based maintenance under uncertainty. In revision for App. Stoch. Models Bus. Indus. Polacheck, Eveson, Laslett, Pollock, Hearn (2006). Integrating catch-at-age and multiyear tagging data: a combined Brownie and Petersen estimation approach in a fishery context. Can. J. Fish. Aquat. Sci. Pollock, Hearn, Polacheck (2002). A general model for tagging on multiple component fisheries [...]. Environ. Ecol. Stat. Quinn, Deriso (1999). Quantitative Fish Dynamics. Oxford University Press Rivest (2013). Théorie et applications des modèles de capture-recapture. Bull. AMQ
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
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 détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailModélisation et simulation du trafic. Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005
Modélisation et simulation du trafic Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005 Plan de la présentation! Introduction : modèles et simulations définition
Plus en détailNON-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
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailOPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)
OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
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 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 détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
Plus en détailSoutenance 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
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailMesure et gestion des risques d assurance
Mesure et gestion des risques d assurance Analyse critique des futurs référentiels prudentiel et d information financière Congrès annuel de l Institut des Actuaires 26 juin 2008 Pierre THEROND ptherond@winter-associes.fr
Plus en 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 détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailModélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr
Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr Le concept de Mesure Virtuelle mesure virtuelle résultat d un modèle visant
Plus en détailPopulation responses to environmental forcing : approaches to model and monitor habitat characteristics
Approche systémique des pêches Boulogne-sur sur-mer 2008 Population responses to environmental forcing : approaches to model and monitor habitat characteristics Pierre Petitgas (1), M. Huret (1), B. Planque
Plus en détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailRaisonnement 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 détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailHealth Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation
Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailQuantification des Risques
Quantification des Risques Comment considérer les aléas dans une projection financière? PragmaRisk met à disposition des solutions et des méthodes permettant de considérer les aléas dans vos projections
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 détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en 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 détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailUne 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
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailLe risque Idiosyncrasique
Le risque Idiosyncrasique -Pierre CADESTIN -Magali DRIGHES -Raphael MINATO -Mathieu SELLES 1 Introduction Risque idiosyncrasique : risque non pris en compte dans le risque de marché (indépendant des phénomènes
Plus en détailAnalyse des risques financiers
Analyse des risques financiers Version du 1 er octobre 2014 Cette fiche s'adresse aux services de l État mandatés pour mener une analyse financière et est susceptible de contribuer à la définition du niveau
Plus en détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailLa 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
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailEtude expérimentale et numérique de la Sédimentation/Consolidation de sols à très forte teneur en eau
Etude expérimentale et numérique de la Sédimentation/Consolidation de sols à très forte teneur en eau Gilbert LE BRAS (IUT de st nazaire, Dépt. Génie Civil) Alain ALEXIS (GeM) 1/42 Introduction Domaine
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailModélisation géostatistique des débits le long des cours d eau.
Modélisation géostatistique des débits le long des cours d eau. C. Bernard-Michel (actuellement à ) & C. de Fouquet MISTIS, INRIA Rhône-Alpes. 655 avenue de l Europe, 38334 SAINT ISMIER Cedex. Ecole des
Plus en détailMODÉLISATION DU FONCTIONNEMENT EN PARALLELE À DEUX OU PLUSIEURS POMPES CENTRIFUGES IDENTIQUES OU DIFFERENTES
Annals of the University of Craiova, Electrical Engineering series, No. 30, 006 MODÉLISATION DU FONCTIONNEMENT EN PARALLELE À DEUX OU PLUSIEURS POMPES CENTRIFUGES IDENTIQUES OU DIFFERENTES Daniela POPESCU,
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailVision 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.........................
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 détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailUne plate-forme pour la quantification des incertitudes sous Matlab
UQLab Une plate-forme pour la quantification des incertitudes sous Matlab Bruno Sudret Stefano Marelli ETH Zürich, Institute of Structural Engineering Chair of Risk, Safety & Uncertainty Quantification
Plus en 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 détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailSTATISTIQUES DE LA PÊCHERIE THONIERE IVOIRIENNE DURANT LA PERIODE EN 2012
SCRS/213/167 Collect. Vol. Sci. Pap. ICCAT, 7(6): 281-285 (214) STATISTIQUES DE LA PÊCHERIE THONIERE IVOIRIENNE DURANT LA PERIODE EN 212 Amandè M.J. 1, Konan K.J. 1, Diaha N.C. 1 et Tamégnon A. SUMMARY
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailChapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailThéorie des Jeux Et ses Applications
Théorie des Jeux Et ses Applications De la Guerre Froide au Poker Clément Sire Laboratoire de Physique Théorique CNRS & Université Paul Sabatier www.lpt.ups-tlse.fr Quelques Définitions de la Théorie des
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailChapitre 2 : Systèmes radio mobiles et concepts cellulaires
Chapitre 2 : Systèmes radio mobiles et concepts cellulaires Systèmes cellulaires Réseaux cellulaires analogiques de 1ère génération : AMPS (USA), NMT(Scandinavie), TACS (RU)... Réseaux numériques de 2ème
Plus en détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailETUDE COMPARATIVE DES MODELISATIONS NUMERIQUE ET PHYSIQUE DE DIFFERENTS OUVRAGES D EVACUATION DES CRUES
ETUDE COMPARATIVE DES MODELISATIONS NUMERIQUE ET PHYSIQUE DE DIFFERENTS OUVRAGES D EVACUATION DES CRUES P.E. LOISEL, J. SCHAGUENE, O. BERTRAND, C. GUILBAUD ARTELIA EAU ET ENVIRONNEMENT Symposium du CFBR
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailPROJET ACCLIMATE ETUDE SIM-CLIM THEME 3 Etude bilan des possibilités d une simulation climatique régionale
Commission de l Océan Indien Projet ACCLIMATE 1 PROJET ACCLIMATE ETUDE SIM-CLIM THEME 3 Etude bilan des possibilités d une simulation climatique régionale Résumé Commission de l Océan Indien Projet ACCLIMATE
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 détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailCompte rendu de LA37 B, TP numéro 1. Evolution de la température et du degrée d'hydratation
4 6 8 2 4 8 22 26 3 34 38 42 46 5 54 58 62 66 7 74 78 83 89 96 8 44 Bertin Morgan Compte rendu de LA37 B, TP numéro. Les essais effectués par le laboratoire des ponts et chaussés nous ont fournis la température
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 détail