Nicolas Bousquet. 29 août Université Laval

Dimension: px
Commencer à balayer dès la page:

Download "Nicolas Bousquet. 29 août 2014 - Université Laval"

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 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 détail

La 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 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 détail

Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil

Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil Séverine Demeyer, Frédéric Jenson, Nicolas Dominguez CEA, LIST, F-91191

Plus en détail

Incertitude et variabilité : la nécessité de les intégrer dans les modèles

Incertitude 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 détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions :

Probabilités. I- Expérience aléatoire, espace probabilisé : ShotGun. 1- Définitions : Probabilités I- Expérience aléatoire, espace probabilisé : 1- Définitions : Ω : Ensemble dont les points w sont les résultats possibles de l expérience Des évènements A parties de Ω appartiennent à A une

Plus en détail

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay

Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay Plan 1 Incertitudes des modèles empiriques 2 Identification et caractérisation des paramètres incertains

Plus en détail

Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique

Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique Méthodes Statistiques Appliquées à la Qualité et à la Gestion des Risques - Le Contrôle Statistique Jean Gaudart Laboratoire d Enseignement et de Recherche sur le Traitement de l Information Médicale jean.gaudart@univmed.fr

Plus en détail

Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel.

Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel. Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel. Workshop du GIS 3SGS Reims, 29 septembre 2010 Sommaire Missions

Plus en détail

Sélection- validation de modèles

Sélection- validation de modèles Sélection- validation de modèles L. Rouvière laurent.rouviere@univ-rennes2.fr JANVIER 2015 L. Rouvière (Rennes 2) 1 / 77 1 Quelques jeux de données 2 Sélection-choix de modèles Critères de choix de modèles

Plus en détail

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) 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 détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 Cours de B. Desgraupes. Simulation Stochastique UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2014 2015 L2 MIASHS Cours de B. Desgraupes Simulation Stochastique Séance 04: Nombres pseudo-aléatoires Table des matières 1

Plus en détail

Club_Saturne 2007. Analyse d incertitudes avec Mercure_Saturne pour la modélisation de la dispersion atmosphérique. Emmanuel Demaël, Damien Bilbault

Club_Saturne 2007. Analyse d incertitudes avec Mercure_Saturne pour la modélisation de la dispersion atmosphérique. Emmanuel Demaël, Damien Bilbault Club_Saturne 2007 Analyse d incertitudes avec Mercure_Saturne pour la modélisation de la dispersion atmosphérique Emmanuel Demaël, Damien Bilbault 27 novembre 2007 Introduction Contexte : Objectifs : Répondre

Plus en détail

Approche hybride De la correction des erreurs à la sélection de variables

Approche hybride De la correction des erreurs à la sélection de variables Approche hybride De la correction des erreurs à la sélection de variables G.M. Saulnier 1, W. Castaing 2 1 Laboratoire EDYTEM (UMR 5204, CNRS, Université de Savoie) 2 TENEVIA (http://www.tenevia.com) Projet

Plus en détail

Elma m l a ki i Haj a a j r a Alla a Tao a uf u i f q B ur u kkad a i i Sal a ma m n a e n e Be B n e a n b a d b en e b n i b i Il I ham

Elma m l a ki i Haj a a j r a Alla a Tao a uf u i f q B ur u kkad a i i Sal a ma m n a e n e Be B n e a n b a d b en e b n i b i Il I ham Exposé: la technique de simulation MONTE-CARLO Présenté par : Elmalki Hajar Bourkkadi Salmane Alla Taoufiq Benabdenbi Ilham Encadré par : Prof. Mohamed El Merouani Le plan Introduction Définition Approche

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation 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 détail

Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005

Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005 Université René Descartes Faculté de Pharmacie - Master Professionnel Dimension Économique des Produits de Santé 14 décembre 2005 Prise en Compte de l Incertitude dans l Évaluation des Technologies de

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation 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 détail

TABLE DES MATIERES. C Exercices complémentaires 42

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

Plus en détail

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012

Arbres binaires. Hélène Milhem. Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 Arbres binaires Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Arbres binaires IUP SID 2011-2012 1 / 35 PLAN Introduction Construction

Plus en détail

Chapitre 3 : INFERENCE

Chapitre 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 détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail

Modélisation coalescente pour la détection précoce d un cancer

Modélisation coalescente pour la détection précoce d un cancer Modélisation coalescente pour la détection précoce d un cancer Mathieu Emily 27 Novembre 2007 Bioinformatics Research Center - Université d Aarhus Danemark Mathieu Emily Coalescence et cancer 1 Introduction

Plus en détail

Principe des tests statistiques

Principe des tests statistiques Principe des tests statistiques Jean Vaillant Un test de signification est une procédure permettant de choisir parmi deux hypothèses celles la plus probable au vu des observations effectuées à partir d

Plus en détail

Licence Pro Amélioration Végétale

Licence Pro Amélioration Végétale Analyse de données Licence Pro Amélioration Végétale Marc Bailly-Bechet Université Claude Bernard Lyon I France marc.bailly-bechet@univ-lyon1.fr 1 marc.bailly-bechet@univ-lyon1.fr Analyse de données Des

Plus en détail

Modélisation stochastique des données à partir d essais sur matériaux. Pr. Denys Breysse Université Bordeaux 1

Modélisation stochastique des données à partir d essais sur matériaux. Pr. Denys Breysse Université Bordeaux 1 Modélisation stochastique des données à partir d essais sur matériaux Pr. Denys Breysse Université Bordeaux 1 Hasard cause fictive de ce qui arrive sans raison apparente ou explicable (Petit Robert). Ce

Plus en détail

Problèmes de fiabilité dépendant du temps

Problèmes de fiabilité dépendant du temps Problèmes de fiabilité dépendant du temps Bruno Sudret Dépt. Matériaux et Mécanique des Composants Pourquoi la dimension temporelle? Rappel Résistance g( RS, ) = R S Sollicitation g( Rt (), St (),) t =

Plus en détail

5 Méthodes algorithmiques

5 Méthodes algorithmiques Cours 5 5 Méthodes algorithmiques Le calcul effectif des lois a posteriori peut s avérer extrêmement difficile. En particulier, la prédictive nécessite des calculs d intégrales parfois multiples qui peuvent

Plus en détail

AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f

AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f JFMS Toulouse 24, 25, 26 mars 2010 AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f Benjamin Echard Nicolas Gayton Maurice Lemaire LaMI Laboratoire

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

!-.!#- $'( 1&) &) (,' &*- %,!

!-.!#- $'( 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 détail

Simulation avancée du procédé d injection

Simulation avancée du procédé d injection Simulation avancée du procédé d injection JT «Conception et optimisation numérique en plasturgie» Jeudi 30 juin Ronan Le Goff Sommaire Introduction Modèle numérique Cas d étude Paramètres rhéo Stratégies

Plus en détail

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Séminaire MTDE 22 mai 23 INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Vincent Mazet CRAN CNRS UMR 739, Université Henri Poincaré, 5456 Vandœuvre-lès-Nancy Cedex 1 juillet 23 Sommaire

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES ST50 - Projet de fin d études Matthieu Leromain - Génie Informatique Systèmes temps Réel, Embarqués et informatique Mobile - REM 1 Suiveur en entreprise

Plus en détail

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES 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 détail

Soutenance de stage Laboratoire des Signaux et Systèmes

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

Plus en détail

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07 Axe MSA Bilan scientifique et perspectives ENSM.SE L. Carraro - 17 décembre 07 17 décembre 07 2 Plan Compétences acquises domaines scientifiques compétences transverses Domaines ou activités accessibles

Plus en détail

téléphone sur l'exposition de la tête»

téléphone sur l'exposition de la tête» «Analyse statistique de l'influence de la position du téléphone sur l'exposition de la tête» A.Ghanmi 1,2,3 J.Wiart 1,2, O.Picon 3 1 Orange Labs R&D 2 WHIST LAB (http://whist.institut-telecom.fr), 3 Paris

Plus en détail

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation.

Travaux Dirigés de Probabilités - Statistiques, TD 4. Lois limites ; estimation. Travaux Dirigés de Probabilités - Statistiques, TD 4 Lois limites ; estimation. Exercice 1. Trois machines, A, B, C fournissent respectivement 50%, 30%, 20% de la production d une usine. Les pourcentages

Plus en détail

Projet ADAGE Amélioration des processus d'aide à la Décision Associés à la GEstion des risques naturels en montagne

Projet ADAGE Amélioration des processus d'aide à la Décision Associés à la GEstion des risques naturels en montagne Projet ADAGE Amélioration des processus d'aide à la Décision Associés à la GEstion des risques naturels en montagne Jean-Marc Tacnet**, Corinne Curt*, Dominique Laigle**,, Eric Chojnacki +, Jean Dezert

Plus en détail

Une illustration de l utilisation des modèles de durée en actuariat

Une illustration de l utilisation des modèles de durée en actuariat Une illustration de l utilisation des modèles de durée en actuariat Olivier Lopez Université Paris VI, LSTA Formation IPR ENS Cachan Bretagne, 28-09-11 Outline 1 Introduction 2 Tarification d une rente

Plus en détail

Mathématiques et Applications 57. Modèles aléatoires. Applications aux sciences de l'ingénieur et du vivant

Mathématiques et Applications 57. Modèles aléatoires. Applications aux sciences de l'ingénieur et du vivant Mathématiques et Applications 57 Modèles aléatoires Applications aux sciences de l'ingénieur et du vivant Bearbeitet von Jean-François Delmas, Benjamin Jourdain 1. Auflage 2006. Taschenbuch. xxv, 431 S.

Plus en détail

Prévention et gestion des risques naturels et environnementaux

Prévention et gestion des risques naturels et environnementaux Prévention et gestion des risques naturels et environnementaux Risque et assurance : quelques éléments théoriques Ecole des Ponts - Le 6 Avril 01 Jacques Pelletan 1 Théorie du risque et pérennité de l

Plus en détail

Présentation de l épreuve

Présentation de l épreuve MÉTHODO Présentation de l épreuve 1. Programme de l arrêté du 22 décembre 2006 DURÉE DE L ENSEIGNEMENT ÉPREUVE N 11 CONTRÔLE DE GESTION (à titre indicatif) : 210 heures 18 crédits européens 1. Positionnement

Plus en détail

Traitement des données influentes dans le cas d un sondage à deux phases avec une application au traitement de la non-réponse

Traitement des données influentes dans le cas d un sondage à deux phases avec une application au traitement de la non-réponse Traitement des données influentes dans le cas d un sondage à deux phases avec une application au traitement de la non-réponse Jean-François Beaumont, Statistics Canada Cyril Favre Martinoz, Crest-Ensai

Plus en détail

SCI03 - Analyse de données expérimentales

SCI03 - Analyse de données expérimentales SCI03 - Analyse de données expérimentales Introduction à la statistique Thierry Denœux 1 1 Université de Technologie de Compiègne tél : 44 96 tdenoeux@hds.utc.fr Automne 2014 Qu est ce que la statistique?

Plus en détail

DÉCLIN DE L ABONDANCE DES POPULATIONS DE SAUMONS DANS L ATLANTIQUE NORD

DÉCLIN DE L ABONDANCE DES POPULATIONS DE SAUMONS DANS L ATLANTIQUE NORD DÉCLIN DE L ABONDANCE DES POPULATIONS DE SAUMONS DANS L ATLANTIQUE NORD Vers une reconsidération des modèles d évaluation de stocks afin d explorer les mécanismes écologiques en lien avec ce déclin Maxime

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

Regime Switching Model : une approche «pseudo» multivarie e

Regime Switching Model : une approche «pseudo» multivarie e Regime Switching Model : une approche «pseudo» multivarie e A. Zerrad 1, R&D, Nexialog Consulting, Juin 2015 azerrad@nexialog.com Les crises financières survenues dans les trente dernières années et les

Plus en détail

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Patrick Dallaire Université Laval Département d informatique et de génie

Plus en détail

INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS

INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS established in 2006 at the University of Abomey-Calavi (Republic of Benin) UNITWIN/UNESCO

Plus en détail

IFT6561. Simulation: aspects stochastiques

IFT6561. Simulation: aspects stochastiques IFT 6561 Simulation: aspects stochastiques DIRO Université de Montréal Automne 2013 Détails pratiques Professeur:, bureau 3367, Pav. A.-Aisenstadt. Courriel: bastin@iro.umontreal.ca Page web: http://www.iro.umontreal.ca/~bastin

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Master 1 Informatique Éléments de statistique inférentielle

Master 1 Informatique Éléments de statistique inférentielle Master 1 Informatique Éléments de statistique inférentielle Faicel Chamroukhi Maître de Conférences UTLN, LSIS UMR CNRS 7296 email: chamroukhi@univ-tln.fr web: chamroukhi.univ-tln.fr 2014/2015 Faicel Chamroukhi

Plus en détail

OPTIMISATION MULTICRITERE STOCHASTIQUE

OPTIMISATION MULTICRITERE STOCHASTIQUE OPTIMISATION MULTICRITERE STOCHASTIQUE Michel DUMAS, Gilles ARNAUD, Fabrice GAUDIER CEA/DEN/DMS/SFME/LETR michel.dumas@cea.r gilles.arnaud@cea.r abrice.gaudier @cea.r Introduction L optimisation multicritère

Plus en détail

Les données manquantes en statistique

Les données manquantes en statistique Les données manquantes en statistique N. MEYER Laboratoire de Biostatistique -Faculté de Médecine Dép. Santé Publique CHU - STRASBOURG Séminaire de Statistique - 7 novembre 2006 Les données manquantes

Plus en détail

Utilisation de modèles hydrauliques-métier dans des plate-formes et application aux incertitudes. 1. Présentation de l outil métier : Système Mascaret

Utilisation de modèles hydrauliques-métier dans des plate-formes et application aux incertitudes. 1. Présentation de l outil métier : Système Mascaret Utilisation de modèles hydrauliques-métier dans des platesformes et application aux incertitudes N.Goutal E. Demay EDF R&D Utilisation de modèles hydrauliques-métier dans des plate-formes et application

Plus en détail

Les 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 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 détail

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE

L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE L ANALYSE DU RISQUE DE FAILLITE PAR LE BIAIS DES SYSTÈMES DE L INTELLIGENCE ARTIFICIELLE Paul Pașcu, Assist Prof, PhD, Ștefan cel Mare University of Suceava Abstract: This article aims to present a number

Plus en détail

LA PREVISION DU TAUX DE CHANGE. Finance internationale, 9 ème éd. Y. Simon & D. Lautier

LA PREVISION DU TAUX DE CHANGE. Finance internationale, 9 ème éd. Y. Simon & D. Lautier LA PREVISION DU TAUX DE CHANGE 1 Qui cherche à prévoir? Les entreprises Les banques Les fonds d investissement Les investisseurs institutionnels Pourquoi chercher à prévoir? Créances et dettes en devises

Plus en détail

Analyse de survie appliquée à la modélisation de la transmission des maladies infectieuses : mesurer l impact des interventions

Analyse de survie appliquée à la modélisation de la transmission des maladies infectieuses : mesurer l impact des interventions Analyse de survie appliquée à la modélisation de la transmission des maladies infectieuses : mesurer l impact des interventions Génia Babykina 1 & Simon Cauchemez 2 1 Université de Lille, Faculté Ingénierie

Plus en détail

Introduction aux Méthodes de Monte Carlo

Introduction aux Méthodes de Monte Carlo Méthodes de Monte Carlo pour la Modélisation et le Calcul Intensif Applications à la Physique Numérique et à la Biologie Séminaire CIMENT GRID Introduction aux Méthodes de Monte Carlo Olivier François

Plus en détail

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7 Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques Elec 2311 : S7 1 Plan du cours Qu est-ce l optimisation? Comment l optimisation s intègre dans la conception?

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

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

Plus en détail

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Philippe Gagnepain Université Paris 1 Ecole d Economie de Paris Centre d économie de la Sorbonne-UG 4-Bureau 405 philippe.gagnepain@univ-paris1.fr

Plus en détail

Contributions de la statistique à la maîtrise de la qualité dans l industrie de la défense: de la conformité aux gains d avantages concurrentiels

Contributions de la statistique à la maîtrise de la qualité dans l industrie de la défense: de la conformité aux gains d avantages concurrentiels Photo : Sgt Norm McLean, Combat Camera - DND ref.: IS2013-0004-6464 Contributions de la statistique à la maîtrise de la qualité dans l industrie de la défense: de la conformité aux gains d avantages concurrentiels

Plus en détail

Simulation dynamique du trafic

Simulation dynamique du trafic Simulation dynamique du trafic Présentation au CETE Méditerranée le 15 JUIN 2007 Christine BUISSON LICIT Objectifs de la présentation Vous proposer une boite à outil minimale de questions à se poser pour

Plus en détail

COURS DE STATISTIQUES (24h)

COURS DE STATISTIQUES (24h) COURS DE STATISTIQUES (24h) Introduction Statistiques descriptives (4 h) Rappels de Probabilités (4 h) Echantillonnage(4 h) Estimation ponctuelle (6 h) Introduction aux tests (6 h) Qu est-ce que la statistique?

Plus en détail

Etude des propriétés empiriques du lasso par simulations

Etude 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 détail

Modèles à Événements Discrets. Réseaux de Petri Stochastiques

Modèles 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 détail

TERMES DE RÉFÉRENCE APPEL D OFFRES

TERMES DE RÉFÉRENCE APPEL D OFFRES TERMES DE RÉFÉRENCE APPEL D OFFRES CONTRAT DE COURTE DURÉE POUR UNE APPROCHE DE MODÉLISATION AUX FINS DE L'ÉLABORATION DE LA PRISE PAR TAILLE DES TROIS ESPÈCES PRINCIPALES DE THONIDÉS TROPICAUX (ALBACORE,

Plus en détail

L imbroglio des incertitudes et de la gouvernance dans la gestion thon rouge. Jean-Marc Fromentin

L imbroglio des incertitudes et de la gouvernance dans la gestion thon rouge. Jean-Marc Fromentin L imbroglio des incertitudes et de la gouvernance dans la gestion thon rouge Jean-Marc Fromentin 1. Une brève histoire de la surexploitation Importantes pêcheries depuis l Antiquité Exploitation sur 2

Plus en détail

Probabilités 5. Simulation de variables aléatoires

Probabilités 5. Simulation de variables aléatoires Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système

Plus en détail

La Décomposition de Domaine Appliquée à la réduction de bruit

La Décomposition de Domaine Appliquée à la réduction de bruit La Décomposition de Domaine Appliquée à la réduction de bruit Cadre général : réduction du bruit extérieur Panorama des difficultés et enjeux Un cahier des charges? isabelle.terrasse@eads.net eric.duceau@eads.net

Plus en détail

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique Télécom ParisTech, 09 mai 2012 http://www.mathematiquesappliquees.polytechnique.edu/ accueil/programmes/cycle-polytechnicien/annee-1/

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

Gestionnaire du Réseau de Transport d 'Electricité. La prévision de consommation d électricité à RTE

Gestionnaire du Réseau de Transport d 'Electricité. La prévision de consommation d électricité à RTE Gestionnaire du Réseau de Transport d 'Electricité La prévision de consommation d électricité à RTE 2 PLAN DE LA PRESENTATION RTE, le gestionnaire du réseau d électricité Présentation d une méthodologie

Plus en détail

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL La régression logistique Par Sonia NEJI et Anne-Hélène JIGOREL Introduction La régression logistique s applique au cas où: Y est qualitative à 2 modalités Xk qualitatives ou quantitatives Le plus souvent

Plus en détail

Dynamique des vues ego-centrées de la topologie de l internet : analyse et modélisation

Dynamique des vues ego-centrées de la topologie de l internet : analyse et modélisation C. Magnien Dynamique de la topologie de l internet 1/28 Dynamique des vues ego-centrées de la topologie de l internet : analyse et modélisation Clémence Magnien Amélie Medem, Fabien Tarissan, Sergey Kirgizov

Plus en détail

L essentiel sur les tests statistiques

L essentiel sur les tests statistiques L essentiel sur les tests statistiques 21 septembre 2014 2 Chapitre 1 Tests statistiques Nous considérerons deux exemples au long de ce chapitre. Abondance en C, G : On considère une séquence d ADN et

Plus en détail

Activités en FIabilité et MAintenance au sein de l équipe FIGAL du Laboratoire Jean Kuntzmann

Activités en FIabilité et MAintenance au sein de l équipe FIGAL du Laboratoire Jean Kuntzmann Activités en FIabilité et MAintenance au sein de l équipe FIGAL du Laboratoire Jean Kuntzmann Laurent Doyen Laboratoire Jean Kuntzmann (LJK) Département probabilités et statistique Equipe FIGAL LJK - Grenoble

Plus en détail

Provisionnement face au risque de défaut des emprunteurs

Provisionnement face au risque de défaut des emprunteurs Provisionnement face au risque de défaut des emprunteurs Geoffrey Nichil et Pierre Vallois Institut Elie Cartan de Lorraine. 6-11 Avril 2014 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face

Plus en détail

Introduction au datamining

Introduction 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 détail

Estimation et tests statistiques, TD 5. Solutions

Estimation et tests statistiques, TD 5. Solutions ISTIL, Tronc commun de première année Introduction aux méthodes probabilistes et statistiques, 2008 2009 Estimation et tests statistiques, TD 5. Solutions Exercice 1 Dans un centre avicole, des études

Plus en détail

Raisonnement probabiliste

Raisonnement probabiliste Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte

Plus en détail

Collection les mémentos finance dirigée par Jack FORGET. Gestion budgétaire. Prévoir et contrôler les activités de l entreprise.

Collection les mémentos finance dirigée par Jack FORGET. Gestion budgétaire. Prévoir et contrôler les activités de l entreprise. Collection les mémentos finance dirigée par Jack FORGET Gestion budgétaire Prévoir et contrôler les activités de l entreprise Jack FORGET Éditions d Organisation, 2005 ISBN : 2-7081-3251-2 Chapitre 3 Optimiser

Plus en détail

Analyses 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 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 détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

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

Plus en détail

La thématique Traitement Statistique de l Information à TL1

La thématique Traitement Statistique de l Information à TL1 La thématique Traitement Statistique de l Information à TL1 Equipe de recherche Thématique développée à TL1 par 3 enseignants-chercheurs : Yves Delignon, Christelle Garnier, François Septier Thématique

Plus en détail

Maxime Claprood. Institut national de la recherche scientifique, Centre ETE

Maxime Claprood. Institut national de la recherche scientifique, Centre ETE Intégration de données de sismique-réflexion par des méthodes géostatistiques Application pour la séquestration géologique du CO 2 dans les Basses-Terres du Saint-Laurent Maxime Claprood Institut national

Plus en détail

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014

STATISTIQUES. Cours I : Test d hypothèses. Télécom Physique Strasbourg Module 2101. Fabrice Heitz. Octobre 2014 Télécom Physique Strasbourg Module 2101 STATISTIQUES Cours I : Test d hypothèses Fabrice Heitz Octobre 2014 Fabrice Heitz (Télécom PS) Statistiques 2014 1 / 75 Cours I TESTS D HYPOTHÈSES Fabrice Heitz

Plus en détail

Modélisation des transports

Modélisation des transports Modélisation des transports Cinzia Cirillo, Eric Cornelis & Philippe TOINT D.E.S. interuniversitaire en gestion des transports Les Modèles de choix discrets Dr. CINZIA CIRILLO Facultés Universitaires Notre-Dame

Plus en détail

Intérêt du découpage en sous-bandes pour l analyse spectrale

Intérêt 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 détail

Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation

Health 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 détail

Estimation ultra haute fréquence de la volatilité et de la co-volatilité

Estimation ultra haute fréquence de la volatilité et de la co-volatilité Estimation ultra haute fréquence de la volatilité et de la co-volatilité Christian Y. Robert 1 et Mathieu Rosenbaum 2 1 CREST-ENSAE Paris Tech, 2 CMAP-École Polytechnique Paris Christian Y. Robert et Mathieu

Plus en détail

Quantification des Risques

Quantification 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 détail

Examen de Gestion des Risques Financiers

Examen de Gestion des Risques Financiers Examen de Gestion des Risques Financiers Thierry Roncalli 4 janvier 2012 Merci de rédiger entièrement vos réponses. 1 Les réglementations Bâle II et Bâle III 1. Quelles sont les principales différences

Plus en détail