$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU

Dimension: px
Commencer à balayer dès la page:

Download "$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU"

Transcription

1 $SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le cadre de la calibration moteur, des essais sur banc sont effectués afin de rechercher un réglage optimum apportant le meilleur compromis entre pollution, consommation et agrément de conduite. Le coût des mesures, la complexité des moteurs notamment Diesel et les contraintes de temps de mise au point de plus en plus serrées ont naturellement orienté les ingénieurs d essais vers la démarche plans d expériences et plus généralement encouragés le déploiement des méthodes statistiques adéquates. Pour cela, la méthode de génération de plan d expérience de type space-filling et de construction de modèle de Krigeage (ou Stochastic Model Process) avec erreur de mesure permettant de modéliser des comportements non linéaires des réponses (polluant, bruit interne moteur ) a été déployée. De plus, afin de d éviter quelques désagréables surprises en terme de capacité prédictive du modèle, cet article décrit les différentes étapes à suivre pour le rendre le plus robuste possible..h\:rugv.uljlqjprghovsdfhiloolqjghvljqydolgdwlrqsrlqwvsrzhuwudlqfdoleudwlrq $EVWUDFW For the powertrain calibration, test runs on a test bench are carried out to find the best settings that bring the best compromise between pollution, consumption and noise. Design of Experiment approach and more generally the deployment of the adequate statistics methods has been chosen by the test engineer because of the measurement cost, the increasing complexity of diesel engines and the time constraints of development. In this context, space filling design and Kriging model approach which allow to modelize nonlinear trends of pollutants was deployed. Furthermore, to avoid any model prediction s surprises, different steps are describes for keeping the assessing of the model as robust as possible.

2 0RGqOHGHNULJHDJHDYHFHUUHXUGHPHVXUH Le modèle de krigeage classique interpolant les mesures ne répond pas à la problématique de modélisation des mesures polluantes, en effet sur banc d essai, l erreur de mesure est non-négligeable. 'HVFULSWLRQGXPRGqOH Le modèle est de la forme : Y(x) = moyenne nulle. X(x) β Régression linéaire + Γ(x), Processus résiduel H[ où e(x) est un terme indépendant de Γ(x) de ;[E est la partie déterministe du modèle, on peut la choisir constante. *[ est un processus aléatoire, introduit pour tenir compte du résidu de l'approximation, il sert à corriger la prédiction en moyenne. Il permet de combler l écart systématique qui existe entre la réponse moyenne présumée (modélisée par la régression linéaire ou polynomiale) et les observations, et ainsi de tenir compte de l information locale autour du point de prédiction x. H[ est un terme d'erreur introduit pour prendre en compte l erreur de mesure du phénomène mesuré. Il est indépendant de Γ(x), tel que x [-1,1] d, u [-1,1] d. E [ e(x) ] = 0 HW cov( e(x),e(u) ) σe δ xu = C'est donc un modèle avec terme d'erreur qui intervient ici. Celui-ci est utilisé dans le cadre des expériences simulées, notamment par 6DFNV HW DO. (1989). Un prédicteur sans terme d'erreur interpole les observations, il va donc prédire la réponse d un simulateur et non pas le phénomène simulé. Or dans le contexte de modélisation de mesure de polluant le modèle en interpolation n est pas adapté. On introduit en fait une HUUHXUGHPHVXUH pour prédire le phénomène mesuré. )RUPXOHVGXPRGqOH&KULVWHQVHQ 6RLWOHSDUDPqWUH η FRY = σ σ e ( < [ < X ) RQGpILQLWDORUVODIRQFWLRQGHFRYDULDQFH ( + η 5 [X ) σ 1 = σ 9 [X = σ η 5 [X [ = X [ X 6LOHYHFWHXUGHVSDUDPqWUHVHVWHVWLPDEOHDORUVOHPHLOOHXUSUpGLFWHXUOLQpDLUHVDQVELDLVGH<[HVW GHODIRUPH < Ö Ö [ = ; [ β + η U [ 9 1 ( < ; Ö β ) x []

3 Ö 1 1 DYHF β = ( ;9 1 ; ) ;9 < OHVWLPDWHXUGH*DXVV0DUNRYGHβR9HVWODPDWULFHFDUUpHGRUGUH 1jpOpPHQWV9[ [ 3DUDPqWUHVGHFRUUpODWLRQ Il est possible d introduire un coefficient de corrélation à plusieurs dimensions. Dans le modèle de krigeage sans terme d erreur la fonction de corrélation ne dépendant que d un seul paramètre de corrélation T ( θ [ ) 5 ( [, X ) = exp [ X θ = exp X = 1 Il est possible d associer un paramètre de corrélation propre à chaque facteur (les TM) et de mettre la puissance de la valeur absolue comme paramètre variable (les ν j ) : (, ) = exp θ = 1 Il y a donc dans ce cas, ( * d) +1 paramètres à estimer &HVSDUDPqWUHVjHVWLPHUGpWHUPLQHODIRUPHGHODVXUIDFHGHUpSRQVHGXPRGqOH (VWLPDWLRQGHVSDUDPqWUHVGHFRUUpODWLRQGXPRGqOH Ces paramètres de corrélation sont estimés par maximum de vraisemblance. Il s agit de maximiser l expression suivante : Avec 3 9 ±9 ;; 9 ; ORJ_9_QORJ< 7 3 < ; 9 Cette maximisation est effectuée actuellement sous MATLAB par un algorithme d optimisation SQP (Sequential Quadratic Process). Le temps de calcul dépend bien sûr de la taille de la matrice d entrée. De plus un nombre important de facteur complexifie d autant plus la forme de la surface de réponse du maximum de vraisemblance, afin d éviter tant que possible les minimums locaux, plusieurs optimisation sont lancées successivement à partir de point de départ aléatoirement choisis dans l espace en d+1 dimensions. De plus il s agit d une optimisation sous contraintes car les paramètres θj,η² et ν j sont limités à certain domaine de variation considéré comme probable au vu du phénomène étudié. Des contraintes sur les paramètres θj et η² ainsi que pour les puissances ν j sont nécessaires durant l optimisation afin d éviter d obtenir un modèle proche de l interpolation.

4 ,PSRUWDQFHGHVYDOHXUVDEHUUDQWHVSRXUFHW\SHGHPRGqOH Ce type de modèle non-paramètrique étant très proche des points d essai, une mesure aberrante aura tendance à modifier de manière non négligeable la surface de réponse jusqu à la faire tendre vers un modèle en interpolation (sur-apprentissage du modèle) déformant ainsi de manière conséquente la surface de prédiction multidimensionnelle. Un travail important est donc à effectuer en amont de la modélisation par les personnes compétentes pour l interprétation des résultats des essais. Ce type d étape est sûrement moins fondamental lorsqu on utilise des méthodes des moindres carrés plus robustes aux valeurs aberrantes. Pour les mêmes raisons, une précaution particulière sur les essais répétés pour deux points de simulation très proches le prédicteur peut devenir très instable. /HVSODQVG H[SpULHQFHVVSDFHILOOLQJ Dans l optique d utiliser des modèles plus évolués, les plans SPACE-FILLING ont la particularité de minimiser le risque de laisser une partie du domaine expérimental non testée où la qualité du modèle est potentiellement plus faible. Le but de ces plans est de couvrir au maximum le domaine de variation des facteurs afin de trouver une prédiction la plus juste possible de la surface de réponse réelle et afin de tester par les essais toutes les parties de [-1,1] d. Ce type de plan peut permettre la compréhension de réponses ayant des comportements non-linéaires que les modèles polynomiaux ne font qu ajuster. Pour la génération de nos plans, nous avons utilisé deux types de plan space-filling : Les LATINS HYPERCUBES DESIGN (LHD) et les plans S-OPTIMUM Figure 1: Plan s-optimum obtenus (5 points et facteurs)

5 9DOLGDWLRQGXPRGqOH &KRL[GHVSRLQWVGHYDOLGDWLRQV Comment savoir si mon modèle est prédictif en dehors des points d essai? La méthode de validation croisée peut d avérer coûteuse pour ce type de modèle de plus, comme nous l avons dit précédemment, l intervalle de confiance du modèle de krigeage est très faible au voisinage des points d essai, il est donc indispensable de choisir des points de validations judicieusement choisis : )LJXUH: Plan s-optimum 5 points () et facteurs +10 points de validation () On construit dans le processus d essai une série de points de validation servant à mesurer sa capacité prédictive. Ces points de validations sont obtenus de manière à être le plus éloigner possible des points d essais dans l espace donc ce sont des points difficiles à prédire à priori. Un algorithme permet de tester une série de candidats et de sélectionner un nombre n de points les plus éloignés. Cette méthode est nécessaire mais pas suffisante car dépendante du nombre de points de validations dont peut disposer l utilisateur et de leur localisation. Il faut préciser que l estimation des paramètres du krigeage ne prend à aucun moment en compte ces points de validation mais se base uniquement sur la matrice de donnée initiale ce qui n est pas le cas lors de la construction d un réseau de neurone par exemple qui se base sur la qualité des prévisions sur un jeu de validation pour construire le modèle le plus performant. Si les prévisions du modèle sur le jeu de validation donnent satisfaction, celui-ci peut être concaténé à la matrice initiale d essai afin de construire un autre modèle de krigeage plus complet.

6 &RQFOXVLRQ La modélisation de phénomènes complexes par l intermédiaire d un modèle non-linéaire peut apporter une précision supplémentaire non négligeable. Le modèle de krigeage répond à cette spécificité et sa construction est relativement peu onéreuse comparée à d autres méthodes type Réseau de Neurone où la période d apprentissage peut s avérer coûteuse. Cependant afin de s assurer du meilleur ajustement possible, certaines précautions doivent être prises comme le choix de point de validation judicieusement disposé dans l espace expérimental afin de tester la capacité prédictive du modèle. Le post-traitement des essais est aussi une étape importante du processus et nécessite la compétence d un technicien ou d un ingénieur ayant toutes les compétences pour évaluer la pertinence des mesures. Si le coût des essais s avère trop important, l utilisation des plans d expériences VSDFH ILOOLQJV est conseillée, d autres plans plus classiques comme les D-optimaux seront moins efficaces car proposant plus de points au bord du domaine. La méthode proposée par Astrid Jourdan de commencer l approche par un plan en carré latin puis compléter si nécessaire l espace par d autres points d essai, peut-être un bon compromis. Le modèle de krigeage pour la modélisation et l optimisation des émissions polluantes sur moteur a été validée mais reste encore du ressort des statisticiens car difficile à mettre en œuvre par des non-spécialistes en statistique. Références bibliographiques «Analyse statistique et échantillonnage d'expériences simulées» A.JOURDAN «Designs for computer experiments» SACKS J., SCHILLER S.B., WELCH «Uniform Coverage Designs for Molecule Selection» WELCH WJ. «Algorithmic construction of optimal symmetric Latin hyper cube designs»

CONFERENCE PALISADE. Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design»

CONFERENCE PALISADE. Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design» CONFERENCE PALISADE Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design» 1 SIGMA PLUS Logiciels, Formations et Etudes Statistiques

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

K. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau

K. 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 détail

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.

TABLE 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 détail

TABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie

TABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be

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

Coup de Projecteur sur les Réseaux de Neurones

Coup de Projecteur sur les Réseaux de Neurones Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche

Plus en détail

Cours IFT6266, Exemple d application: Data-Mining

Cours IFT6266, Exemple d application: Data-Mining Cours IFT6266, Exemple d application: Data-Mining Voici un exemple du processus d application des algorithmes d apprentissage statistique dans un contexte d affaire, qu on appelle aussi data-mining. 1.

Plus en détail

Simulation Examen de Statistique Approfondie II **Corrigé **

Simulation Examen de Statistique Approfondie II **Corrigé ** Simulation Examen de Statistique Approfondie II **Corrigé ** Ces quatre exercices sont issus du livre d exercices de François Husson et de Jérôme Pagès intitulé Statistiques générales pour utilisateurs,

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage 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 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

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

MEDIAPLANNING & HYBRIDATION APPLIQUE A L INTERNET

MEDIAPLANNING & HYBRIDATION APPLIQUE A L INTERNET MEDIAPLANNING & HYBRIDATION APPLIQUE A L INTERNET MOBILE Gaël Crochet 1 & Gilles Santini 2 1 Médiamétrie, 70 rue Rivay, 92532 Levallois-Perret, France, gcrochet@mediametrie.fr 2 Vintco SARL, 8 rue Jean

Plus en détail

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation

Programme des épreuves des concours externes de recrutement des personnels techniques et administratifs de recherche et de formation Programme des épreuves des concours externes de recrutement des personnels E1 RECRUTEMENT DES ASSISTANTS INGENIEURS DE RECHERCHE ET DE FORMATION...2 E1.1 Gestionnaire de base de données...2 E1.2 Développeur

Plus en détail

Modélisation des marchés de matières premières

Modélisation des marchés de matières premières Modélisation des marchés de matières premières Louis MARGUERITTE Jean-Baptiste NESSI Institut des Actuaires Auditorium CNP Vendredi 10 Avril 2009 L. MARGUERITTE JB. NESSI Modélisation des marchés de matières

Plus en détail

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE

MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE Annexe MATHÉMATIQUES CYCLE TERMINAL DE LA SÉRIE ÉCONOMIQUE ET SOCIALE ET DE LA SÉRIE LITTERAIRE CLASSE DE PREMIÈRE L enseignement des mathématiques au collège et au lycée a pour but de donner à chaque

Plus en détail

Prise en compte de la stochasticité dans les modèles : optimisation robuste

Prise en compte de la stochasticité dans les modèles : optimisation robuste Prise en compte de la stochasticité dans les modèles : optimisation robuste Rodolphe Le Riche (CNRS & EMSE) & Victor Picheny (INRA) La Rochelle, 5/11/2014 Plan Introduction 1 Introduction 2 Formulations

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

«Cours Statistique et logiciel R»

«Cours Statistique et logiciel R» «Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire

Plus en détail

Livre blanc. Cartographie de débit de dose. Utilisez-vous la bonne méthode d interpolation?

Livre blanc. Cartographie de débit de dose. Utilisez-vous la bonne méthode d interpolation? Livre blanc Cartographie de débit de dose Utilisez-vous la bonne méthode d interpolation? Cartographie de débit de dose Utilisez-vous la bonne méthode d interpolation? Mettez en œuvre la méthode d interpolation

Plus en détail

IFP-OptiLab : un outil de calibration et d'analyse au service de la simulation 0D/1D des moteurs automobiles

IFP-OptiLab : un outil de calibration et d'analyse au service de la simulation 0D/1D des moteurs automobiles CO 2 maîtrisé Carburants diversifiés Véhicules économes Raffinage propre Réserves prolongées IFP-OptiLab : un outil de calibration et d'analyse au service de la simulation 0D/1D des moteurs automobiles

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

Propriétés des images numériques Contraintes sur l interprétation

Propriétés des images numériques Contraintes sur l interprétation Propriétés des images numériques Contraintes sur l interprétation M.LOUYS, Traitement d images et problèmes inverses Master Astrophysique, Observatoire de Strasbourg, 2013 Propriétés générales d une image

Plus en détail

Sujet 6: Dualité interpretations intuitives

Sujet 6: Dualité interpretations intuitives Sujet 6: Dualité interpretations intuitives MHT 423: Modélisation et optimisation Andrew J. Miller Dernière mise à jour: March 31, 2010 Dans ce sujet... 1 L analyse de sensibilité 2 1 L analyse de sensibilité

Plus en détail

Introduction aux Support Vector Machines (SVM)

Introduction aux Support Vector Machines (SVM) Introduction aux Support Vector Machines (SVM) Olivier Bousquet Centre de Mathématiques Appliquées Ecole Polytechnique, Palaiseau Orsay, 15 Novembre 2001 But de l exposé 2 Présenter les SVM Encourager

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

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

Description du module GENERATEUR rev.2 1. Rôle du module

Description du module GENERATEUR rev.2 1. Rôle du module Description du module GENERATEUR rev.2 1. Rôle du module Ce module doit implémenter un générateur de «points aléatoires» selon une répartition de densité donnée. Tout d abord, le générateur doit être initialisé

Plus en détail

Vision par ordinateur

Vision par ordinateur Vision par ordinateur Stéréoscopie par minimisation d'énergie Frédéric Devernay d'après le cours de Richard Szeliski Mise en correspondance stéréo Quels algorithmes possibles? mettre en correspondance

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

Chapitre 2: Prévisions des ventes

Chapitre 2: Prévisions des ventes Chapitre 2: Prévisions des ventes AVIS IMPORTANT : Ces notes sont basées sur le livre de Steven Nahmias : Production et Operations Analysis, 4 ième édition, McGraw-Hill Irwin 200. Les figures sont issues

Plus en détail

Publication IEC 61000-4-3 (Edition 3.0 2008) I-SH 01

Publication IEC 61000-4-3 (Edition 3.0 2008) I-SH 01 Publication IEC 61000-4-3 (Edition 3.0 2008) I-SH 01 Electromagnetic compatibility (EMC) Part 4-3: Testing and measurement techniques Radiated, radio-frequency, electromagnetic field immunity test INTERPRETATION

Plus en détail

Table des matières. Avant propos. Chapitre I NOTIONS SUR LES SYSTEMES

Table des matières. Avant propos. Chapitre I NOTIONS SUR LES SYSTEMES Table des matières Avant propos Chapitre I NOTIONS SUR LES SYSTEMES 1. Systèmes linéaires 1 2. Systèmes stationnaires 1 3. Systèmes continus 2 4. Systèmes linéaires invariants dans le temps (LIT) 2 4.1

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

Analyse de données et méthodes numériques

Analyse de données et méthodes numériques Analyse de données et méthodes numériques Analyse de données: Que faire avec un résultat? Comment le décrire? Comment l analyser? Quels sont les «modèles» mathématiques associés? Analyse de données et

Plus en détail

Chapitre 3 RÉGRESSION ET CORRÉLATION

Chapitre 3 RÉGRESSION ET CORRÉLATION Statistique appliquée à la gestion et au marketing http://foucart.thierry.free.fr/statpc Chapitre 3 RÉGRESSION ET CORRÉLATION La corrélation est une notion couramment utilisée dans toutes les applications

Plus en détail

Apprentissage statistique:

Apprentissage statistique: Apprentissage statistique: Arbre de décision binaire et Random Forest 1 Plan 1. Introduction 2. 3. Application à l apprentissage supervisé 4. Forêt Aléatoire (Random Forest) 2 1 Plan 1. Introduction 2.

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

CSMA 2013 11e Colloque National en Calcul des Structures 13-17 Mai 2013

CSMA 2013 11e Colloque National en Calcul des Structures 13-17 Mai 2013 CSMA 2013 11e Colloque National en Calcul des Structures 13-17 Mai 2013 La méthode CGSM pour l analyse statique des plaques avec variabilité Mahyunirsyah MAHJUDIN 1,2 *, Frédéric DRUESNE 1, Irwan KATILI

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

Optimisation de la performance. d un processus d usinage à commande numérique

Optimisation de la performance. d un processus d usinage à commande numérique Jacques ALEXIS 20 Novembre 2001 Optimisation de la performance d un processus d usinage à commande numérique 1 Exposé du problème à résoudre L exemple utilisé pour cette présentation a été présenté par

Plus en détail

Evaluation du potentiel de récupération d énergie à l échappement d un moteur TDI à l aide d un cycle de Rankine organique (ORC)

Evaluation du potentiel de récupération d énergie à l échappement d un moteur TDI à l aide d un cycle de Rankine organique (ORC) Evaluation du potentiel de récupération d énergie à l échappement d un moteur TDI à l aide d un cycle de Rankine organique (ORC) Sébastien DECLAYE 1*, Sylvain QUOILIN 1, Vincent LEMORT 1. 1 Laboratoire

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

Etude d un cas industriel : Optimisation de la modélisation de paramètre de production

Etude d un cas industriel : Optimisation de la modélisation de paramètre de production Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui

Plus en détail

Analyse et modélisation de visages

Analyse et modélisation de visages Analyse et modélisation de visages Pascal Bourdon Laboratoire XLIM-SIC (UMR CNRS 7252) / Université de Poitiers pascal.bourdon@univ-poitiers.fr Analyse et modélisation de visages Plan Introduction Outils

Plus en détail

CAPTEURS - CHAINES DE MESURES

CAPTEURS - 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 détail

ENSIIE - Intelligence Artificielle (RIIA) - 1er cours

ENSIIE - Intelligence Artificielle (RIIA) - 1er cours ENSIIE - Intelligence Artificielle (RIIA) - 1er cours Benjamin PIWOWARSKI 28 septembre 2015 Benjamin PIWOWARSKI IA - 1er cours 28 septembre 2015 1 / 53 Introduction Plan 1 Introduction 2 Définitions 3

Plus en détail

1998.02 Composition d un portefeuille optimal. Dinh Cung Dang

1998.02 Composition d un portefeuille optimal. Dinh Cung Dang 199802 Composition d un portefeuille optimal Dinh Cung Dang Docteur en gestion de l IAE de Paris Ingénieur Conseil Résumé : Dans ce travail, le risque est défini comme étant la probabilité de réaliser

Plus en détail

Session de rattachement : comment faire parler vos données géographiques?

Session de rattachement : comment faire parler vos données géographiques? Contributions pratiques d une géostatistique raisonnée en environnement : méthodes et application à la cartographie nationale de la pollution par l ozone en France Nicolas Jeannée, GEOVARIANCES 49bis av.

Plus en détail

MÉMOIRE DE THÈSE PROPOSÉ POUR L OBTENTION DU TITRE DE DOCTEUR L ÉCOLE CENTRALE DE LYON SPÉCIALITÉ MÉCANIQUE

MÉMOIRE DE THÈSE PROPOSÉ POUR L OBTENTION DU TITRE DE DOCTEUR L ÉCOLE CENTRALE DE LYON SPÉCIALITÉ MÉCANIQUE MÉMOIRE DE THÈSE PROPOSÉ POUR L OBTENTION DU TITRE DE DOCTEUR DE L ÉCOLE CENTRALE DE LYON SPÉCIALITÉ MÉCANIQUE ÉCOLE DOCTORALE DE MÉCANIQUE DE LYON (UCBL / INSA / ECL) PAR Kamila FLÍDROVÁ Contribution

Plus en détail

Méthodes d apprentissage :

Méthodes d apprentissage : Méthodes d apprentissage : application au tri de complexes protéines-protéines Jérôme Azé Apprentissage: tâches Apprentissage non supervisé (Eisen, ) Apprentissage supervisé (arbres de décision, k-ppv,

Plus en détail

Introduction au modèle linéaire général

Introduction au modèle linéaire général Résumé Introductions au modèle linéaire général Retour au plan du cours Travaux pratiques 1 Introduction L objet de ce chapitre est d introduire le cadre théorique global permettant de regrouper tous les

Plus en détail

ASSURER LA QUALITE DES RESULTATS D ESSAI ET D ETALONNAGE Assuring the quality of test and calibration results

ASSURER LA QUALITE DES RESULTATS D ESSAI ET D ETALONNAGE Assuring the quality of test and calibration results ASSURER LA QUALITE DES RESULTATS D ESSAI ET D ETALONNAGE Assuring the quality of test and calibration results Soraya Amarouche Armelle Picau Olivier Pierson Raphaël Deal Laboratoire National de Métrologie

Plus en détail

Approche bayésienne des modèles à équations structurelles

Approche bayésienne des modèles à équations structurelles Manuscrit auteur, publié dans "42èmes Journées de Statistique (2010)" Approche bayésienne des modèles à équations structurelles Séverine Demeyer 1,2 & Nicolas Fischer 1 & Gilbert Saporta 2 1 LNE, Laboratoire

Plus en détail

Introduction à l approche bootstrap

Introduction 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 détail

Quels usages des données massives pour les statistiques publiques? Enjeux, méthodes et perspectives

Quels usages des données massives pour les statistiques publiques? Enjeux, méthodes et perspectives Quels usages des données massives pour les statistiques publiques? Enjeux, méthodes et perspectives Stéphanie Combes et Pauline Givord (DMCSI) INSEE-DMSCI 02/04/2015 Plan Qu'est-ce que le Big Data? Les

Plus en détail

Vision par ordinateur : Un tour d horizon. Adrien Bartoli LASMEA CNRS/UBP Clermont-Ferrand

Vision par ordinateur : Un tour d horizon. Adrien Bartoli LASMEA CNRS/UBP Clermont-Ferrand Vision par ordinateur : Un tour d horizon Adrien Bartoli LASMEA CNRS/UBP Clermont-Ferrand Séance II : Panoramas en environnement déformable Panoramas en environnement rigide Représentation minimale d un

Plus en détail

MASTER «Sciences de la Vie et de la Santé» Mention «Santé Publique»

MASTER «Sciences de la Vie et de la Santé» Mention «Santé Publique» M1_presentation_generale_4juil05.doc 1/11 MASTER «Sciences de la Vie et de la Santé» Mention «Santé Publique» La mention s articule autour de 6 spécialités : Recherche en éthique : Pr Christian HERVE (herve@necker.fr)

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

Métaheuristique. Jérémy CHANUT Charles BALLARINI

Métaheuristique. Jérémy CHANUT Charles BALLARINI Métaheuristique Jérémy CHANUT Charles BALLARINI 15 octobre 2012 CHAPITRE 1 INTRODUCTION Ce projet consiste en la résolution du problème des composants électroniques par deux méthodes : Recuit simulé Algorithme

Plus en détail

Outils Statistiques du Data Mining

Outils Statistiques du Data Mining Outils Statistiques du Data Mining Pr Roch Giorgi roch.giorgi@univ-amu.fr SESSTIM, Faculté de Médecine, Aix-Marseille Université, Marseille, France http://sesstim-orspaca.org http://optim-sesstim.univ-amu.fr

Plus en détail

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques

Cours 7 : Exemples. I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Cours 7 : Exemples I- Régression linéaire simple II- Analyse de variance à 1 facteur III- Tests statistiques Exemple 1 : On cherche à expliquer les variations de y par celles d une fonction linéaire de

Plus en détail

Plans d expérience bayésiens: Que nous proposent Chaloner et Verdinelli?

Plans d expérience bayésiens: Que nous proposent Chaloner et Verdinelli? Plans d expérience bayésiens: Que nous proposent Chaloner et Verdinelli? Bayesian Experimental Design: A Review Statistical Science, Vol. 10, No. 3 Sophie Ancelet 1, 2 1 UMR 518 AgroParisTech/INRA, Département

Plus en détail

Cours de Master Recherche

Cours de Master Recherche Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 1 - Introduction Qu est-ce qu un

Plus en détail

Conditions d application des méthodes statistiques paramétriques :

Conditions d application des méthodes statistiques paramétriques : Conditions d application des méthodes statistiques paramétriques : applications sur ordinateur GLELE KAKAÏ R., SODJINOU E., FONTON N. Cotonou, Décembre 006 Conditions d application des méthodes statistiques

Plus en détail

Monitoring continu et gestion optimale des performances énergétiques des bâtiments

Monitoring continu et gestion optimale des performances énergétiques des bâtiments Monitoring continu et gestion optimale des performances énergétiques des bâtiments Alexandre Nassiopoulos et al. Journée d inauguration de Sense-City, 23/03/2015 Croissance de la demande énergétique et

Plus en détail

SOMMAIRE CHOIX DE LA METHODE D INTERPOLATION SPATIALE 3

SOMMAIRE CHOIX DE LA METHODE D INTERPOLATION SPATIALE 3 SOMMAIRE CHOIX DE LA METHODE D INTERPOLATION SPATIALE 3 CARTOGRAPHIE DES CHAMPS DE CONCENTRATION EN DIOXYDE D AZOTE (NO 2 ) ET EN BENZENE (C 6 H 6 ) - INTERPOLATION PAR KRIGEAGE ORDINAIRE MONOVARIABLE

Plus en détail

Optimisation des ressources des produits automobile première

Optimisation des ressources des produits automobile première EURIA EURo Optimisation produits automobile première Pauline PERROT promotion 2011 EURIA EURo 1 ère partie : contexte MMA (FFSA) MAAF (GEMA) SGAM : COVEA (AFA) GMF (GEMA) MMA : Plus 3 millions clients

Plus en détail

Reconstruction et Animation de Visage. Charlotte Ghys 15/06/07

Reconstruction et Animation de Visage. Charlotte Ghys 15/06/07 Reconstruction et Animation de Visage Charlotte Ghys 15/06/07 1 3ème année de thèse Contexte Thèse CIFRE financée par Orange/France Telecom R&D et supervisée par Nikos Paragios (Ecole Centrale Paris) et

Plus en détail

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6

Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Fouille de Données et Media Sociaux Cours 2 Master DAC Data Science UPMC - LIP6 Ludovic Denoyer 21 septembre 2015 Ludovic Denoyer () FDMS 21 septembre 2015 1 / 1 Contexte Observation La plupart des bonnes

Plus en détail

Transmission d informations sur le réseau électrique

Transmission d informations sur le réseau électrique Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en

Plus en détail

Séance 12: Algorithmes de Support Vector Machines

Séance 12: Algorithmes de Support Vector Machines Séance 12: Algorithmes de Support Vector Machines Laboratoire de Statistique et Probabilités UMR 5583 CNRS-UPS www.lsp.ups-tlse.fr/gadat Douzième partie XII Algorithmes de Support Vector Machines Principe

Plus en détail

ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring

ESSEC. 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 détail

1 FAITES CONNAISSANCE AVEC LA MÉTHODE DES PLANS D EXPÉRIENCES

1 FAITES CONNAISSANCE AVEC LA MÉTHODE DES PLANS D EXPÉRIENCES 1 FAITES CONNAISSANCE AVEC LA MÉTHODE DES PLANS D EXPÉRIENCES Si vous lisez ce livre c est que, probablement, vous faites des expériences et que vous cherchez à mieux les organiser. Vous cherchez surtout

Plus en détail

PJE : Analyse de comportements avec Twitter Classification supervisée

PJE : Analyse de comportements avec Twitter Classification supervisée PJE : Analyse de comportements avec Twitter Classification supervisée Arnaud Liefooghe arnaud.liefooghe@univ-lille1.fr Master 1 Informatique PJE2 2015-16 B. Derbel L. Jourdan A. Liefooghe 1 2 Agenda Partie

Plus en détail

Reconnaissance des formes : Classement d ensembles d objets

Reconnaissance des formes : Classement d ensembles d objets Reconnaissance des formes : Classement d ensembles d objets Données Méthodes Extraction de connaissances Applications Expertise Apprentissage Bernard FERTIL Directeur de Recherche CNRS Équipe LXAO, UMR

Plus en détail

Eléments de statistique Introduction - Analyse de données exploratoire

Eléments de statistique Introduction - Analyse de données exploratoire Eléments de statistique Introduction - Louis Wehenkel Département d Electricité, Electronique et Informatique - Université de Liège B24/II.93 - L.Wehenkel@ulg.ac.be MATH0487-2 : 3BacIng, 3BacInf - 16/9/2014

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

Méthodes d apprentissage statistique («Machine Learning»)

Méthodes d apprentissage statistique («Machine Learning») Méthodes d apprentissage statistique («Machine Learning») Journées d Etudes IARD Niort, 21 Mars 2014 Fabrice TAILLIEU Sébastien DELUCINGE Rémi BELLINA 2014 Milliman. All rights reserved Sommaire Introduction

Plus en détail

Comment choisir sa pizza? Test A/B. Comment choisir sa pizza? Comment choisir sa pizza? Difficulté de l évaluation. De manière plus sérieuse...

Comment choisir sa pizza? Test A/B. Comment choisir sa pizza? Comment choisir sa pizza? Difficulté de l évaluation. De manière plus sérieuse... Comment choisir sa pizza? Test A/B Introduction à l apprentissage par renforcement Guillaume Wisniewski guillaume.wisniewski@limsi.fr Université Paris Sud LIMSI J aime beaucoup les «4 Est-ce que je dois

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

L élaboration des données de comptabilité annuelle et l analyse économique

L élaboration des données de comptabilité annuelle et l analyse économique L élaboration des données de comptabilité annuelle et l analyse économique Stéphane Gregoir (stephane.gregoir@edhec.edu) Juin 2008 Objectifs Illustrer quelques uns des problèmes que l on peut rencontrer

Plus en détail

Product Platform Development: A Functional Approach Considering Customer Preferences

Product Platform Development: A Functional Approach Considering Customer Preferences Product Platform Development: A Functional Approach Considering Customer Preferences THÈSE N O 4536 (2009) PRÉSENTÉE le 4 décembre 2009 À LA FACULTé SCIENCES ET TECHNIQUES DE L'INGÉNIEUR LABORATOIRE DES

Plus en détail

Une comparaison de méthodes de discrimination des masses de véhicules automobiles

Une comparaison de méthodes de discrimination des masses de véhicules automobiles p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans

Plus en détail

J. Franco *1, O. Vasseur 2, B. Corre 1, M. Sergent 3. Communication orale 1. INTRODUCTION

J. Franco *1, O. Vasseur 2, B. Corre 1, M. Sergent 3. Communication orale 1. INTRODUCTION Un nouveau critère basé sur les arbres de longueur minimale pour déterminer la qualité de la répartition spatiale des points d un plan d expériences numériques en phase exploratoire. J. Franco *1, O. Vasseur

Plus en détail

LOAD PROFILING : ESTIMATION D UNE COURBE DE CONSOMMATION ET PRECISION D ESTIMATION

LOAD PROFILING : ESTIMATION D UNE COURBE DE CONSOMMATION ET PRECISION D ESTIMATION LOAD PROFILING : ESTIMATION D UNE COURBE DE CONSOMMATION ET PRECISION D ESTIMATION Olivier Chaouy EDF R&D 1, avenue du Général de Gaulle - 92141 Clamart Cedex - France olivier.chaouy@edf.fr Résumé : Le

Plus en détail

Précision d un résultat et calculs d incertitudes

Précision 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 détail

Information quantique

Information quantique Information quantique J.M. Raimond LKB, Juin 2009 1 Le XX ème siècle fut celui de la mécanique quantique L exploration du monde microscopique a été la grande aventure scientifique du siècle dernier. La

Plus en détail

RAPPORT SUR L ETUDE DES DONNEES FINANCIERES ET STATISTIQUES A L AIDE DU LOGICIEL SCILAB

RAPPORT SUR L ETUDE DES DONNEES FINANCIERES ET STATISTIQUES A L AIDE DU LOGICIEL SCILAB RAPPORT SUR L ETUDE DES DONNEES FINANCIERES ET STATISTIQUES A L AIDE DU LOGICIEL SCILAB PAR : MAROOF ASIM DAN BENTOLILA WISSAM ESSID GROUPE 1 LM206 Lundi 10H45 INTRODUCTION : ( Ce rapport est un compte

Plus en détail

Support Vector Machines

Support Vector Machines Support Vector Machines Séparateurs à vaste marge Arnaud Revel revel.arnaud@gmail.com Plan 1 Introduction 2 Formalisation 3 Utilisation des noyaux 4 Cas multi-classes 5 Applications des SVM 6 Bibliographie

Plus en détail

Données biologiques haut-débit :

Données biologiques haut-débit : Données biologiques haut-débit : problèmes méthodologiques liés à la dimension et utilisation des algorithmes génétiques Christelle REYNES EA 2415 Epidémiologie, Biostatistique et Santé Publique Université

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

Prévision de la demande pour la planification efficace des effectifs"

Prévision de la demande pour la planification efficace des effectifs Prévision de la demande pour la planification efficace des effectifs" Nicolas Chapados, Ph.D., CFA Directeur, modélisation statistique ApSTAT Technologies Inc." "Améliorer la satisfaction des employés"

Plus en détail

Sujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante.

Sujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante. Sujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante. Objectifs et formulation du sujet Le syndrome de l apnée du sommeil (SAS) est un problème de santé publique

Plus en détail

Régression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr

Régression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R

Plus en détail

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Gilbert Saporta Chaire de Statistique Appliquée, CNAM ActuariaCnam, 31 mai 2012 1 L approche statistique

Plus en détail

Voiture T2M autonome. ARCHER Thomas JAUREGUI Ulyxe LEPROUST Amanda

Voiture T2M autonome. ARCHER Thomas JAUREGUI Ulyxe LEPROUST Amanda Voiture T2M autonome ARCHER Thomas JAUREGUI Ulyxe LEPROUST Amanda encadrés par Oriane AUBERT et Pascal ROGER Lycée Gaston Monnerville KOUROU Olympiades de Sciences de l Ingénieur 2015 Académie de Guyane

Plus en détail

Intérêt énergétique de l utilisation de matériaux à changement de phase (MCP) dans un chauffe-eau utilisant une source d énergie électrique

Intérêt énergétique de l utilisation de matériaux à changement de phase (MCP) dans un chauffe-eau utilisant une source d énergie électrique Intérêt énergétique de l utilisation de matériaux à changement de phase (MCP) dans un chauffe-eau utilisant une source d énergie électrique Stéphane GIBOUT*, Erwin FRANQUET, Jean CASTAING-LASVIGNOTTES,

Plus en détail

Comment ne pas construire un score-titanic

Comment ne pas construire un score-titanic Comment ne pas construire un score-titanic Mon mailing Olivier Decourt ABS Technologies / Educasoft Formations 1- Les principes 2- Un premier exemple : les vins de France 3- Mise en œuvre sous SAS 4- Un

Plus en détail