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

Dimension: px
Commencer à balayer dès la page:

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

Transcription

1 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 3, F. Dugardin 4 1,3,4 Institut Charles Delaunay, LOSI, Université de Technologie de Troyes, 12 rue Marie Curie, BP 2060, Troyes Cedex, France, {andres.bernate_lara 1, farouk.yalaoui 3,frederic.dugardin 4 2 OSIRIS, Groupe SOUFFLET, rue de la Poterne à Sel, Nogent sur Seine, France, Résumé- L utilisation de modèles prédictifs est très courante dans les industries biochimiques principalement carleurs processus de production incluent des réactions chimiques qui parfois ne peuvent pas être complétement contrôlés. Cet article propose une méthodologie pour la construction d un modèle prédictif efficace pour un cas réel. Mots clefs Modèle mathématique, métaheuristique, modèle prédictif, production biochimique, cas appliqué Abstract Using predictive model is acommon activity in biochemical industries, basically due to the complexity of the production process that includes chemical reactions which parameters are not alwayscontrolled. This article proposes a predictive construction efficient model method applied to a real case. Key words Mathematical model, metaheuristic, predictive model, biochemical production, applied case I. INTRODUCTION Cet article traite du problème de la création et l amélioration d un modèle prédictif à utiliser pour l estimationde la valeur d un paramètre de production difficile à mesurer. Cette étude a été effectuée sur un cas réel, dans une industrie biochimique. Ce type d industrie est caractérisé par le fait que, outrequelques réactions chimiques connues, un nombre important de paramètres ne sont pas suivis, soit parce qu ils sont difficilesà mesurer, soit parce que leur impact sur le rendement du produit est inconnue [3].Différentes procédures sont instaurées pour contrôler et suivre certains paramètres, mais pour ceux qui n ont pas une procédure définie, une estimation est souvent utilisée. L objectif de cette étude est de fournir un modèle d estimation pour un paramètre qui ne peut pas être mesuré en temps réel et dont la variation influesur le rendement de la production d un produit biochimique. Ce modèle est construit à partir d un historique de données qui ont été collectées pendant plus de 2 ans. Cet article est construit d après les sections suivantes : dans la deuxième partie, les données sont caractérisées et répertoriées. Ensuite, le modèle est défini, et une méthodologie de construction est proposée, en expliquant ses points fondamentaux. Une deuxième méthode est introduite. Cela est une méthode classique mais elle sert comme point de comparaison. Les résultats et les conclusions finissent l article. II. LA COLLECTE DES DONNEES Deux types de données sont à considérer. Les deux données sont des variables mesurées sur le système de production. La première variable est un paramètre qui 25

2 A.F. Bernate Lara, F. Entzmann, F. Yalaoui, F. Dugardin est contrôlé selon une politique qui est propre au système de production. Cette variable est mesurée sans aucune difficulté particulière. Elle est donc vérifiée régulièrement. Dans le cas de cette étude nous considérons qu elle est maîtrisée. Nous l appellerons désormais «variable indépendante». Chaque mesure de cette variable est composée d une série de points. Un vecteur est utilisé pour représenter les valeurs de cette variable. =,,,,,,,, (1) L équation (1) montre l exemple d un vecteur de la variable indépendante, avec n le nombre de points par mesure, et, le point j du vecteur (ou mesure) i. La deuxième variable est un paramètre de production qui n est peut pas être contrôlé directement, mais qui varie en fonction d autres paramètres. Mesurer cette variable est difficile et nécessite de longs temps de traitement. La lenteur de la mesure de ce paramètre, empêche de maîtriser ce paramètre qui a une influence importante sur la qualité du produit final. Désormais, nous appellerons cette variable «variable dépendante». Ce paramètre est mesuré avec une seule valeur. Cette variable sera représentée par, avec i l identifiant de la mesure. Les données seront donc représentées par ces deux types de variables. Les deux paramètres sont mesurés sur le même échantillon. Le modèle prédictif doit prendre chaque vecteur de la variable indépendante, et lui associer une valeur estimée de la variable dépendante, la plus proche de la valeur réelle. = i (2) III. MODELE MATHEMATIQUE Le modèle prédictif cherché est un modèle linéaire qui permet, à partir des variables indépendantes, d estimer une valeur pour le paramètre que nous souhaitons contrôler. Le choix de ce modèle a été influencé par le fait que nous disposons d un grand nombre de variables indépendantes pour calculer une seule valeur du paramètre étudié. Ce nombre de variables est accompagné d un nombre aussi important de données historiques. =, +, +, + +, (3) Historiquement, des méthodes de classement sont utilisées, [2]pour estimer la valeur par rapport aux similitudes avec des ensembles de données pour lesquelles nous connaissons la valeur du paramètre étudié. Pour réduire l impact du bruit présent dans les données utilisées dans la modélisation, des méthodes du type réseau neuronal sont souvent utilisées [4]. IV. METHODEDE CONSTRUCTION DU MODELE MATHEMATIQUE BLYD Pour contrôler le bruit présent sur les données historiques, et ainsi réduire son effet sur le modèle mathématique cherché, nous proposons une méthodologie qui fonctionne sur le principe de sélection des données. Nous appellerons cette méthode BLYD. Pour notre méthodologie, nous partons de l hypothèse que le bruit vient de certaines données.par conséquent si nous ne prenons pas en compte ces données dans la modélisation, nous arriverons à construire un modèle mathématique plus Etude d un cas industriel : Optimisation de la modélisation de paramètre de production 26

3 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production efficace. Cela se réduit à ne pas prendre en compte certaines données et construire un modèle mathématique avec les données restantes. Nous fixons la taille des ensembles de modélisation et des données écartées selon le paramètretaux de modélisation. Ce taux indique le pourcentage des données à utiliser dans la construction du modèle.les données restantes ne sont pas prises en compte.le taux de modélisation peut varier. Il représente la quantité de données qui doivent être prises pour le modèle. Etant donné que l information dont nous disposons ne nous permet pas d identifier quelles sont les données les plus affectées par le bruit, et que le nombre de données est assez important, notre méthodologie cherche d une manière heuristique à identifier les données à ignorer. Cela se traduit par une recherche combinatoire dont l objectif est de trouver l ensemble des données qui produit le modèle le plus efficace. La méthodologie heuristique proposée est construite sur le principe des algorithmes génétiques, lesquels ont été utilisés pour résoudre ce type de problèmes combinatoires. Cette métaheuristique a montré de bons résultats dans la résolution des problèmes industriels comme [1]. Les algorithmes génétiques sont des méthodes fondés sur le principe de la sélection naturelle, qui indique que pour un ensemble d individus, ceux qui ont les meilleures caractéristiques pour survivre, ont plus de chances de passer leurs gènes pour la génération suivante. Ainsi, après la fin des générations, normalement les éléments qui restent ont les meilleures caractéristiques pour survivre. L application de ce principe sur notre cas, se traduit par le fait que nous arrivons à identifier, après un nombre de générations définis, les données qui sont les moins affectées par le bruit, qui engendrent donc un modèle efficace. Les éléments fondamentaux de la méthodologie des algorithmes génétiques sont décrits ci-après. 1. Représentation de la solution Dans le cas de cette étude, nous avons choisi d utiliser un vecteur binaire lequel permet la construction de la solution complète sans risque d ambigüité. Le vecteur binaire nous fournit les informations sur quelles sont les données (ou échantillons) que nous devons utiliser dans la modélisation, et quelles sont celles que nous devons ignorer. Un exemple de la représentation utilisée est dans la Figure 1. Ce vecteur indique avec un 1 si la donnée correspondante doit être utilisée dans la modélisation ou 0 sinon. Les données sont rangées par rapport à leurs identifiants, qui est un numéro entier croissent. Le nombre de données (ou échantillons) sélectionnées pour la construction du modèle doit correspondre à la valeur donnée par le Taux de modélisation fixé. 2. Population initiale Les algorithmes génétiques partent d un ensemble de solutions initialesque nous appellerons population initiale. Cet ensemble doit être le plus représentatif possible pour ne pas biaiser la recherche de solutions. Nous utilisons une méthode aléatoire pour construire la population initiale. Nous imposons la contrainte que toutes les données doivent être sélectionnées au moins dans une des solutions de la population initiale.enfin, la méthodologie aléatoire est construite sur une distribution uniforme. A.F. Bernate Lara, F. Entzmann, F. Yalaoui, F. Dugardin 27

4 A.F. Bernate Lara, F. Entzmann, F. Yalaoui, F. Dugardin Afin que les solutions soient valides, chacune doit sélectionner une seule fois le même vecteur de variables indépendantes. Une deuxième condition donne le nombre de 1 dans chaque vecteur. Cette valeur est donnée par le taux de modélisation. Id. Donnée Valeur binaire Données à prendre pour la calibration du modèle Fig. 1. Exemple de représentation de la solution 3. Croisement et mutation A partir des données initiales, nous devons trouver de nouveaux individus (des nouvelles solutions). Pour cela, nous utilisons les deux types de mouvements utilisés normalement pour les algorithmes génétiques : le croisement et la mutation. Le croisement suppose qu en accouplant deux bonnes solutions, nous devons obtenir une nouvelle solution, qui a de fortes chances d être meilleure que ses prédécesseurs. Un opérateur de croisement doit être défini pour structurer la manière d accoupler les deux solutions sources, que nous appellerons «parents».la procédure de croisement est décrite ci-dessous: - Sélection des parents : les parents sont choisis par rapport à sa fonction de performance (expliquée après). - Couplage à un point : la structure de la représentation de la solution nous permet de réaliser l accouplement avec un seul point. Ce point d intersection est choisi aléatoirement. Le nouveau élément est constitué des gènes du parent 1 jusqu au point d intersection. Le nouvel individu est complété avec les gènes du parent 2 à partir du point d intersection. - Correction de la solution : dans le cas où la nouvelle solution ne soit pas faisable, nous effectuons un procédé pour la corriger de manière aléatoire. Un exemple d application est donné dans la Fig. 2, pour un problème avec 9 échantillons, parmi lesquels 5 sélectionnés pour la construction du modèle mathématique. La Fig. 2 n inclut pas le processus de correction qui rend la solution faisable. L objectif du croisement est d intensifier la recherche sur les solutions qui ont montré de bonnes performances. La mutation cherche à créer des nouvelles solutions en introduisant des nouveaux gènes. Un opérateur doit être aussi défini pour effectuer la mutation. L objectif est de diversifier la population. La procédure pour effectuer la mutation est décrite ci-dessous: Etude d un cas industriel : Optimisation de la modélisation de paramètre de production 28

5 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production - Sélection des parents : les parents sont choisis par rapport à sa fonction de performance (expliquée après). - Mutation sur intervalle : la mutation par intervalle cherche à définir un intervalle pour modifier les valeurs de la solution parent. Deux valeurs sont trouvées aléatoirement, la première donne le premier point de cet intervalle; la deuxième sa fin. Les éléments compris entre ces deux points sont échangés. Fig. 2. Exemple de l opérateur de croisement La Fig. 3 donne un exemple d application de l opérateur de mutation pour un cas avec 9 échantillons disponibles et 5 échantillons à utiliser pour modéliser. Fig. 3. Exemple de l opérateur de mutation Les opérateurs de croisement et mutation ont été choisis par sa facilité d application et ses performances pour créer de nouveaux individus. 4. Evaluation de la solution Les solutions de la population initiale comme celles créées avec le croisement et la mutation sont évaluées. Cette évaluation consiste à trouver un modèle mathématique et à calculer un indicateur de performance. Le modèle mathématique est créé avec une méthode de minimisation de l erreur carré, comme il est décrit sur équation (4), avec p le nombre total de vecteurs de variables indépendantes. ( i ) (4) i =, (5) La solution du système de p équations est le vecteur des coefficients, qui est composé des différents coefficients de l équation (3). Etant donné que le nombre de données est plus grande que nombre de coefficients, cesystème d équations peut être résolu avec l équation (6). = ( ) (6) A.F. Bernate Lara, F. Entzmann, F. Yalaoui, F. Dugardin 29

6 A.F. Bernate Lara, F. Entzmann, F. Yalaoui, F. Dugardin L équation (6) est composée des termes, et, qui sont respectivement la matrice des vecteurs sélectionnés pour construire le modèle, la matrice transposée de X, et le vecteur des valeurs réelles des données sélectionnées pour la modélisation. 5. Sélection des parents Pour sélectionner les parents qui vont engendrer des nouvelles solutions, nous utilisons la méthode sélection de la roulette de sélection. Ainsi, chaque élément de la population de parents est associé à une probabilité de sélection. Plus le parent est performant, plus il aura de chances d être sélectionné pour engendrer un ou plusieurs éléments de la génération suivante. La probabilité de sélection est calculée avec la performance trouvée lors de l évaluation de la solution. = ( ( i ) (7) = 1 (8) Où ( ) i est la valeur estimée pour la mesure i avec le modèle trouvé selon la solution k. Les parents sont sélectionnés avec un numéro aléatoire entre 0 et la valeur maximal des probabilités accumulées. Pour le croisement, la sélection de parents est contrainte de donner deux parents différents. 6. Critère d arrêt L algorithme génétique a été construit avec deux critères d arrêt : le nombre de générations et le temps depuis la dernière solution qui a amélioré le critère de performance. La méthode proposée cherche l ensemble de données qui minimise la somme des erreurs carrées sur toutes les données disponibles (même celles qui n ont pas été prises pour la construction du modèle). V. METHODE CONSTRUCTION DU MODELE PAR MINIMISATION DE L ERREUR CARREE SIMPLE Une deuxième méthodologie de solution est proposée. L objectif est de comparer les performances de la méthode BLYD avec cette méthode. La minimisation de l erreur carrée simple, utilise toutes les données disponibles pour en construire un modèle mathématique, en effectuant une minimisation de l erreur carrée. = ( ) (9) Cette méthode utilise une matrice X qui a la même forme que celle utilisé par la méthode BLYD, mais qui est composée de toutes les données disponibles. VI. METHODE D EVALUATION DES MODELES L objectif de cet article est de fournir une méthodologie pour construire un modèle prédictif, c est-à-dire d un modèle qui peut calculer une valeur estimée pour le paramètre étudié même sur des mesures d échantillons différentsde ceux utilisées pour la construction du modèle. Etude d un cas industriel : Optimisation de la modélisation de paramètre de production 30

7 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production Pour assurer une performance maximale lors de la prédiction de la valeur du paramètre étudié, le modèle prédictif construit avec la méthode BLYD a été testée sur des échantillons inconnus par la méthode. Idem pour le model construit avec la méthode simple décrite dans la section V. VII. TESTS ET RESULTATS Les deux méthodologies proposées ont été programmées sur le langage de programmation orienté objet PYTHON. Les tests ont été effectués sur un ordinateur portable sur la plateforme Windows 7, avec un processeur Intel i5 et 4 gigaoctet de RAM. Les données utilisées pour les tests sont des valeurs réelles prises sur deux processus de contrôle du système de production. Les variables indépendantes sont le résultat d une analyse de l empreinte biologique des échantillons de contrôle. La variable dépendante est issue de l analyse d une caractéristique physique de l échantillon qui nécessite des long temps de préparation pour être mesurée. L impact d ignorer la valeur de cette variable lors de la production, est très significatif. Au total nous disposons de 757 échantillons. Le nombre de variables indépendantes par échantillon n varie entre 100 et 300, selon la précision souhaitée de la mesure de cette variable. L impact du nombre de variables indépendantes par échantillon est montré dans les résultats. Un coefficient est ajouté dans l algorithme BLYD pour éviter les matrices singulières. L équation (6) est donc remplacé par : = ( + ) (10) Empiriquement nous avons fixé la valeur de à La méthode BLYD a été paramétrée selon le Tableau 1.Ces paramètres ont été établis dès le début de la programmation. Tableau 1. Paramètres de l algorithme BLYD D autres opérateurs de croisement et de mutation ont été testés sans aucune amélioration. Des méthodes alternatives à la phase de correction ont été aussi A.F. Bernate Lara, F. Entzmann, F. Yalaoui, F. Dugardin 31

8 A.F. Bernate Lara, F. Entzmann, F. Yalaoui, F. Dugardin testées. L objectif étant de réduire le temps de résolution, les nouveaux individus ont été construit sans avoir risque de trouver des solutions infaisables. Trois indicateurs ont été choisis pour sélectionner la meilleure configuration et améliorer les résultats donnés par la méthode de minimisation de l erreur carrée. Ces indicateurs ont été mesurés sur les deux ensembles de données décrits dans la section VI. Parmi les 757 données, 80% ont été utilisés par les méthodologies de construction, tandis que les 20% restant composent l ensemble d évaluation de prédiction. A. Somme des erreurs carrées Nous utilisons le même critère de performance que celui utilisé pendant la phase d optimisation de l algorithme BLYD, la somme des erreurs carrées. Deux valeurs peuvent être ainsi calculées, chacun sur l un des deux ensembles de données proposés dans la section VI. Le premier sur l ensemble utilisé pour la construction du modèle. Le deuxième critère est calculé sur les données restantes. Nous ferons référence à l erreur carrée avec (80%)ou (20%). B. Coefficient de corrélation de Pearson Le coefficient de corrélation de Pearson est le coefficient le plus souvent utilisé. Il est calculé avec l équation (11) : ( ) =, = (, ) (11) Cette équation donne une valeur à la relation entre les valeurs réelles de la variable indépendante et les valeurs estimées sur l ensemble de données. Ce coefficient est calculé sur les deux ensemble des données décrits (80%)et (20%). C. Erreur maximale absolue Sur l ensemble de données utilisées dans la modélisation, nous calculons l erreur maximale commise. Nous pouvons également calculer cette même valeur pour l ensemble d évaluation de la prédiction des modèles. Ainsi deux indicateurs sont fournis (80%)et (20%). ( ) = i (12) Le Tableau 2 montre les résultats obtenus par rapport aux indicateurs expliqués auparavant.. Trois valeurs sont proposées pour le Taux de modélisation de l algorithme BLYD : 0.8, 0.9 et 0.95.De ce fait, le pourcentage d échantillons à ignorer est donc 20%, 10% et 5%. Trois nombre de variables n sont testés : 100, 200 et 300. Ce tableau montre que la méthode BLYD obtient les meilleurs résultats en utilisant le taux de modélisation égal à 0.8. C est-à-dire, 20% des données disponibles pour la modélisation ont été identifiées comme en étant très affectées par le bruit, et donc elles n ont pas été prises pour la construction du modèle prédictif. Le Tableau 3 donne les résultats de la méthode de minimisation de l erreur carrée simple. Ces tests ont été effectués sur les mêmes instances que pour la méthode BLYD. Le nombre de variables n a également varié entre les valeurs définies (100, 200 et 300). Etude d un cas industriel : Optimisation de la modélisation de paramètre de production 32

9 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production Nombre de variables TABLEAU 2. RESULTATS POUR LA METHODE BLYD Taux de modelisation Indicateur 0,8 0,9 0,95 0,8323 0,8318 0,8323 0,8451 0,8463 0, , , , , , ,27 10,72 10,66 10,6 8,57 8,76 8,59 0,855 0,8551 0,8553 0,8295 0,8278 0, , , , , , ,39 10,47 10,9 10,73 11,22 11,42 11,34 0,8683 0,869 0,8697 0,8314 0,8286 0, ,2 4975, , , , ,16 10,99 11,02 10,34 10,18 11,02 11,21 TABLEAU 3 : RESULTATS POUR LA METHODE DE MINIMISATION DE L ERREUR CARREE Indicateur Méthode simple 0,8522 0, , ,53 9,73 9,24 0,8974 0, , ,63 9,78 13,24 0,9256 0, , ,24 8,36 18,18 Nombre de variables A.F. Bernate Lara, F. Entzmann, F. Yalaoui, F. Dugardin 33

10 A.F. Bernate Lara, F. Entzmann, F. Yalaoui, F. Dugardin Parmi les indicateurs de performance évalués, ceux calculés sur les données qui n ont pas été pris pour la construction du modèle (les 20%), qualifient les performances d estimation du modèle. L analyse de ces indicateurs montre que la méthode BLYD donne des estimations plus proches de la réalité que la méthode de minimisation de l erreur carrée. De la même manière, pour les données testées, les indicateurs montrent que le nombre de variables par échantillon n a pas une influence significative. VIII. CONCLUSION L objectif de cet article est de présenter une méthodologie pour rendre plus efficace un modèle prédictif de données pour un paramètre qui ne peut pas être mesuré ou contrôlé directement. La méthodologie présentée donne de bons résultats lors de l évaluation sur des données qui n ont pas été prises lors de la phase de modélisation, par rapport à la méthode simple de minimisation de l erreur carrée. Les résultats ne nous permettent pas de définir avec exactitude quel est le «taux de modélisation» le plus efficace. En revanche, les résultats montrent que sur les indicateurs de performances mesurés sur l ensemble 20%, la méthode BLYD donne des résultats plus proches de la réalité que la méthode de minimisation de l erreur carrée. IX. REFERENCES [1] F. Dugardin& L. Amodeo& F. Yalaoui, Fuzzy Lorenz ant colony system to solve multiobjective reentrant hybrideflowshop scheduling problem, International Conference on Communications, Computing and Control Applications, CCCA 2011 [2] A. K. Jain & M. N. Murthy & P. J. Flynn, Data Clustering: a review, ACM Computing Surveys (CSUR), vol. 31, no. 3, Septembre 1991, [3] K. Koutroumpas& E Cinquemani& P. Kouretas & J. Lugeros, Parameter identification for stochastic hybrid systems using randomized optimization: A case study on subtilin production by Basillussubtilis, Nonlinear Analysis: Hybrid Systems, vol. 2, no. 3, Août 2008, [4] M. Paliwal& U. A. Kumar, Neural networks and statistical techniques: A review of applications, Expert Systems with Applications, vol. 36, no. 1, Janvier 2009, Etude d un cas industriel : Optimisation de la modélisation de paramètre de production 34

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

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 1. L algorithme génétique

Chapitre 1. L algorithme génétique Chapitre 1 L algorithme génétique L algorithme génétique (AG) est un algorithme de recherche basé sur les mécanismes de la sélection naturelle et de la génétique. Il combine une stratégie de survie des

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable

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

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

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce Année 2007-2008 Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce B. Monsuez Projet informatique «Voyageur de commerce» Résolution

Plus en détail

Résolution d équations non linéaires

Résolution d équations non linéaires Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique

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

Document d orientation sur les allégations issues d essais de non-infériorité

Document d orientation sur les allégations issues d essais de non-infériorité Document d orientation sur les allégations issues d essais de non-infériorité Février 2013 1 Liste de contrôle des essais de non-infériorité N o Liste de contrôle (les clients peuvent se servir de cette

Plus en détail

des réapprovisionnements pour système d assemblage à deux niveaux quand les délais d approvisionnement sont aléatoires

des réapprovisionnements pour système d assemblage à deux niveaux quand les délais d approvisionnement sont aléatoires Planification des réapprovisionnements pour système d assemblage à deux niveaux quand les délais d approvisionnement sont aléatoires Oussama Ben Ammar, Faicel Hnaien, Hélène Marian, Alexandre Dolgui To

Plus en détail

Le Data Mining au service du Scoring ou notation statistique des emprunteurs!

Le Data Mining au service du Scoring ou notation statistique des emprunteurs! France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative

Plus en détail

Plan du cours. Métaheuristiques pour l optimisation combinatoire. Quelques problèmes classiques (2/3) Quelques problèmes classiques (1/3)

Plan du cours. Métaheuristiques pour l optimisation combinatoire. Quelques problèmes classiques (2/3) Quelques problèmes classiques (1/3) Plan du cours Quelques problèmes classiques Quelques algorithmes classiques Métaheuristiques pour l optimisation combinatoire un peu de vocabulaire codage des solutions taxinomie méthodes complètes méthodes

Plus en détail

Chapitre 1 : Évolution COURS

Chapitre 1 : Évolution COURS Chapitre 1 : Évolution COURS OBJECTIFS DU CHAPITRE Savoir déterminer le taux d évolution, le coefficient multiplicateur et l indice en base d une évolution. Connaître les liens entre ces notions et savoir

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

NOTE SUR LA MODELISATION DU RISQUE D INFLATION

NOTE SUR LA MODELISATION DU RISQUE D INFLATION NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui

Plus en 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

Une heuristique hybride pour le problème de set packing biobjectif p.1/19

Une heuristique hybride pour le problème de set packing biobjectif p.1/19 Une heuristique hybride pour le problème de set packing biobjectif Xavier Delorme 1,2, Xavier Gandibleux 2,3 et Fabien DEGOUTIN 2,4 1. Ecole Nationale Supérieure des Mines de Saint-Etienne Centre : Génie

Plus en détail

Fabien DONIUS, Nicolas GRILL, Chérine KAMEL, Selim MILED - Ing1 Gr4 ANALYSE MATHEMATIQUE GOLAY (24,12,8) Les codes correcteurs d erreur

Fabien DONIUS, Nicolas GRILL, Chérine KAMEL, Selim MILED - Ing1 Gr4 ANALYSE MATHEMATIQUE GOLAY (24,12,8) Les codes correcteurs d erreur Fabien DONIUS, Nicolas GRILL, Chérine KAMEL, Selim MILED - Ing1 Gr4 ANALYSE MATHEMATIQUE GOLAY (24,12,8) Les codes correcteurs d erreur 2 I. Génération des matrices : Le code de Golay, comme le code de

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

Mini-Projet de Prolog : Solver de Sudoku

Mini-Projet de Prolog : Solver de Sudoku UNIVERSITE François Rabelais TOURS Polytech Tours-Département Informatique 64, Avenue Jean Portalis 37200 TOURS Mini-Projet de Prolog : Solver de Sudoku Encadré par : Présenté par : M. J-L Bouquard Florent

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

VIII : Gestion des prévisions

VIII : Gestion des prévisions CHTIBI Chafik Une prévision est une prédiction des événements à venir qu'on utilise à des fins de planification. Les méthodes de prévision peuvent se fonder sur des modèles mathématiques utilisant les

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

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3 Chapitre 5 Systèmes linéaires 1 Généralités sur les systèmes linéaires 2 11 Définitions 2 12 Opérations élémentaires 2 13 Systèmes échelonnés et triangulaires 3 2 Résolution des systèmes linéaires 3 21

Plus en détail

Chapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique :

Chapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique : Chapitre Chapitre. Séries de Fourier Nous supposons connues les formules donnant les coefficients de Fourier d une fonction - périodique : c c a0 f x dx c an f xcosnxdx c c bn f xsinn x dx c L objet de

Plus en détail

I) Le temps des matrices. A- A propos des matrices. Quang-Thai NGO Ch 01. Difficulté ** Importance **** Objectifs

I) Le temps des matrices. A- A propos des matrices. Quang-Thai NGO Ch 01. Difficulté ** Importance **** Objectifs Ch01 : Matrice Les matrices ont été introduites récemment au programme des lycées. Il s agit d outils puissants au service de la résolution de problèmes spécifiques à nos classes, en particulier les problèmes

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

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

SY09 Rapport TP4 : Analyse discriminante, régression logistique

SY09 Rapport TP4 : Analyse discriminante, régression logistique UNIVERSITÉ DE TECHNOLOGIE DE COMPIÈGNE SY09 Rapport TP4 : Analyse discriminante, régression logistique CUNI Frédéric 15 juin 2015 Objectifs du TP : Le but de ce TP est l application de l analyse discriminante

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

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base M.A. Knefati 1 & A. Oulidi 2 & P.Chauvet 1 & M. Delecroix 3 1 LUNAM Université, Université Catholique de l Ouest,

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

Introduction aux épreuves de logique des concours ACCÈS et SESAME

Introduction aux épreuves de logique des concours ACCÈS et SESAME Introduction aux épreuves de logique des concours ACCÈS et SESAME «La chance aide parfois, le travail toujours» Vous vous apprêtez à vous lancer dans cette course contre la montre qu est l admission en

Plus en détail

CHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal

CHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal III CHOIX OPTIMAL DU CONSOMMATEUR A - Propriétés et détermination du choix optimal La demande du consommateur sur la droite de budget Résolution graphique Règle (d or) pour déterminer la demande quand

Plus en détail

Cours de spécialité mathématiques en Terminale ES

Cours de spécialité mathématiques en Terminale ES Cours de spécialité mathématiques en Terminale ES O. Lader 2014/2015 Lycée Jean Vilar Spé math terminale ES 2014/2015 1 / 51 Systèmes linéaires Deux exemples de systèmes linéaires à deux équations et deux

Plus en détail

Restauration d images

Restauration d images Restauration d images Plan Présentation du problème. Premières solutions naïves (moindre carrés, inverse généralisée). Méthodes de régularisation. Panorama des méthodes récentes. Problème général Un système

Plus en détail

BTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL

BTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par

Plus en détail

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION Dans les leçons précédentes, nous avons modélisé des problèmes en utilisant des graphes. Nous abordons dans cette leçon un autre type de modélisation.

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

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

Evaluation d un test diagnostique - Concordance

Evaluation d un test diagnostique - Concordance Evaluation d un test diagnostique - Concordance Michaël Genin Université de Lille 2 EA 2694 - Santé Publique : Epidémiologie et Qualité des soins michaelgenin@univ-lille2fr Plan 1 Introduction 2 Evaluation

Plus en détail

11 OSMOLARITÉ, MULTIPLES SOURCES DE VARIATION

11 OSMOLARITÉ, MULTIPLES SOURCES DE VARIATION 11 OSMOLARITÉ, MULTIPLES SOURCES DE VARIATION Dans cette étude de cas nous nous retrouvons face à des données dont la variabilité court terme est très différente de celle à long terme. Les cartes de contrôle

Plus en détail

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont

Plus en détail

Les algorithmes évolutionnistes. INF6953 Les algorithmes évolutionnistes (1) 1

Les algorithmes évolutionnistes. INF6953 Les algorithmes évolutionnistes (1) 1 Les algorithmes évolutionnistes INF6953 Les algorithmes évolutionnistes (1) 1 Métaheuristiques et algorithmes évolutionnistes Les métaheuristiques recherche locale consistent fondamentalement à faire évoluer

Plus en détail

Correction de l épreuve intermédiaire de mai 2009.

Correction de l épreuve intermédiaire de mai 2009. Licence de Gestion. 3ème Année Année universitaire 8-9 Optimisation Appliquée C. Léonard Correction de l épreuve intermédiaire de mai 9. Exercice 1 Avec les notations du cours démontrer que la solution

Plus en détail

Evaluation des performances de programmes parallèles haut niveau à base de squelettes

Evaluation des performances de programmes parallèles haut niveau à base de squelettes Evaluation des performances de programmes parallèles haut niveau à base de squelettes Enhancing the Performance Predictability of Grid Applications with Patterns and Process Algebras A. Benoit, M. Cole,

Plus en détail

Analyse de la variance à deux facteurs

Analyse de la variance à deux facteurs 1 1 IRMA, Université Louis Pasteur Strasbourg, France Master 1 Psychologie du développement 06-10-2008 Contexte Nous nous proposons d analyser l influence du temps et de trois espèces ligneuses d arbre

Plus en détail

Cours 1 : Introduction Ordinateurs - Langages de haut niveau - Application

Cours 1 : Introduction Ordinateurs - Langages de haut niveau - Application Université de Provence Licence Math-Info Première Année V. Phan Luong Algorithmique et Programmation en Python Cours 1 : Introduction Ordinateurs - Langages de haut niveau - Application 1 Ordinateur Un

Plus en détail

Introduction à l étude des Corps Finis

Introduction à l étude des Corps Finis Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur

Plus en détail

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation

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

Groupe. Chapter 1. Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI)

Groupe. Chapter 1. Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI) Chapter 1 Groupe Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI) Nous avons choisi d implémenter le projet avec le langage Javascript. L avantage offert

Plus en détail

Plate-forme semi-automatique : E-quity

Plate-forme semi-automatique : E-quity Plate-forme semi-automatique : E-quity Bringay Sandra 1, Pinlou Alexandre 1, Durand Sylvain 1, Pro Sébastien 1, Séébold Patrice 1 Département MIAp, Université Paul-Valéry, Montpellier 3, Route de Mende,

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

Optimisation des tournées de ramassage scolaire de la commune de Seneffe

Optimisation des tournées de ramassage scolaire de la commune de Seneffe Optimisation des tournées de ramassage scolaire de la commune de Seneffe Laurie Hollaert Séminaire GRT 7 novembre Laurie Hollaert Optimisation des tournées de ramassage scolaire de la commune de Seneffe

Plus en détail

Recherche des intersections rayon - surfaces par classement préférentiel dans un logiciel d acoustique des salles

Recherche des intersections rayon - surfaces par classement préférentiel dans un logiciel d acoustique des salles Recherche des intersections rayon - surfaces par classement préférentiel dans un logiciel d acoustique des salles Stéphane Lesoinne 1, Jean-Jacques Embrechts 2 1 Intelsig, Institut Montéfiore, B28, Université

Plus en détail

Mercredi 24 Juin 2015

Mercredi 24 Juin 2015 BACCALAURÉAT GÉNÉRAL Session 2015 MATHÉMATIQUES Série ES ENSEIGNEMENT OBLIGATOIRE Durée de l épreuve : 3 heures coefficient : 5 MATHÉMATIQUES Série L ENSEIGNEMENT DE SPÉCIALITÉ Durée de l épreuve : 3 heures

Plus en détail

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz

Plus en détail

Comparaison de modèles mathématiques et implémentation d une métaheuristique pour le Master Surgical Scheduling Problem

Comparaison de modèles mathématiques et implémentation d une métaheuristique pour le Master Surgical Scheduling Problem École Polytechnique de l Université de Tours 64, Avenue Jean Portalis 37200 TOURS, FRANCE Tél. +33 (0)2 47 36 14 14 www.polytech.univ-tours.fr Département Informatique 5 e année 2013-2014 Rapport de Projet

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

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

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

A Hybrid Routing Protocol based on Fuzzy C-Means Clustering and Ant Colony Optimization for Lifetime Improvement in WSN

A Hybrid Routing Protocol based on Fuzzy C-Means Clustering and Ant Colony Optimization for Lifetime Improvement in WSN A Hybrid Routing Protocol based on Fuzzy C-Means Clustering and Ant Colony Optimization for Lifetime Improvement in WSN Mourad Hadjila Hervé Guyennet RGE Université Franche-Comté femto-st, DISC, Besançon

Plus en détail

Sommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application.

Sommaire. Introduction.2. 1. Définition..2. 2. Historique.2. 3. Domaine d application.2. 4.Les Travaux réalisés sur les domaines d application. Sommaire Introduction.2 1. Définition..2 2. Historique.2 3. Domaine d application.2 4.Les Travaux réalisés sur les domaines d application.3 5.Algorithme 4 6.Exemple d application 5 7. Avantage et inconvénient..6

Plus en détail

Rapport de Projet Informatique Simulation Monte-Carlo du modèle XY

Rapport de Projet Informatique Simulation Monte-Carlo du modèle XY Rapport de Projet Informatique Simulation Monte-Carlo du modèle XY Alejandro Daniel Paredes Cabrel sous la direction de : Xavier Leoncini Centre de Physique Théorique de Marseille Fevrier- 29 Objectif

Plus en détail

Fonctions homographiques

Fonctions homographiques Fonctions homographiques On donne ci-dessous deux définitions des fonctions homographiques, et on montre que ces deux définitions sont équivalentes. On décrit la courbe représentative d une fonction homographique.

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

Systèmes linéaires. 1. Introduction aux systèmes d équations linéaires. Exo7. 1.1. Exemple : deux droites dans le plan

Systèmes linéaires. 1. Introduction aux systèmes d équations linéaires. Exo7. 1.1. Exemple : deux droites dans le plan Exo7 Systèmes linéaires Vidéo partie 1. Introduction aux systèmes d'équations linéaires Vidéo partie 2. Théorie des systèmes linéaires Vidéo partie 3. Résolution par la méthode du pivot de Gauss 1. Introduction

Plus en détail

Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées.

Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées. Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées. Baptiste Gregorutti 12, Bertrand Michel 2 & Philippe Saint Pierre 2 1 Safety

Plus en détail

Optimisation en nombres entiers

Optimisation en nombres entiers Optimisation en nombres entiers p. 1/83 Optimisation en nombres entiers Michel Bierlaire michel.bierlaire@epfl.ch EPFL - Laboratoire Transport et Mobilité - ENAC Optimisation en nombres entiers p. 2/83

Plus en détail

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Amérique du Nord

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Amérique du Nord Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Amérique du Nord EXERCICE 1 : 5 points On se place dans l espace muni d un repère orthonormé. On considère les points,, et. 1. Démontrer que les points,

Plus en détail

FOTO - L OMNIBUS MENSUEL DE CROP LE NOUVEAU CROP-EXPRESS

FOTO - L OMNIBUS MENSUEL DE CROP LE NOUVEAU CROP-EXPRESS FOTO - L OMNIBUS MENSUEL DE CROP LE NOUVEAU CROP-EXPRESS 550, RUE SHERBROOKE OUEST MONTRÉAL (QUÉBEC) H3A 1B9 BUREAU 900 TOUR EST T 514 849-8086, POSTE 3064 Réflexions méthodologiques Depuis des années,

Plus en détail

Validité prédictive des questionnaires Cebir. Etude 1 : validité critérielle dans le secteur du gardiennage

Validité prédictive des questionnaires Cebir. Etude 1 : validité critérielle dans le secteur du gardiennage Validité prédictive des questionnaires Cebir Introduction Dans le domaine de la sélection, il est particulièrement intéressant de déterminer la validité prédictive d un test. Malheureusement, les occasions

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme

Plus en détail

Un algorithme génétique hybride pour des problèmes de tournées de véhicules multi-attributs

Un algorithme génétique hybride pour des problèmes de tournées de véhicules multi-attributs Un algorithme génétique hybride pour des problèmes de tournées de véhicules multi-attributs Thibaut Vidal, Teodor Gabriel Crainic, Michel Gendreau Nadia Lahrichi, Walter Rei ROADEF 2010 Plan de la présentation

Plus en détail

9. Distributions d échantillonnage

9. Distributions d échantillonnage 9. Distributions d échantillonnage MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v3) MTH2302D: distributions d échantillonnage 1/46 Plan 1. Échantillons aléatoires 2. Statistiques et distributions

Plus en détail

Marketing quantitatif M2-MASS

Marketing quantitatif M2-MASS Marketing quantitatif M2-MASS Francois.Kauffmann@unicaen.fr UCBN 2 décembre 2012 Francois.Kauffmann@unicaen.fr UCBN Marketing quantitatif M2-MASS 2 décembre 2012 1 / 61 Première partie I Analyse Analyse

Plus en détail

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e

Plus en détail

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande

Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de viande Université de Nantes M2 Ingénierie Mathématiques Rapport de chimiométrie Analyse de spectres d absorbance pour la prédiction des taux de moisissure, de matières grasses et de protéines d échantillons de

Plus en détail

Étapes du développement et de l utilisation d un modèle de simulation

Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Formulation du problème Cueillette et analyse de données Conception

Plus en détail

11. Tests d hypothèses (partie 1/2)

11. Tests d hypothèses (partie 1/2) 11. Tests d hypothèses (partie 1/2) MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v1) MTH2302D: tests d hypothèses 1/30 Plan 1. Introduction 2. Hypothèses et erreurs 3. Tests d hypothèses

Plus en détail

Analyse de l évolution de la structure des ménages dans l enquête sur le budget des ménages

Analyse de l évolution de la structure des ménages dans l enquête sur le budget des ménages Analyse de l évolution de la structure des ménages dans l enquête sur le budget des ménages S. Winandy, R. Palm OCA GxABT/ULg oca.gembloux@ulg.ac.be décembre 2011 1 Introduction La Direction Générale Statistique

Plus en détail

Problème de contrôle optimal pour une chaîne de Markov

Problème de contrôle optimal pour une chaîne de Markov Problème de contrôle optimal pour une chaîne de Markov cours ENSTA MA206 Il s agit de résoudre un problème d arrêt optimal pour une chaîne de Markov à temps discret. Soit X n une chaîne de Markov à valeurs

Plus en détail

Devoir maison Info 2 A rendre pour le 15 décembre au plus tard

Devoir maison Info 2 A rendre pour le 15 décembre au plus tard Devoir maison Info 2 A rendre pour le 15 décembre au plus tard Exercice 1 : Exécutez un algorithme Considérez l algorithme suivant. Variables A, B, C en Entier; Début Lire A; Lire B; TantQue B 0 C A; TantQue

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

Méthodes de prévision des ventes

Méthodes de prévision des ventes Méthodes de prévision des ventes Il est important pour toute organisation qui souhaite survivre dans un environnement concurrentiel d adopter des démarches de prévision des ventes pour anticiper et agir

Plus en détail

Fonction polynôme du second degré : Forme canonique

Fonction polynôme du second degré : Forme canonique Fonction polynôme du second degré : Forme canonique I) Introduction. Soit g(x) = a(x - s)²+h. Toute fonction polynôme du second degré peut s écrire sous cette forme. Le passage de la forme développée à

Plus en détail

Fidélité des méthodes analytiques (Résolution oeno 5/99)

Fidélité des méthodes analytiques (Résolution oeno 5/99) (Résolution oeno 5/99) Les données concernant la fidélité des méthodes analytiques déterminées par des études collaboratives sont applicables dans les cas suivants : ) Vérification de l'acceptabilité des

Plus en détail

Cours de mathématiques - Alternance Gea

Cours de mathématiques - Alternance Gea Cours de mathématiques - Alternance Gea Anne Fredet 11 décembre 005 1 Calcul matriciel Une matrice n m est un tableau de nombres à n lignes( et m colonnes. 1 0 Par exemple, avec n = et m =, on peut considérer

Plus en détail

F22 : LES INDICES. 2. Commentaires

F22 : LES INDICES. 2. Commentaires Fiche professeur F22 : LES INDICES TI-82 STATS TI-83 Plus TI-84 Plus Mots-clés : indices, droite de tendance, méthode de Mayer. 1. Objectifs Utiliser la calculatrice graphique pour mettre facilement en

Plus en détail

Initiation à la fouille de données et à l apprentissage automatiq

Initiation à la fouille de données et à l apprentissage automatiq Initiation à la fouille de données et à l apprentissage automatique 1 Laboratoire d Informatique Fondamentale de Marseille Université de Provence christophe.magnan@lif.univ-mrs.fr www.lif.univ-mrs.fr/

Plus en détail

1 Générateurs à Congruences Linéaires (GCL)

1 Générateurs à Congruences Linéaires (GCL) TP 4 : Générateurs pseudo-aléatoires et applications Un générateur de nombres pseudo-aléatoires, pseudorandom number generator (PRNG) en anglais, est un algorithme qui génère une séquence de nombres présentant

Plus en détail

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12 TS. 01/013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 0/11/1 Exercice 1 : ( 6,5 pts) Première partie : Démonstration à rédiger { Démontrer que si ( ) et (v n ) sont deux suites telles

Plus en détail

Session 2011. Enseignement de Spécialité. Durée de l épreuve : 3 heures. Coefficient : 7. Ce sujet comporte 7 pages numérotées de 1 à 7.

Session 2011. Enseignement de Spécialité. Durée de l épreuve : 3 heures. Coefficient : 7. Ce sujet comporte 7 pages numérotées de 1 à 7. BACCALAURÉAT GENÉRAL Session 2011 MATHÉMATIQUES Série ES Enseignement de Spécialité Durée de l épreuve : 3 heures Coefficient : 7 Ce sujet comporte 7 pages numérotées de 1 à 7. L utilisation d une calculatrice

Plus en détail

L informatique en BCPST

L informatique en BCPST L informatique en BCPST Présentation générale Sylvain Pelletier Septembre 2014 Sylvain Pelletier L informatique en BCPST Septembre 2014 1 / 20 Informatique, algorithmique, programmation Utiliser la rapidité

Plus en détail

Notion de modèle - Processus d analyse Application à la méthode des Eléments finis

Notion de modèle - Processus d analyse Application à la méthode des Eléments finis Notion de modèle - Processus d analyse Application à la méthode des Eléments finis La présentation est animée, avancez à votre vitesse par un simple clic Chapitres 1 et 6 du polycopié de cours. Bonne lecture

Plus en détail