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

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

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

$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU

$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU $SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le

Plus en détail

Principe de symétrisation pour la construction d un test adaptatif

Principe de symétrisation pour la construction d un test adaptatif Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université

Plus en détail

OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)

OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour

Plus en détail

INF6304 Interfaces Intelligentes

INF6304 Interfaces Intelligentes INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie

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

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

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

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

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

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

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

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

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

Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative

Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative Y. Houbad, M. Souier, A. Hassam, Z.Sari Laboratoire d automatique Tlemcen Faculté de technologie, Université Abou

Plus en détail

La classification automatique de données quantitatives

La classification automatique de données quantitatives La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations

Plus en détail

Évaluation de la régression bornée

Évaluation de la régression bornée Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement

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

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue

Plus en détail

Mathématiques appliquées à l informatique

Mathématiques appliquées à l informatique Mathématiques appliquées à l informatique Jean-Etienne Poirrier 15 décembre 2005 Table des matières 1 Matrices 3 1.1 Définition......................................... 3 1.2 Les différents types de matrices.............................

Plus en détail

ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE

ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du

Plus en détail

Classification de données binaires via l introduction de mesures de similarités dans les modèles de mélange

Classification de données binaires via l introduction de mesures de similarités dans les modèles de mélange Classification de données binaires via l introduction de mesures de similarités dans les modèles de mélange Seydou N. SYLLA 1,2,3, Stéphane GIRARD 1, Abdou Ka DIONGUE 2 Aldiouma DIALLO 3 & Cheikh SOKHNA

Plus en détail

Laboratoire d Automatique et Productique Université de Batna, Algérie

Laboratoire d Automatique et Productique Université de Batna, Algérie Anale. Seria Informatică. Vol. IX fasc. 2 Annals. Computer Science Series. 9 th Tome st Fasc. 2 La sélection de paramètres d un système industriel par les colonies de fourmis Ouahab Kadri, L. Hayet Mouss,

Plus en détail

RAPPORT DE PROJET DATA MINING

RAPPORT DE PROJET DATA MINING DEA 127 : INFORMATIQUE SYSTEMES INTELLIGENTS RAPPORT DE PROJET DATA MINING «Analyse des endettements par niveau de développement des pays» Réalisé par : BELEM MAHAMADOU Sous la direction de : M. EDWIN

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

Programmation linéaire

Programmation linéaire 1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit

Plus en détail

FacultéPolytechnique. Dimensionnement optimal de convertisseurs continu-continu isolés par la méthode des plans d expériences Travail de fin d études

FacultéPolytechnique. Dimensionnement optimal de convertisseurs continu-continu isolés par la méthode des plans d expériences Travail de fin d études FacultéPolytechnique Dimensionnement optimal de convertisseurs continu-continu isolés par la méthode des plans d expériences Travail de fin d études Stijn Coorevits Promoteurs : Prof. O. Deblecker Ir C.

Plus en détail

Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels

Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels

Plus en détail

Outils pour les réseaux de neurones et contenu du CD-Rom

Outils pour les réseaux de neurones et contenu du CD-Rom Outils pour les réseaux de neurones et contenu du CD-Rom Depuis le développement théorique des réseaux de neurones à la fin des années 1980-1990, plusieurs outils ont été mis à la disposition des utilisateurs.

Plus en détail

1 Complément sur la projection du nuage des individus

1 Complément sur la projection du nuage des individus TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent

Plus en détail

La notion de dualité

La notion de dualité La notion de dualité Dual d un PL sous forme standard Un programme linéaire est caractérisé par le tableau simplexe [ ] A b. c Par définition, le problème dual est obtenu en transposant ce tableau. [ A

Plus en détail

Épreuve pratique de mathématiques Printemps 2009. Descriptifs. (Page vide)

Épreuve pratique de mathématiques Printemps 2009. Descriptifs. (Page vide) Épreuve pratique de mathématiques Printemps 2009 Descriptifs (Page vide) Sujet 001 Épreuve pratique de mathématiques Descriptif Étude d une fonction dépendant d un paramètre Étant donné une fonction dépendant

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

Discrétisation et génération de hiérarchies de concepts

Discrétisation et génération de hiérarchies de concepts Prétraitement des données 1 Pourquoi prétraiter les données? Nettoyage des données Intégration et transformation Réduction des données Discrétisation et génération de hiérarchies de g concepts Pourquoi

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

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

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

Relation entre deux variables : estimation de la corrélation linéaire

Relation entre deux variables : estimation de la corrélation linéaire CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence

Plus en détail

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient

Plus en détail

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7

Table des matières. PREMIÈRE PARTIE Étapes initiales des études marketing 7 Table des matières Préface Public 1 Structure de l ouvrage 1 Caractéristiques de l ouvrage 3 Contenu 3 Pédagogie 4 Remarques sur l adaptation française 4 Ressources numériques 5 Biographie 6 PREMIÈRE PARTIE

Plus en détail

Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007

Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007 Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................

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

NON-LINEARITE ET RESEAUX NEURONAUX

NON-LINEARITE ET RESEAUX NEURONAUX NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail

Plus en détail

Conception assistée par ordinateur de molécules thérapeutiques

Conception assistée par ordinateur de molécules thérapeutiques Conception assistée par ordinateur de molécules thérapeutiques D. Gilis Bioinformatique génomique et structurale Faculté des sciences appliquées Université Libre de Bruxelles Objectif: illustrer en quoi

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

TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION

TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun

Plus en détail

L2 MIEE 2012-2013 VAR Université de Rennes 1

L2 MIEE 2012-2013 VAR Université de Rennes 1 . Sous-ensembles de R n et fonctions (suite) 1 Nappes paramétrées Si f une fonction de deux variables, son graphe est une surface incluse dans R 3 : {(x, y, f(x, y)) / (x, y) R 2 }. Une telle surface s

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

Optimisation, traitement d image et éclipse de Soleil

Optimisation, traitement d image et éclipse de Soleil Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement

Plus en détail

Une application des algorithmes génétiques à l ordonnancement d atelier

Une application des algorithmes génétiques à l ordonnancement d atelier Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe

Plus en détail

Reconstruction d images binaires par l estimation moindres carrés et l optimisation valeur propre

Reconstruction d images binaires par l estimation moindres carrés et l optimisation valeur propre Reconstruction d images binaires par l estimation moindres carrés et l optimisation valeur propre Stéphane Chrétien & Franck Corset Université de Franche-Comté, UMR6623, Département Mathématiques 16 route

Plus en détail

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation

Plus en détail

IFT3245. Simulation et modèles

IFT3245. Simulation et modèles IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques

Plus en détail

Chapitre 3. Les distributions à deux variables

Chapitre 3. Les distributions à deux variables Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles

Plus en détail

Apprentissage automatique

Apprentissage automatique Apprentissage automatique François Denis, Hachem Kadri, Cécile Capponi Laboratoire d Informatique Fondamentale de Marseille LIF - UMR CNRS 7279 Equipe QARMA francois.denis@lif.univ-mrs.fr 2 Chapitre 1

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

Optimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h

Optimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels

Plus en détail

Leçon N 4 : Statistiques à deux variables

Leçon N 4 : Statistiques à deux variables Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d

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

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

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

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

GUIDE DU DATA MINER. Scoring - Modélisation. Data Management, Data Mining, Text Mining

GUIDE DU DATA MINER. Scoring - Modélisation. Data Management, Data Mining, Text Mining GUIDE DU DATA MINER Scoring - Modélisation Data Management, Data Mining, Text Mining 1 Guide du Data Miner Scoring - Modélisation Le logiciel décrit dans le manuel est diffusé dans le cadre d un accord

Plus en détail

Théorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France

Théorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes

Plus en détail

Approche hybride de reconstruction de facettes planes 3D

Approche hybride de reconstruction de facettes planes 3D Cari 2004 7/10/04 14:50 Page 67 Approche hybride de reconstruction de facettes planes 3D Ezzeddine ZAGROUBA F. S.T, Dept. Informatique. Lab. d Informatique, Parallélisme et Productique. Campus Universitaire.

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

Probabilités Loi binomiale Exercices corrigés

Probabilités Loi binomiale Exercices corrigés Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre

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

La Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS

La Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS Rev. Energ. Ren. : Chemss 2000 39-44 La Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS D.K. Mohamed, A. Midoun et F. Safia Département

Plus en détail

Annexe 6. Notions d ordonnancement.

Annexe 6. Notions d ordonnancement. Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document

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

Mémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.

Mémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains. Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY

Plus en détail

Info0804. Cours 6. Optimisation combinatoire : Applications et compléments

Info0804. Cours 6. Optimisation combinatoire : Applications et compléments Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de

Plus en détail

Modélisation géostatistique des débits le long des cours d eau.

Modélisation géostatistique des débits le long des cours d eau. Modélisation géostatistique des débits le long des cours d eau. C. Bernard-Michel (actuellement à ) & C. de Fouquet MISTIS, INRIA Rhône-Alpes. 655 avenue de l Europe, 38334 SAINT ISMIER Cedex. Ecole des

Plus en détail

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

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

INITIATION AU LANGAGE C SUR PIC DE MICROSHIP

INITIATION AU LANGAGE C SUR PIC DE MICROSHIP COURS PROGRAMMATION INITIATION AU LANGAGE C SUR MICROCONTROLEUR PIC page 1 / 7 INITIATION AU LANGAGE C SUR PIC DE MICROSHIP I. Historique du langage C 1972 : naissance du C dans les laboratoires BELL par

Plus en détail

Jean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux

Jean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis

Plus en détail

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring

Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems

Plus en détail

ETUDE PROBABILISTE DE L ENVIRONNEMENT ELECTROMAGNETIQUE GENERE DANS UN VEHICULE AUTOMOBILE

ETUDE PROBABILISTE DE L ENVIRONNEMENT ELECTROMAGNETIQUE GENERE DANS UN VEHICULE AUTOMOBILE ETUDE PROBABILISTE DE L ENVIRONNEMENT ELECTROMAGNETIQUE GENERE DANS UN VEHICULE AUTOMOBILE Fatou DIOUF * - Sébastien LALLECHERE* - Françoise PALADIAN * - Marco KLINGLER***- Michel FOGLI ** (*) LASMEA,

Plus en détail

Data Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.

Data Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto. des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le

Plus en détail

Réseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel.

Réseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel. Ce document a été numérisé par le CRDP de Bordeaux pour la Base Nationale des Sujets d Examens de l enseignement professionnel. Campagne 2013 Ce fichier numérique ne peut être reproduit, représenté, adapté

Plus en détail

Baccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé

Baccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H

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

Programmation Linéaire - Cours 1

Programmation Linéaire - Cours 1 Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.

Plus en détail

MATHÉMATIQUES FINANCIÈRES I

MATHÉMATIQUES FINANCIÈRES I MATHÉMATIQUES FINANCIÈRES I Cinquième cours Taux instantané constant Taux instantané constant Date de comparaison Taux instantané constant Date de comparaison Diagramme d entrées et sorties Taux instantané

Plus en détail

Correction du baccalauréat ES/L Métropole 20 juin 2014

Correction du baccalauréat ES/L Métropole 20 juin 2014 Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)

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

Qu est-ce qu une probabilité?

Qu est-ce qu une probabilité? Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont

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

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

Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN

Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques

Plus en détail

Les éléments essentiels d un plan de mesure et vérification (pmv) de la performance énergétique selon l ipmvp

Les éléments essentiels d un plan de mesure et vérification (pmv) de la performance énergétique selon l ipmvp SYPIM Syndicat du Pilotage et de la Mesure de la performance énergétique Les éléments essentiels d un plan de mesure et vérification (pmv) de la performance énergétique selon l ipmvp Fédération des Services

Plus en détail

BIG Data et R: opportunités et perspectives

BIG Data et R: opportunités et perspectives BIG Data et R: opportunités et perspectives Guati Rizlane 1 & Hicham Hajji 2 1 Ecole Nationale de Commerce et de Gestion de Casablanca, Maroc, rguati@gmail.com 2 Ecole des Sciences Géomatiques, IAV Rabat,

Plus en détail

Théorie et codage de l information

Théorie et codage de l information Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q

Plus en détail

Exercices Corrigés Premières notions sur les espaces vectoriels

Exercices Corrigés Premières notions sur les espaces vectoriels Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3

Plus en détail

Le bootstrap expliqué par l exemple

Le bootstrap expliqué par l exemple Le bootstrap expliqué par l exemple 1 Le bootstrap expliqué par l exemple 1. Les concepts du bootstrap 2. Des variantes adaptées au contexte 3. Comparaison des différentes méthodes 4. Les cas sensibles

Plus en détail

3 e Atelier des Étudiants Gradués en Actuariat et Mathématiques Financières. 3 rd Graduate Students Workshop on Actuarial and Financial Mathematics

3 e Atelier des Étudiants Gradués en Actuariat et Mathématiques Financières. 3 rd Graduate Students Workshop on Actuarial and Financial Mathematics 3 e Atelier des Étudiants Gradués en Actuariat et Mathématiques Financières 3 rd Graduate Students Workshop on Actuarial and Financial Mathematics Résumé-Abstracts Organization: Ghislain Léveillé Co-organization:

Plus en détail