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

Dimension: px
Commencer à balayer dès la page:

Download "Modélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr"

Transcription

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

2 Le concept de Mesure Virtuelle mesure virtuelle résultat d un modèle visant à remplacer une mesure physique on parle souvent de valeur calculée par opposition à une valeur mesurée ou valeur expérimentale avantages du concept de mesure virtuelle : mettre l accent sur l incertitude de mesure associée faciliter l application des standards définis pour l évaluation et la combinaison des mesures Références Irikura et al. (2004) Uncertainty associated with virtual measurements from computational quantum chemistry models. Metrologia 41 : Évaluation des données de mesure Guide pour l expression de l incertitude de mesure. JCGM 100 :2008. http ://www.bipm.org/utils/common/documents/jcgm/jcgm F.pdf

3 Erreurs, incertitudes, biais... erreur de mesure différence entre la valeur mesurée d une grandeur et une valeur de référence erreur systématique composante de l erreur de mesure qui, dans des mesurages répétés, demeure constante ou varie de façon prévisible biais de mesure estimation d une erreur systématique erreur aléatoire composante de l erreur de mesure qui, dans des mesurages répétés, varie de façon imprévisible (la valeur de référence est ici la moyenne qui résulterait d un nombre infini de mesurages répétés du même mesurande) incertitude de mesure paramètre non négatif qui caractérise la dispersion des valeurs attribuées à un mesurande (par exemple une incertitude-type)

4 Erreurs et Incertitudes en modélisation 1 Formulation (mathématique) du modèle : approximations, incertitudes structurales 2 Implémentation numérique du modèle : précision des algorithmes, seuils de convergence ; modèles stochastiques 3 Incertitudes paramétriques : précision des paramètres définissant le modèle

5 Erreurs et Incertitudes en modélisation 1 Formulation (mathématique) du modèle : approximations, incertitudes structurales 2 Implémentation numérique du modèle : précision des algorithmes, seuils de convergence ; modèles stochastiques 3 Incertitudes paramétriques : précision des paramètres définissant le modèle

6 Erreurs et Incertitudes en modélisation 1 Formulation (mathématique) du modèle : approximations, incertitudes structurales 2 Implémentation numérique du modèle : précision des algorithmes, seuils de convergence ; modèles stochastiques 3 Incertitudes paramétriques : précision des paramètres définissant le modèle

7 Formulation du modèle approximations : Born-Oppenheimer, Hartree-Fock, Coupled Clusters... en chimie quantique ab initio, typiquement le choix d un couple théorie/base introduction principalement une erreur systématique de la mesure virtuelle par rapport à la référence toutefois, si on considère un ensemble de références, le biais de mesure peut apparaître aléatoire cet aléatoire traduit un manque de connaissance ( lack of knowledge ) utiliser une méthode plus précise traiter comme un facteur aléatoire incertitude

8 Incertitudes liées au choix d un modèle Comparaison des bandes interdites calculées par deux méthodes DFT approchées, comparées aux valeurs expérimentales. Erreur systématique ou aléatoire??? Ref. Civalleri et al. (2012) doi : /

9 Incertitudes numériques précision des calculs liée la représentation finie des nombres sur ordinateur conversion d unités effets de seuils sensibilité aux conditions initiales non-reproductibilité des calculs [méthodes stochastiques...]

10 Incertitudes numériques - précision finie accumulation des erreurs de troncature/arrondi lors de la sommation d un grand nombre de petites contributions intégrales biélectroniques contributions inter-atomiques / pas d intégration dans les simulations moléculaires estimateurs statistiques sur des gros échantillons...

11 Incertitudes numériques - précision finie Janes and Rendell (2011) Placing rigorous bounds on numerical errors in Hartree-Fock energy computations. J. Chem. Theory Comput. 7 : E H2O 75 u.a. E H2O u.a. (8 digits)

12 Incertitudes numériques - conversions d unités conversion d unités (ua > SI) E h a une incertitude relative de [CODATA 2010] la valeur des constantes fondamentales est réévaluée tous les 4 ans attention en comparant des énergies absolues si elles ont été converties

13 Incertitudes numériques - effets de seuils les critères d arrêt d un algorithme itératif influent sur la précision du résultat, mais l impact est souvent négligeable : l énergie minimale de C3H8 au niveau HF/6-31G(d) avec 500 géométries de départs différentes est obtenue avec une incertitude relative de kcal/mol l effet du seuil de convergence sur l optimisation des orbitales est 100 fois plus faible attention pour les systèmes complexes!!! (cf. next)

14 Incertitudes numériques - conditions initiales

15 Incertitudes numériques - conditions initiales

16 Incertitudes numériques - conditions initiales

17 Incertitudes numériques - conditions initiales

18 Gradients obtenus avec des permutations de l ordre des atomes dans le fichier Modélisation prédictive et incertitudes Incertitudes numériques - conditions initiales

19 Incertitudes numériques - conditions initiales

20 Incertitudes numériques - conditions initiales

21 Incertitudes numériques - conditions initiales Références Williams and Feher (2008) The effect of numerical error on the reproducibility of molecular geometry optimizations. J Comput Aided Mol Des. 22 : Feher and Williams (2012) Numerical errors and chaotic behavior in docking simulations. J Chem Inf Model. 52 : Feher and Williams (2012) Numerical errors in minimization based binding energy calculations. J Chem Inf Model. 52 :

22 Incertitudes numériques - non-reproductibilité observation : le même calcul relancé plusieurs fois sur le même jeu de CPUs donne des résultats différents(pb. en calcul parallèle) génant en dynamique moléculaire si on fait un restart pour zoomer sur un événement rare, et que celui-ci disparait... ex. : Feher and Williams (2012) ont observé que 75% des répétitions aboutissaient à des différences d énergie de liaison inférieures à 0.05 kcal/mol, mais pour 10% des cas, la différence dépassait 1 kcal/mol!!! dans Amber, la fréquence de sauvegarde des snapshots influe sur la trajectoire... une des causes : l ordre des réponses des différents CPUs influe sur le résultat numérique (l accumulation des erreurs numériques dépend de l ordre des opérations) Références Blackford et al. (1997) Practical experience in the numerical dangers of heterogeneous computing. ACM Trans. Math. Softw. 23 : Diethelm (2012) The Limits of Reproducibility in Numerical Simulation. Comput. Sci. Eng. 14 :64-72.

23 Transfert d incertitudes Faver et al. (2011) The Energy Computation Paradox and ab initio Protein Folding. PLoS ONE 6 :e18868.

24 Transfert d incertitudes

25 Transfert d incertitudes Modèle additif des interactions G fold = E int + H corr T S fold + G solv E int + H corr H int,1 + H int, H int,n chacun des H int,i est évalué par une méthode approchée si une protéine a N = 100 contacts indépendants, et que chaque H int,i est connu avec la précision chimique, 1 kcal/mol, la loi de combinaison des variances pour les erreurs aléatoires résulte en une incertitude totale de 10 kcal/mol, insuffisante pour localiser le minimum global.

26 Transfert d incertitudes

27 Transfert d incertitudes Modèle additif des interactions, suite l erreur sur chacun des H int,i contient probablement une part importante d erreur systématique = déterminer pour chaque type d interaction i les composantes systématiques µ i et aléatoires σ i de l erreur et les combiner Error syst = N i µ i ( Error rand = N i σi 2 i ) 1/2 Error syst est un facteur de correction (biais) à retrancher à H int, Error rand est l incertitude sur H int corrigé

28 Transfert d incertitudes

29 Transfert d incertitudes

30 Transfert d incertitudes

31 Transfert d incertitudes Références Merz (2010) Limits of Free Energy Computation for Protein-Ligand Interactions. J. Chem. Theory Comput. 6 : Faver et al. (2011) Formal Estimation of Errors in Computed Absolute Interaction Energies of Protein-Ligand Complexes. J. Chem. Theory Comput. 7 : Faver et al. (2011) The Energy Computation Paradox and ab initio Protein Folding. PLoS ONE 6 :e Faver et al. (2012) The Effects of Computational Modeling Errors on the Estimation of Statistical Mechanical Variables. J. Chem.Theory Comput /ct300024z

32 Calibration d une DFT

33 Calibration d une DFT

34 Erreurs résiduelles Modélisation prédictive et incertitudes Calibration d une DFT

35 Echantillon de fonctions calibrées Modélisation prédictive et incertitudes Calibration d une DFT

36 Calibration d une DFT

37 Calcul de constantes de vitesse k(t ) = k 0 exp( E/kT ); F k (T ) = exp(u E /kt )

38 Calcul de constantes de vitesse

39 Calcul de constantes de vitesse 1 calibrer une surface d énergie potentielle paramétrique à partir d un nombre restreint (30) de calculs ab initio de grande qualité 2 estimer l incertitude sur les paramètres du modèle 3 propager cette incertitude aux constantes de vitesse calculées

40 Calcul de constantes de vitesse

41 Calcul de constantes de vitesse

42 Calcul de constantes de vitesse Reinisch : 30 points ; Klippenstein

43 Calibration de modèles empiriques Références Mortensen et al. (2005) Bayesian Error Estimation in Density-Functional Theory. Phys. Rev. Lett. 95 : Wellendorff et al. (2012) Density functionals for surface science : Exchange-correlation model development with Bayesian error estimation. Phys. Rev. B 85 : Petzold et al. (2012) Construction of New Electronic Density Functionals with Error Estimation Through Fitting. Topics in Catalysis 55 :402 (2012) Cailliez et Pernot (2011) Statistical approaches to forcefield calibration and prediction uncertainty in molecular simulation. J. Chem. Phys. 134 : Angelikopoulos et al. (2012) Bayesian uncertainty quantification and propagation in molecular dynamics simulations : A high performance computing framework. J. Chem. Phys. 137 : Reinisch et al. (2012) An Efficient and Accurate Formalism for the Treatment of Large Amplitude Intramolecular Motion. J Chem Theory Comput 8 :

44 Bilan dans tous les domaines de la chimie théorique on doit faire face à des incertitudes plus ou moins bien controlées souvent, l incertitude majeure provient de l incapacité d un modèle à représenter des données expérimentales il est essentiel d expliciter toutes les sources d incertitude et de les traiter de manière cohérente (théorie des probabilités : approche bayésienne) la propagation des incertitudes du niveau moléculaire aux niveaux supérieurs (méso ou macro) dans les simulations multi-échelles est encore pratiquement inexplorée... Références Vlachos (2012) Multiscale modeling for emergent behavior, complexity, and combinatorial explosion. AIChE 58 : (2012). Ulissi et al. (2011) Effect of multiscale model uncertainty on identification of optimal catalyst properties. J. Catal. 281 : Salciccioli et al. (2011) A review of multiscale modeling of catalytic reactions : Mechanism development for complexity and emergent behavior. Chem. Eng. Sci. 66, :

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

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

Plus en détail

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

Module Mixmod pour OpenTURNS

Module Mixmod pour OpenTURNS Module Mixmod pour OpenTURNS Régis LEBRUN EADS Innovation Works 23 septembre 2013 EADS IW 2013 (EADS Innovation Work) 23 septembre 2013 1 / 21 Outline Plan 1 OpenTURNS et propagation d incertitudes 2 Mixmod

Plus en détail

Procédure M ICROBIOLOGIE - ESTIMATION DE L INCERTITUDE DE MESURE. Mise en application 15/12/2008

Procédure M ICROBIOLOGIE - ESTIMATION DE L INCERTITUDE DE MESURE. Mise en application 15/12/2008 Agence fédérale pour la Sécurité de la Chaîne alimentaire Procédure M ICROBIOLOGIE - ESTIMATION DE L INCERTITUDE DE MESURE Mise en application 15/12/2008 Administration compétente Service responsable Destinataires

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

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

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

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

Plus en détail

- 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

Master 1 de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( 2014/2015) -

Master 1 de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( 2014/2015) - Dominique Ferrieux - Université Paul Valéry - Montpellier III Master de Psychologie du Travail et des Organisations : Recueil et analyse des données - Corrigés des T.D. ( /) - Deuxième partie : Plans :

Plus en détail

Figure 3.1- Lancement du Gambit

Figure 3.1- Lancement du Gambit 3.1. Introduction Le logiciel Gambit est un mailleur 2D/3D; pré-processeur qui permet de mailler des domaines de géométrie d un problème de CFD (Computational Fluid Dynamics).Il génère des fichiers*.msh

Plus en détail

I - Introduction à La psychologie Expérimentale

I - Introduction à La psychologie Expérimentale LA METHODE EXPERIMENTALE I - Introduction à La psychologie Expérimentale I.1. Introduction I.2. Critiques concernant l utilisation de la méthode expérimentale en psychologie I.2.A. Critiques morales I.2.A.

Plus en détail

champ de force pour la dynamique du chromophore de protéines fluorescentes GFP

champ de force pour la dynamique du chromophore de protéines fluorescentes GFP Détermination d un d champ de force pour la dynamique du chromophore de protéines fluorescentes GFP Germain Vallverdu, Jacqueline Ridard, Bernard Lévy, Isabelle Demachy Laboratoire de Chimie Physique Université

Plus en détail

Agrégation des portefeuilles de contrats d assurance vie

Agrégation des portefeuilles de contrats d assurance vie Agrégation des portefeuilles de contrats d assurance vie Est-il optimal de regrouper les contrats en fonction de l âge, du genre, et de l ancienneté des assurés? Pierre-O. Goffard Université d été de l

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

23. Interprétation clinique des mesures de l effet traitement

23. Interprétation clinique des mesures de l effet traitement 23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d

Plus en détail

Introduction aux Méthodes de Monte Carlo

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

Plus en détail

Analyse des propriétés de matériaux sous choc par simulations moléculaires (Monte Carlo et dynamique moléculaire)

Analyse des propriétés de matériaux sous choc par simulations moléculaires (Monte Carlo et dynamique moléculaire) Analyse des propriétés de matériaux sous choc par simulations moléculaires (Monte Carlo et dynamique moléculaire) Laurent Soulard CEA-DAM Ile-de-France laurent.soulard@cea.fr 1 Problématique La DAM est

Plus en détail

Document ressource de métrologie

Document ressource de métrologie éduscol Ressources pour le cycle terminal STL Spécialité biotechnologies Document ressource de métrologie Définitions de base, acceptabilité de valeurs mesurées et expression dʼun résultat de mesure Document

Plus en détail

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés ENSEIRB-MATMECA PG-113 014 TP6: Optimisation au sens des moindres carrés Le but de ce TP est d implémenter une technique de recalage d images qui utilise une méthode vue en cours d analyse numérique :

Plus en détail

Plan du cours. 1. Généralités sur l analyse chimique. 2. Préparation de l échantillon. 3. Analyse des métaux. 4. Analyse des polluants inorganiques

Plan du cours. 1. Généralités sur l analyse chimique. 2. Préparation de l échantillon. 3. Analyse des métaux. 4. Analyse des polluants inorganiques Plan du cours 1. Généralités sur l analyse chimique 2. Préparation de l échantillon 3. Analyse des métaux 4. Analyse des polluants inorganiques 5. Analyse des polluants organiques 6. Assurance qualité

Plus en détail

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation?

Analyse d images, vision par ordinateur. Partie 6: Segmentation d images. Segmentation? Segmentation? Analyse d images, vision par ordinateur Traitement d images Segmentation : partitionner l image en ses différentes parties. Reconnaissance : étiqueter les différentes parties Partie 6: Segmentation d images

Plus en détail

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

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

Plus en détail

Générateur de Nombres Aléatoires

Générateur de Nombres Aléatoires Générateur de Nombres Aléatoires Les générateurs de nombres aléatoires sont des dispositifs capables de produire une séquence de nombres dont on ne peut pas tirer facilement des propriétés déterministes.

Plus en détail

SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique

SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des

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

PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF. Ianis Lallemand, 21 janvier 2013

PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF. Ianis Lallemand, 21 janvier 2013 PRÉSENTATION TRAVAIL EN COURS - APPRENTISSAGE INTERACTIF Ianis Lallemand, 21 janvier 2013 APPRENTISSAGE INTERACTIF definition Contours encore assez flous dans le champ de l apprentissage automatique. Néanmoins,

Plus en détail

Journée Utilisateurs CIMENT

Journée Utilisateurs CIMENT Journée Utilisateurs CIMENT L. Viry - C. Picard Animation Scientifique 3 Avril 2012 (Grenoble) 3 Avril 2012 1 / 12 Animation Scientifique Les applications de modélisation sont de plus en plus fréquemment

Plus en détail

Les effets d une contrainte de crédit sur la convergence économique : Le cas des pays de l UEMOA

Les effets d une contrainte de crédit sur la convergence économique : Le cas des pays de l UEMOA Les effets d une contrainte de crédit sur la convergence économique : Le cas des pays de l UEMOA Auteurs : Abdoulaye DIAGNE et Abdou-Aziz NIANG Introduction Ceci devrait contribuer à réduire l écart entre

Plus en détail

Analyse de données longitudinales continues avec applications

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

Plus en détail

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

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

Plus en détail

Probabilités 5. Simulation de variables aléatoires

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

Plus en détail

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

Chapitre 0-2 Introduction générale au cours de BCPST1

Chapitre 0-2 Introduction générale au cours de BCPST1 Chapitre 0-2 Introduction générale au cours de BCPST Extrait du programme I. Les grandeurs en sciences physiques Définition : une grandeur est une observable du système On peut la mettre en évidence a.

Plus en détail

ParMat : Parallélisation pour la simulation des Matériaux.

ParMat : Parallélisation pour la simulation des Matériaux. : Parallélisation pour la simulation des Matériaux. G. Bencteux (EDF) 3 septembre 2008 Outline 1 2 Un algorithme d ordre N pour les calculs ab initio (DFT/HF) 3 Simulation du dommage d irradiation par

Plus en détail

PhotoPhysique des Protéines Fluorescentes (P3F)

PhotoPhysique des Protéines Fluorescentes (P3F) PhotoPhysique des Protéines Fluorescentes (P3F) BIO (F. Merola, M. Erard, A. Espagne, H. Laguitton-Pasquier) Spectroscopie d émission de fluorescence résolue en temps CTM (I. Demachy, J. Ridard, B. Levy,

Plus en détail

Questions pratiques 4: Transformer la variable dépendante

Questions pratiques 4: Transformer la variable dépendante Questions pratiques 4: Transformer la variable dépendante Jean-François Bickel Statistique II SPO8 Transformer une variable consiste en une opération arithmétique qui vise à construire une nouvelle variable

Plus en détail

Etalonnage en régime dynamique des capteurs de pression

Etalonnage en régime dynamique des capteurs de pression Etalonnage en régime dynamique des capteurs de pression Les mesures de pression dans les cylindres d un moteur thermique pour étudier les phénomènes de combustion, dans une presse d injection pour étudier

Plus en détail

Logiciels pour l analyse d incertitude et l analyse de sensibilité. David Makowski, Hervé Monod, Hervé Richard

Logiciels pour l analyse d incertitude et l analyse de sensibilité. David Makowski, Hervé Monod, Hervé Richard Logiciels pour l analyse d incertitude et l analyse de sensibilité David Makowski, Hervé Monod, Hervé Richard PLAN Exemple sous tableur : Crystal Ball Panorama des logiciels disponibles Modules de tableurs

Plus en détail

téléphone sur l'exposition de la tête»

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

Plus en détail

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

Soutenance de stage Laboratoire des Signaux et Systèmes

Soutenance de stage Laboratoire des Signaux et Systèmes Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud

Plus en détail

Calcul d erreur (ou Propagation des incertitudes)

Calcul d erreur (ou Propagation des incertitudes) Travaux Pratiques de Physique vers. septembre 014 Calcul d erreur (ou Propagation des incertitudes) 1) Introduction Le mot "erreur" se réfère à quelque chose de juste ou de vrai. On parle d erreur sur

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

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

K. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des

Plus en détail

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

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

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

Plus en détail

Dynamique moléculaire. & Imagerie par auto-diffraction électronique

Dynamique moléculaire. & Imagerie par auto-diffraction électronique 1 / 27 Dynamique moléculaire ultra-rapiderapide & Imagerie par auto-diffraction électronique 2 / 27 Principaux axes de recherche: - Contrôle laser par résonances inhabituelles et applications Contrôle

Plus en détail

Machines à sous (compléments)

Machines à sous (compléments) CHAPITRE 28 Machines à sous (compléments) Résumé. Ce qui suit complète le chapitre 22. On explique ici brièvement comment rre non-asymptotiques les résultats de convergence qui reposaient sur la loi des

Plus en détail

Samuel Bottani. Matières et Systèmes Complexes (MSC) - CNRS 7056 Université Paris Diderot - USPC

Samuel Bottani. Matières et Systèmes Complexes (MSC) - CNRS 7056 Université Paris Diderot - USPC 1 Reflexions pour un cours de physique de base en Licence pour Biologistes Samuel Bottani Matières et Systèmes Complexes (MSC) - CNRS 7056 Université Paris Diderot - USPC Master «Approches Interdisciplinaires

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

Exercices de simulation 1

Exercices de simulation 1 Licence MIA 2ème année Année universitaire 2009-2010 Simulation stochastique C. Léonard Exercices de simulation 1 Les simulations qui suivent sont à effectuer avec Scilab. Le générateur aléatoire de Scilab.

Plus en détail

DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES

DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application

Plus en détail

FIMA, 7 juillet 2005

FIMA, 7 juillet 2005 F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation

Plus en détail

Analyse de données et méthodes numériques

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

Plus en détail

Simulation des mouvements de protéines membranaires Application aux Complexes II et III de la chaine respiratoire

Simulation des mouvements de protéines membranaires Application aux Complexes II et III de la chaine respiratoire Simulation des mouvements de protéines membranaires Application aux Complexes II et III de la chaine respiratoire M. Beurton-Aimar 1 N. Parisey 2 F. Vallée 1 1 UMR 5800 - LaBRI - Université de Bordeaux

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

MCMC et approximations en champ moyen pour les modèles de Markov

MCMC et approximations en champ moyen pour les modèles de Markov MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:

Plus en détail

Monitoring continu et gestion optimale des performances énergétiques des bâtiments

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

Plus en détail

Analyse des données individuelles groupées

Analyse des données individuelles groupées Analyse des données individuelles groupées Analyse des Temps de Réponse Le modèle mixte linéaire (L2M) Y ij, j-ième observation continue de l individu i (i = 1,, N ; j =1,, n) et le vecteur des réponses

Plus en détail

Provisionnement face au risque de défaut des emprunteurs

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

Plus en détail

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

VI. Tests non paramétriques sur un échantillon

VI. Tests non paramétriques sur un échantillon VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes

Plus en détail

MEDIAPLANNING & HYBRIDATION APPLIQUE A L INTERNET

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

Plus en détail

5 Méthodes algorithmiques

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

Plus en détail

F. Krajcarz, N. Cayron

F. Krajcarz, N. Cayron Approche expérimentale des incertitudes de mesurage, N. Cayron Gamba Acoustique Ind et Env. Bruit et Travail - 3 mars 2011 De quoi allons-nous parler? 1 Réponse à une question que nous nous sommes posée

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

Les différentes stratégies de quantification :

Les différentes stratégies de quantification : Les différentes stratégies de quantification : Ce chapitre présente les 2 principales stratégies de quantification relative utilisée classiquement : la méthode des droites standards et celle des Ct. Les

Plus en détail

Simulations des Grecques : Malliavin vs Différences finies

Simulations des Grecques : Malliavin vs Différences finies 0.1. LES GRECQUES 1 Simulations des Grecques : iavin vs Différences finies Christophe Chorro Ce petit document vise à illustrer de manière numérique les techniques présentées lors du mini cours sur le

Plus en détail

Méthode automatisée de dosage colorimétrique du dioxyde de soufre total dans les vins

Méthode automatisée de dosage colorimétrique du dioxyde de soufre total dans les vins Méthode automatisée de dosage colorimétrique du dioxyde de soufre total dans les vins Marc DUBERNET* et Françoise GRASSET* Laboratoire DUBERNET - 9, quai d Alsace - 11100 Narbonne France 1. Objet Méthode

Plus en détail

Détermination des fréquences propres d une structure avec paramètres incertains

Détermination des fréquences propres d une structure avec paramètres incertains Détermination des fréquences propres d une structure avec paramètres incertains Etienne ARNOULT Abdelhamid TOUACHE Pascal LARDEUR Université de Technologie de Compiègne Laboratoire Roberval BP 20 529 60

Plus en détail

Journées Techniques 2013 Métrologie Casablanca - MAROC - du 22 au 24 avril 2013

Journées Techniques 2013 Métrologie Casablanca - MAROC - du 22 au 24 avril 2013 PROGRAMME GENERAL SESSION : «Incertitudes de mesure - Applications pratiques» : Georges BONNIER Date : Lundi 22 Avril SESSION : «Statistiques pour la mesure : cartes de contrôles, comparaisons interlaboratoires»

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES ET STATISTIQUE I&II PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits

Plus en détail

Utilisation du modèle STICS pour quantifier la vitesse potentielle de minéralisation de l azote organique du sol sur le réseau régional Mh

Utilisation du modèle STICS pour quantifier la vitesse potentielle de minéralisation de l azote organique du sol sur le réseau régional Mh Utilisation du modèle STICS pour quantifier la vitesse potentielle de minéralisation de l azote organique du sol sur le réseau régional Mh Laure Beff, Yvon Lambert, Nicolas Beaudoin, Bruno Mary et Thierry

Plus en détail

Théorie de la viabilité: application à un agroécosystème prairial. Rodolphe Sabatier, Muriel Tichit 05-12-2012

Théorie de la viabilité: application à un agroécosystème prairial. Rodolphe Sabatier, Muriel Tichit 05-12-2012 INRA UMR SADAPT Théorie de la viabilité: application à un agroécosystème prairial Rodolphe Sabatier, Muriel Tichit 05-12-2012 rodolphe.sabatier@agroparistech.fr Plan Théorie de la viabilité: concepts et

Plus en détail

4. Introduction expérimentale à la mesure

4. Introduction expérimentale à la mesure Le comptage pour le PM situé en bas est plus élevé que celui pour le PM situé en haut : l origine céleste des muons a été mise en évidence. 4. Introduction expérimentale à la mesure a. Erreur i. Introduction

Plus en détail

Vision par ordinateur

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

Plus en détail

lité et Justesse Essais inter-laboratoires

lité et Justesse Essais inter-laboratoires Fidélit lité et Justesse Essais inter-laboratoires Objectif : Définir les méthodes m pour évaluer l incertitude l de mesure d un d résultat r quantitatif. SANCHEZ Erick - Responsable Assurance Qualité

Plus en détail

Méthodes Monte Carlo Inverse RMC et EPSR

Méthodes Monte Carlo Inverse RMC et EPSR Méthodes Monte Carlo Inverse RMC et EPSR Laurent Cormier Institut de Minéralogie et Physique des Milieux Condensés Université Pierre et Marie Curie CNRS Paris, France Reverse Monte Carlo (RMC) = méthode

Plus en détail

TP N 57. Déploiement et renouvellement d une constellation de satellites

TP N 57. Déploiement et renouvellement d une constellation de satellites TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les

Plus en 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

Etude expérimentale de l influence des ouvrages de protection sur les avalanches et des pressions d impact

Etude expérimentale de l influence des ouvrages de protection sur les avalanches et des pressions d impact Etude expérimentale de l influence des ouvrages de protection sur les avalanches et des pressions d impact 2009 2012 Paolo Caccamo Université de Grenoble Encadrants : Florence Naaim-Bouvet, Thierry Faug,

Plus en détail

Etude des propriétés empiriques du lasso par simulations

Etude des propriétés empiriques du lasso par simulations Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est

Plus en détail

Méthode de Fast Marching pour des équations de HJB:

Méthode de Fast Marching pour des équations de HJB: Méthode de Fast Marching pour des équations de HJB: - dépendance en u, - fonction coût de signe arbitraire, - Application au Shape From Shading. Emmanuel Prados SÉMINAIRE DE CALCUL SCIENTIFIQUE DU CERMICS

Plus en détail

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

Incertitude et variabilité : la nécessité de les intégrer dans les modèles Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre

Plus en détail

1/24. I passer d un problème exprimé en français à la réalisation d un. I expressions arithmétiques. I structures de contrôle (tests, boucles)

1/24. I passer d un problème exprimé en français à la réalisation d un. I expressions arithmétiques. I structures de contrôle (tests, boucles) 1/4 Objectif de ce cours /4 Objectifs de ce cours Introduction au langage C - Cours Girardot/Roelens Septembre 013 Du problème au programme I passer d un problème exprimé en français à la réalisation d

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

Modèle réduit pour la DSC : Application aux solutions binaires

Modèle réduit pour la DSC : Application aux solutions binaires Modèle réduit pour la DSC : Application aux solutions binaires Stéphane GIBOUT 1, Erwin FRANQUET 1, William MARÉCHAL 1, Jean-Pierre BÉDÉCARRATS 1, Jean-Pierre DUMAS 1 1 Univ. Pau & Pays Adour, LaTEP-EA

Plus en détail

Théorie des Langages Formels Chapitre 5 : Automates minimaux

Théorie des Langages Formels Chapitre 5 : Automates minimaux Théorie des Langages Formels Chapitre 5 : Automates minimaux Florence Levé Florence.Leve@u-picardie.fr Année 2015-2016 1/29 Introduction Les algorithmes vus précédemment peuvent mener à des automates relativement

Plus en détail

Quantification et hiérarchisation des incertitudes dans un processus de simulation numérique

Quantification et hiérarchisation des incertitudes dans un processus de simulation numérique Proposition de thèse CIFRE CERMICS-EDF Quantification et hiérarchisation des incertitudes dans un processus de simulation numérique 13 Janvier 2015 1 Contexte industriel et problématique En tant qu équipement

Plus en détail

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

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

Plus en détail

Transport in quantum cascade lasers

Transport in quantum cascade lasers Diss. ETH No. 20036 Transport in quantum cascade lasers A dissertation submitted to ETH ZURICH for the degree of Doctor of Sciences presented by ROMAIN LÉON TERAZZI Diplôme de Physicien, Université de

Plus en détail

Activité Intitulé de l'activité Volume horaire

Activité Intitulé de l'activité Volume horaire Informations de l'unité d'enseignement Implantation IPL Cursus de Bachelier en chimie Introduction à la statistique C1110 Cycle 1 Bloc 1 Quadrimestre 2 Pondération 1 Nombre de crédits 4 Nombre d heures

Plus en détail

Jeffrey S. Rosenthal

Jeffrey S. Rosenthal Les marches aléatoires et les algorithmes MCMC Jeffrey S. Rosenthal University of Toronto jeff@math.toronto.edu http ://probability.ca/jeff/ (CRM, Montréal, Jan 12, 2007) Un processus stochastique Qu est-ce

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

Approche multi-échelles: Aide à la conception et à l'injection de pièces en Polyamide renforcé. Y. Deyrail, M. Oumarou, A. Causier, W.

Approche multi-échelles: Aide à la conception et à l'injection de pièces en Polyamide renforcé. Y. Deyrail, M. Oumarou, A. Causier, W. Approche multi-échelles: Aide à la conception et à l'injection de pièces en Polyamide renforcé Y. Deyrail, M. Oumarou, A. Causier, W. Zerguine SOMMAIRE Présentation de la société Contexte de l étude Approche

Plus en détail

UM-CRT : Un modèle de canal semidéterministe

UM-CRT : Un modèle de canal semidéterministe Hervé BOEGLEN, Jonathan LEDY, Benoît HILT, Anne-Marie POUSSARD, Rodolphe VAUZELLE UM-CRT : Un modèle de canal semidéterministe pour les VANETs Laboratoire MIPS/GRTC Université de Haute Alsace, France Laboratoire

Plus en détail

L ASSURANCE QUALITE AU LABORATOIRE DE DIAGNOSTIC

L ASSURANCE QUALITE AU LABORATOIRE DE DIAGNOSTIC L ASSURANCE QUALITE AU LABORATOIRE DE DIAGNOSTIC ATELIER DE FORMATION SUR LE DIAGNOSTIC DE LA FIEVRE APHTEUSE 21 mai 2012 Labib BAKKALI KASSIMI Labib.bakkali-kassimi@anses.fr Agence Nationale de Sécurité

Plus en détail

Propriétés électroniques des composés PbX 3 CH 3 NH 3 (X=Cl, Br, I) utilisés en photovoltaïque et photocatalyse. Une analyse fondée sur la DFT

Propriétés électroniques des composés PbX 3 CH 3 NH 3 (X=Cl, Br, I) utilisés en photovoltaïque et photocatalyse. Une analyse fondée sur la DFT Propriétés électroniques des composés PbX 3 CH 3 NH 3 (X=Cl, Br, I) utilisés en photovoltaïque et photocatalyse. Une analyse fondée sur la DFT Tangui LE BAHERS 3 Mars 2015 1 ière Journées Pérovskites Hybrides

Plus en détail

Evaluation de la performance prédictive de modèles robustes

Evaluation de la performance prédictive de modèles robustes Evaluation de la performance prédictive de modèles robustes 1 olivier.schoeni@unifr.ch 1 Département d Informatique Université de Fribourg (Suisse) Table des matières 1 2 Tests sur la performance prédictive

Plus en détail