Sommaire Chapitre 1 Chapitre 2 Chapitre 3 Chapitre 4 Chapitre 5 Chapitre 6 Chapitre 7. ARC EPS Eco-microbiologie Prévisionnelle Statistique

Dimension: px
Commencer à balayer dès la page:

Download "Sommaire Chapitre 1 Chapitre 2 Chapitre 3 Chapitre 4 Chapitre 5 Chapitre 6 Chapitre 7. ARC EPS Eco-microbiologie Prévisionnelle Statistique"

Transcription

1 ARC EPS Eco-microbiologie Prévisionnelle Statistique

2 1 Objectifs de l ARC EPS 2 Partenaires 3 Moyens 4 Problématique Microbiologique 5 Démarche et Résultats 6 Perspectives 7 Valorisation

3 LES OBJECTIFS DE L ARC EPS Développement d approches statistiques et numériques pour l étude de systèmes bactériens alimentaires (Clostridium, Salmonella, Listeria,... ) Boîte à outils de Microbiologie Prévisionnelle

4 LES OBJECTIFS DE L ARC EPS Développement d approches statistiques et numériques pour l étude de systèmes bactériens alimentaires (Clostridium, Salmonella, Listeria,... ) Boîte à outils de Microbiologie Prévisionnelle Fonctionnalités attendues Modélisation, Inférence, Prédiction de dynamiques. Simulation d événements rares, Analyse de risques. Régulation et Contrôle de populations bactériennes.

5 LES OBJECTIFS DE L ARC EPS Développement d approches statistiques et numériques pour l étude de systèmes bactériens alimentaires (Clostridium, Salmonella, Listeria,... ) Boîte à outils de Microbiologie Prévisionnelle Fonctionnalités attendues Modélisation, Inférence, Prédiction de dynamiques. Simulation d événements rares, Analyse de risques. Régulation et Contrôle de populations bactériennes.

6 LES OBJECTIFS DE L ARC EPS Développement d approches statistiques et numériques pour l étude de systèmes bactériens alimentaires (Clostridium, Salmonella, Listeria,... ) Boîte à outils de Microbiologie Prévisionnelle Fonctionnalités attendues Modélisation, Inférence, Prédiction de dynamiques. Simulation d événements rares, Analyse de risques. Régulation et Contrôle de populations bactériennes.

7 LES OBJECTIFS DE L ARC EPS Développement d approches statistiques et numériques pour l étude de systèmes bactériens alimentaires (Clostridium, Salmonella, Listeria,... ) Boîte à outils de Microbiologie Prévisionnelle Fonctionnalités attendues Modélisation, Inférence, Prédiction de dynamiques. Simulation d événements rares, Analyse de risques. Régulation et Contrôle de populations bactériennes.

8 LES PARTENAIRES Des Statisticiens et des Probabilistes : Epi ALEA - INRIA (Bordeaux) : F. Caron, P. Del Moral (resp.), A. Doucet. Dept MIA - INRA (Jouy, Montpellier) : C. Bidot, J.P. Gauchi, J.P. Vila Des Microbiologistes : Unité Microbiologie des Aliments (ENV-Alfort) : J.C. Augustin (resp.) Laboratoire d Ecologie Microbienne (Univ.Bret.Occ.- Quimper) : L. Coroller (resp.)

9 LES MOYENS Financiers : Dotation 2009 : E. Dotation 2010 : E. Humains : Scientifiques : 8 Ingénieurs : 2 Techniciens : 2 Stagiaires Master : 1 Post-doctotant : 1

10 Sommaire Chapitre 1 Chapitre 2 Chapitre 3 Chapitre 4 Chapitre 5 Chapitre 6 PROBLEMATIQUE MICROBIOLOGIQUE Milieu d origine : substrat alimentaire Ex : contamination par Listeria Monocytogenes Chapitre 7

11 Recueil de données Séries de prélèvements et de dilutions successives v1 va vb vb1 boite 1 vb2 boite 2 vbs D1 (VD1 = V1+ vt) D1a -> D'1a (V1 -> V1+v1) D1b -> D'1b (V1 -> V1+va) De (0 -> vb) boite s Schéma de dilution d un tube D1.

12 Recueil de données - suite Comptage bactérien en milieu de culture

13 Modélisation Exemple de modèle d état : X t+1 = δ X 0 exp(µ max A t ) 1 da B t (µ t max db t dt dt avec Modèle de Baranyi II 1 B t )+X t +ϕ t A t = t + 1 µ max ln(exp( µ max t) + exp( µ max λ) exp( µ max t µ max λ)) B t = 1 + exp(µ max A t ) 1 Xmax X 0

14 Modélisation Exemple de modèle d état : X t+1 = δ X 0 exp(µ max A t ) 1 da B t (µ t max db t dt dt avec Modèle de Baranyi II 1 B t )+X t +ϕ t A t = t + 1 µ max ln(exp( µ max t) + exp( µ max λ) exp( µ max t µ max λ)) B t = 1 + exp(µ max A t ) 1 Xmax X 0

15 Modélisation Exemple de modèle d état : X t+1 = δ X 0 exp(µ max A t ) 1 da B t (µ t max db t dt dt avec Modèle de Baranyi II 1 B t )+X t +ϕ t A t = t + 1 µ max ln(exp( µ max t) + exp( µ max λ) exp( µ max t µ max λ)) B t = 1 + exp(µ max A t ) 1 Xmax X 0

16 Modélisation Exemple de modèle d état : X t+1 = δ X 0 exp(µ max A t ) 1 da B t (µ t max db t dt dt avec Modèle de Baranyi II 1 B t )+X t +ϕ t A t = t + 1 µ max ln(exp( µ max t) + exp( µ max λ) exp( µ max t µ max λ)) B t = 1 + exp(µ max A t ) 1 Xmax X 0

17 Modélisation - suite Modèle d observation : Modèle probabiliste de comptage après prélèvements et dilutions y t L(X t,µ max,λ,x 0,X } {{ max ) } =θ loi inconnue mais simulable!

18 Modélisation - suite Objectifs : Estimer θ et sa variabilité conditionnelle Le θ à maximum de vraisemblance (max densité) "Le θ plus probable" séquences d observations Loi(θ Observations) & Loi(X Observations)

19 La Démarche de base : filtrage particulaire Filtre à convolution de particules Estimation non paramétrique des densités de l état : p n t (x y 1:t ) = n i=1 K y h (ỹ i t y t)k x h ( xi t x) n i=1 K y h (ỹ i t y t) et des paramètres : p n t (θ y 1:t ) = n i=1 K y h (ỹ i t y t)k θ h ( θ i t θ) n i=1 K y h (ỹ i t y t) Filtre particulaire = dynamique de population [prédiction, correction]=[mutation,selection]

20 La Démarche de base : filtrage particulaire Filtre à convolution de particules Estimation non paramétrique des densités de l état : p n t (x y 1:t ) = n i=1 K y h (ỹ i t y t)k x h ( xi t x) n i=1 K y h (ỹ i t y t) et des paramètres : p n t (θ y 1:t ) = n i=1 K y h (ỹ i t y t)k θ h ( θ i t θ) n i=1 K y h (ỹ i t y t) Filtre particulaire = dynamique de population [prédiction, correction]=[mutation,selection]

21 La Démarche de base : filtrage particulaire Filtre à convolution de particules Estimation non paramétrique des densités de l état : p n t (x y 1:t ) = n i=1 K y h (ỹ i t y t)k x h ( xi t x) n i=1 K y h (ỹ i t y t) et des paramètres : p n t (θ y 1:t ) = n i=1 K y h (ỹ i t y t)k θ h ( θ i t θ) n i=1 K y h (ỹ i t y t) Filtre particulaire = dynamique de population [prédiction, correction]=[mutation,selection]

22 La Démarche de base : filtrage particulaire Filtre à convolution de particules Estimation non paramétrique des densités de l état : p n t (x y 1:t ) = n i=1 K y h (ỹ i t y t)k x h ( xi t x) n i=1 K y h (ỹ i t y t) et des paramètres : p n t (θ y 1:t ) = n i=1 K y h (ỹ i t y t)k θ h ( θ i t θ) n i=1 K y h (ỹ i t y t) Filtre particulaire = dynamique de population [prédiction, correction]=[mutation,selection]

23 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]

24 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]

25 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]

26 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]

27 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]

28 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]

29 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]

30 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]

31 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]

32 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]

33 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]

34 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]

35 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]

36 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]

37 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]

38 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]

39 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]

40 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]

41 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]

42 Applications Estimation des paramètres par filtrage Ex : estimation de µ max taux de croissance bactérienne maximum Evolution des estimations de mumax particules Moyenne Borne inf IC a 95% Borne sup IC a 95% Observations

43 Applications - suite Estimation et prédiction d effectifs bactériens concentration 8 7 echelle log estimation donnees Temps Temps d exécution : 66 s. (pentium)

44 Autres Réalisations Inférence bayésienne de modèle bactérien, Comparaison et sélection de dynamiques : Calcul de Facteur de Bayes par filtrage. Echantillonnage optimal pour le filtrage : détermination d instants de prélèvements par maximisation de sensibilité paramétrique.

45 Autres Réalisations Inférence bayésienne de modèle bactérien, Comparaison et sélection de dynamiques : Calcul de Facteur de Bayes par filtrage. Echantillonnage optimal pour le filtrage : détermination d instants de prélèvements par maximisation de sensibilité paramétrique.

46 Autres Réalisations Inférence bayésienne de modèle bactérien, Comparaison et sélection de dynamiques : Calcul de Facteur de Bayes par filtrage. Echantillonnage optimal pour le filtrage : détermination d instants de prélèvements par maximisation de sensibilité paramétrique.

47 Autres Réalisations Confection d algorithmes et analyse mathématique des performances filtrage et lissage particulaire, SMC, i-mcmc, gradient stochastique particulaire, splitting, etc. critères de ré-échantillonnage, théo. non asymptotiques, estimation de proba. d erreurs.

48 Réalisations en cours Construction de prédicteurs particulaires d état à k-pas en avant : prédiction de densités de concentrations bactériennes futures. simulation et analyse de scénario d évolution bactérienne. Analyse et simulation d événements rares : prolifération bactérienne inattendue. arbres de défauts, analyse de risques.

49 Réalisations en cours Construction de prédicteurs particulaires d état à k-pas en avant : prédiction de densités de concentrations bactériennes futures. simulation et analyse de scénario d évolution bactérienne. Analyse et simulation d événements rares : prolifération bactérienne inattendue. arbres de défauts, analyse de risques.

50 Réalisations en cours Construction de prédicteurs particulaires d état à k-pas en avant : prédiction de densités de concentrations bactériennes futures. simulation et analyse de scénario d évolution bactérienne. Analyse et simulation d événements rares : prolifération bactérienne inattendue. arbres de défauts, analyse de risques.

51 A plus long terme Caractérisation de ruptures de modèle (détection de dysfonctionnement) : tests séquentiels généralisés (par filtrage) Prise en compte d interactions inter-spécifiques Contrôle prédictif et régulation de populations bactériennes pathogènes : par action sur les facteurs de milieu

52 A plus long terme Caractérisation de ruptures de modèle (détection de dysfonctionnement) : tests séquentiels généralisés (par filtrage) Prise en compte d interactions inter-spécifiques Contrôle prédictif et régulation de populations bactériennes pathogènes : par action sur les facteurs de milieu

53 A plus long terme Caractérisation de ruptures de modèle (détection de dysfonctionnement) : tests séquentiels généralisés (par filtrage) Prise en compte d interactions inter-spécifiques Contrôle prédictif et régulation de populations bactériennes pathogènes : par action sur les facteurs de milieu

54 A plus long terme Caractérisation de ruptures de modèle (détection de dysfonctionnement) : tests séquentiels généralisés (par filtrage) Prise en compte d interactions inter-spécifiques Contrôle prédictif et régulation de populations bactériennes pathogènes : par action sur les facteurs de milieu

55 A plus long terme Comparaisons d algos & Développement d un logiciel d estimation de paramètres fixes dans les HMM (ADT INRIA?) : Filtrage particulaire à convolution Méthodes MCMC particulaires (Andrieu, Doucet, Holenstein 07) Méthodes SMC & Adaptive Bayesian Computation (DM, Doucet, Jasra 08) Particle smoothing & Stochastic SAEM (DM, Doucet, Singh 09)

56 A plus long terme Comparaisons d algos & Développement d un logiciel d estimation de paramètres fixes dans les HMM (ADT INRIA?) : Filtrage particulaire à convolution Méthodes MCMC particulaires (Andrieu, Doucet, Holenstein 07) Méthodes SMC & Adaptive Bayesian Computation (DM, Doucet, Jasra 08) Particle smoothing & Stochastic SAEM (DM, Doucet, Singh 09)

57 VALORISATION Publications : 11 articles Annals of Stat., Annals of App. Prob., Annales de l IHP, M2AN, Stat. and Prob. Letters., CRAS, Comm. in Stat., Food Microbiology, Int. Journal of Food Microbiology, Risk Anal,.... Communications : CPMiF, SFdS, Conf. Proba & Analyse Nice-Sophia Antipolis, Cambridge Stat. Seminar, ICM 2010 P. & S. Bangalore, Inde. Boîte à Outils Microbiologique : FILTREX V1.1

58 VALORISATION Publications : 11 articles Annals of Stat., Annals of App. Prob., Annales de l IHP, M2AN, Stat. and Prob. Letters., CRAS, Comm. in Stat., Food Microbiology, Int. Journal of Food Microbiology, Risk Anal,.... Communications : CPMiF, SFdS, Conf. Proba & Analyse Nice-Sophia Antipolis, Cambridge Stat. Seminar, ICM 2010 P. & S. Bangalore, Inde. Boîte à Outils Microbiologique : FILTREX V1.1

59 VALORISATION Publications : 11 articles Annals of Stat., Annals of App. Prob., Annales de l IHP, M2AN, Stat. and Prob. Letters., CRAS, Comm. in Stat., Food Microbiology, Int. Journal of Food Microbiology, Risk Anal,.... Communications : CPMiF, SFdS, Conf. Proba & Analyse Nice-Sophia Antipolis, Cambridge Stat. Seminar, ICM 2010 P. & S. Bangalore, Inde. Boîte à Outils Microbiologique : FILTREX V1.1

60 VALORISATION Publications : 11 articles Annals of Stat., Annals of App. Prob., Annales de l IHP, M2AN, Stat. and Prob. Letters., CRAS, Comm. in Stat., Food Microbiology, Int. Journal of Food Microbiology, Risk Anal,.... Communications : CPMiF, SFdS, Conf. Proba & Analyse Nice-Sophia Antipolis, Cambridge Stat. Seminar, ICM 2010 P. & S. Bangalore, Inde. Boîte à Outils Microbiologique : FILTREX V1.1

61

62

63 Publications principales Bidot, C., Gauchi, J.P., Vila, J.P. (2009). Programmation Matlab du filtrage non linéaire par convolution de particules pour l identification et l estimation d un système dynamique microbiologique. Rapport Technique No INRA/Jouy-en-Josas. Bidot, C., Gauchi, J.P., Vila, J.P. (2009).Identification de systèmes dynamiques microbiologiques complexes par filtrage non linéaire. 41ième Journées de Statistique de la SFdS, Bordeaux. Del Moral, P., Doucet, A., Jasra, A.. On Adaptive Resampling Procedures for Sequential Monte Carlo Methods HAL-INRIA RR To appear in Bernoulli ( ). Brockwell, A., Del Moral, P., Doucet, A. Sequentially Interacting Markov chain Monte Carlo Technical Report UBC Vancouver (2008) To appear in the Annals of Statistics ( ). Del Moral, P., Doucet, A., and Singh, S.S. A Backward Particle Interpretation of Feynman-Kac Formulae HAL-INRIA RR-7019 vol 44, no. 5, pp M2AN (sept. 2010).

64 Publications principales - suite Del Moral, P., Doucet, A. Interacting Markov Chain Monte Carlo Methods For Solving Nonlinear Measure-Valued Equations HAL-INRIA RR The Annals of Applied Probability, Vol. 20, No. 2, (2010). Del Moral,P., Doucet, A. A new class of interacting Markov chain Monte Carlo methods Comptes rendus Académie des Sciences, Série : Mathématiques, Vol N 1-2, p (2010). Ellouze, M., Gauchi, J.-P., Augustin, J.-C Global sensitivity analysis applied to a contamination assessment model of Listeria monocytogenes in cold smoked salmon at consumption. Risk Anal. 30, Ellouze, M., Gauchi, J.-P., Augustin, J.-C Use of global sensitivity analysis in quantitative microbial risk assessment : Application to the evaluation of a biological time temperature integrator as a quality and safety indicator for cold smoked salmon. Food Microbiol. doi : /j.fm

65 Publications principales - suite Gauchi, J.P., Vila, J.P., Coroller, L. (2009). New prediction confidence intervals and bands in the nonlinear regression model : Application to the predictive modelling in food. Communications in Statistics, Simulation and Computation, 39(2), 322- Gauchi, J.P., Bidot, C., Augustin, J.C., Vila, J.P. (2009).Identification of complex microbiological dynamic system by nonlinear filtering. 6th Int. Conference on Predictive Modelling in Foods, Washington DC. Lekogo B.M., Coroller L, Mathot AG, Mafart P, Leguérinel I., Modelling the influence of palmitic, palmitoleic, stearic and oleic acids on apparent heat resistance of spores of Bacillus cereus NTCC and Clostridium sporogenes Pasteur International Journal of Food Microbiology, (3) : p Mafart P, Leguérinel I, Couvert O, Coroller L., Quantification of spore resistance for assessment and optimization of heating processes : A never-ending story. Food Microbiology, (5) : p. 568.

66 Publications principales - suite Vila, J.P., Saley, I. (2009). Estimation de facteurs de Bayes entre modèles dynamiques non linéaires à espace d état. C.R. Acad. Sci. Paris, Ser. I, 347, Vila, J.P. (2010). Nonparametric multi-step precdiction in nonlinear state space dynamic systems. Statistics and Probability Letters, in press. Vila, J.P. (2010). Predictive control of stochastic nonlinear state space dynamic systems : A particle nonparametric approach. (Rapport interne, dpt. MIA-INRA). Vila, J.P., Gauchi, J.P. (2010). Nonparametric filtering approaches for identification and inference in nonlinear dynamic systems. Soumis.

67 MERCI POUR VOTRE ATTENTION http ://www.math.u-bordeaux.fr/ delmoral/inria.arc-eps.html

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

Les processus d évolution génétique en filtrage de signaux et en analyse de risques

Les processus d évolution génétique en filtrage de signaux et en analyse de risques Les processus d évolution génétique en filtrage de signaux et en analyse de risques P. Del Moral IRIA Centre Bordeaux-Sud Ouest Séminaire de Stat. et Santé Publique de l IFR 99, décembre 08 qq-références

Plus en détail

La thématique Traitement Statistique de l Information à TL1

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

Plus en détail

Inférence d un réseau bayésien augmenté visant à confronter :

Inférence d un réseau bayésien augmenté visant à confronter : Inférence d un réseau bayésien augmenté visant à confronter : un modèle complexe d analyse quantitative du risque microbiologique des données de vieillissement Clémence RIGAUX (1) En collaboration avec

Plus en détail

Méthodes Stochastiques en Analyse de Risques

Méthodes Stochastiques en Analyse de Risques Méthodes Stochastiques en Analyse de Risques P. Del Moral (Équipe INRIA ALEA) INRIA & Bordeaux Mathematical Institute & X CMAP Horizon Maths, Fondation Sciences Mathématiques de Paris AREVA, 12 Déc., 2011

Plus en détail

Modélisation du développement microbien dans un aliment et application à l'appréciation quantitative des risques

Modélisation du développement microbien dans un aliment et application à l'appréciation quantitative des risques Modélisation du développement microbien dans un aliment et application à l'appréciation quantitative des risques Objectifs de la microbiologie prévisionnelle conditions de vie du produit micro-organisme

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation aléatoire en fiabilité des logiciels collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation aléatoire en fiabilité des logiciels collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.

Plus en détail

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

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

Plus en détail

Processus Markoviens Déterministes par Morceaux et Fiabilité Dynamique

Processus Markoviens Déterministes par Morceaux et Fiabilité Dynamique Processus Markoviens Déterministes par Morceaux et Fiabilité Dynamique Karen Gonzalez Benoîte de Saporta et François Dufour IMB, Université Bordeaux Neuvième Colloque Jeunes Probabilistes et Statisticiens

Plus en détail

Modèlisation statistique d un championnat de football. Extension au tournoi de fighting

Modèlisation statistique d un championnat de football. Extension au tournoi de fighting Modèlisation statistique d un championnat de football. Extension au tournoi de fighting Eric Parent, Edouard Kolf le 20 décembre 2012, AppliBUGS, Paris Contents 1 Exemple du championnat de football 2 3

Plus en détail

Filtre de Kalman d ensemble et filtres particulaires pour le modèle de Lorenz

Filtre de Kalman d ensemble et filtres particulaires pour le modèle de Lorenz Filtre de Kalman d ensemble et filtres particulaires pour le modèle de Lorenz Vu Duc Tran*, Valérie Monbet*, François LeGland** * Laboratoire de Statistiques Appliquées, Université de Bretagne Sud ** Irisa,

Plus en détail

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

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

Plus en détail

Allocation de portefeuille: comparaison de l analyse technique et des méthodes mathématiques

Allocation de portefeuille: comparaison de l analyse technique et des méthodes mathématiques 1/43 : comparaison de l analyse technique et des méthodes mathématiques Université Montesquieu Bordeaux IV GREΘA et IMB CHRISTOPHETTE BLANCHET (Université de Nice) RAJNA GIBSON (Université de Zurich) ETIENNE

Plus en détail

Comment identifier les étapes sensibles pour la maîtrise des dangers?

Comment identifier les étapes sensibles pour la maîtrise des dangers? Comment identifier les étapes sensibles pour la maîtrise des dangers? Le cas de Listeria monocytogenes dans les fromages à pâte molle et croûte lavée au lait pasteurisé Fanny TENENHAUS-AZIZA Colloque Quant

Plus en détail

Ekaterina VOLTCHKOVA

Ekaterina VOLTCHKOVA Ekaterina VOLTCHKOVA Nationalité française/russe, 28 ans, mariée Adresse : 19 rue des Bolets, 31650 St Orens de Gameville, France Tél. : +33.5.61.12.85.67 E-mail : ekaterina.voltchkova@univ-tlse1.fr Page

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

Modélisation du développement microbien dans un aliment et application à l'appréciation quantitative des risques. Historique. Niveaux de modélisation

Modélisation du développement microbien dans un aliment et application à l'appréciation quantitative des risques. Historique. Niveaux de modélisation Modélisation du développement microbien dans un aliment et application à l'appréciation quantitative des risques Objectifs de la microbiologie prévisionnelle micro-organisme pathogène ou d altération produit

Plus en détail

Programme détaillé des enseignements

Programme détaillé des enseignements Programme détaillé des enseignements SEMESTRE S1 STATISTIQUES Méthodes d'estimation ponctuelle (méthodes des moments, du maximum de vraisemblances, bayésienne) et par intervalles de confiance. Statistiques

Plus en détail

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

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

Plus en détail

Echantillonnage Non uniforme

Echantillonnage Non uniforme Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas

Plus en détail

Analyse d images en vidéosurveillance embarquée dans les véhicules de transport en commun

Analyse d images en vidéosurveillance embarquée dans les véhicules de transport en commun des s Analyse d images en vidéosurveillance embarquée dans les véhicules de transport en commun Sébastien Harasse thèse Cifre LIS INPG/Duhamel le 7 décembre 2006 1 Système de surveillance des s Enregistreur

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

Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation

Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,

Plus en détail

Maquette, licence en économie quantitative

Maquette, licence en économie quantitative Maquette, licence en économie quantitative Semestre1 Analyse Analyse 1 60 4 Calcul Calcul 1 60 4 Algèbre Algèbre linéaire 60 4 Arithmétique Mathématiques discrètes 60 4 Prob. et Statistique Introduction

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

Christophe Pouzat. SELECT : 26 Octobre 2009

Christophe Pouzat. SELECT : 26 Octobre 2009 Une application simple du théorème de Donsker pour la construction de tests de qualité d ajustement de modèles de l intensité conditionnelle d un processus de comptage Christophe Pouzat Laboratoire de

Plus en détail

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

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

Plus en détail

Laboratoire 4 Développement d un système intelligent

Laboratoire 4 Développement d un système intelligent DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement

Plus en détail

Les 6èmes Journées Francophones sur les Réseaux Bayésiens

Les 6èmes Journées Francophones sur les Réseaux Bayésiens Les 6èmes Journées Francophones sur les Réseaux Bayésiens 11 13 Mai 2012, Îles de Kerkennah, Tunisie Vers des Réseaux Bayésiens pour la Classification des Causes de Défaillances PRÉSENTÉ PAR: MOHAMMED

Plus en détail

Activités d encadrement et de recherche - Membre du projet PREMIA (1999-2003), logiciel d évaluation d options

Activités d encadrement et de recherche - Membre du projet PREMIA (1999-2003), logiciel d évaluation d options Stéphane VILLENEUVE Né le 25 Février 1971 Marié, 2 enfants GREMAQ Université des Sciences Sociales Manufacture des Tabacs 21 allée de Brienne 31000 TOULOUSE Tél: 05-61-12-85-67 e-mail: stephane.villeneuve@univ-tlse1.fr

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

Optimisation d un plan d échantillonnage selon le paradigme bayésien : application au cas du saumon fumé en France

Optimisation d un plan d échantillonnage selon le paradigme bayésien : application au cas du saumon fumé en France Optimisation d un plan d échantillonnage selon le paradigme bayésien : application au cas du saumon fumé en France Natalie Commeau, Marie Cornu, Eric Parent To cite this version: Natalie Commeau, Marie

Plus en détail

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

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

Plus en détail

Modélisation du comportement habituel de la personne en smarthome

Modélisation du comportement habituel de la personne en smarthome Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai

Plus en détail

ANALYSE QUANTITATIVE DE RISQUE MICROBIOLOGIQUE EN ALIMENTATION

ANALYSE QUANTITATIVE DE RISQUE MICROBIOLOGIQUE EN ALIMENTATION ANALYSE QUANTITATIVE DE RISQUE MICROBIOLOGIQUE EN ALIMENTATION QUAND LE GESTIONNAIRE DE LA SECURITE ALIMENTAIRE A-T-IL BESOIN D UTILISER UNE APPROCHE ANALYSE DE RISQUE? En concertation avec le groupe de

Plus en détail

Ekaterina VOLTCHKOVA

Ekaterina VOLTCHKOVA Ekaterina VOLTCHKOVA Née le 27 avril 1978, nationalité française et russe, mariée, 1 enfant Adresse professionnelle : GREMAQ, 21, allée de Brienne, 31000 Toulouse, France Tél. : +33.5.61.12.85.67 E-mail

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

Modèle mixte non linéaire. Application à la modélisation de processus dynamiques et prise en compte d effets génotypiques et environnementaux

Modèle mixte non linéaire. Application à la modélisation de processus dynamiques et prise en compte d effets génotypiques et environnementaux Modèle mixte non linéaire. Application à la modélisation de processus dynamiques et prise en compte d effets génotypiques et environnementaux Hervé Monod Unité MIA-Jouy en Josas INRA - Dépt Mathématiques

Plus en détail

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population.

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population. Première STMG1 2014-2015 progression. - 1 Table des matières Fil rouge. 3 Axes du programme. 3 Séquence : Proportion d une sous population dans une population. 3 Information chiffrée : connaître et exploiter

Plus en détail

Ekaterina VOLTCHKOVA

Ekaterina VOLTCHKOVA Ekaterina VOLTCHKOVA Née le 27 avril 1978, nationalité française et russe, mariée, 2 enfants Adresse professionnelle : GREMAQ, 21, allée de Brienne, 31000 Toulouse, France Tél. : +33.5.61.12.85.67 E-mail

Plus en détail

Quantification des Risques

Quantification des Risques Quantification des Risques Comment considérer les aléas dans une projection financière? PragmaRisk met à disposition des solutions et des méthodes permettant de considérer les aléas dans vos projections

Plus en détail

Simulations de Monte-Carlo pour un modèle de dynamique forestière

Simulations de Monte-Carlo pour un modèle de dynamique forestière Journées MAS de la SMAI - 29 août 2008 - Rennes Simulations de Monte-Carlo pour un modèle de dynamique forestière F. Campillo, N. Desassis, V. Rossi ARC MICR - Projet MERE - INRIA Plan Contexte et objectifs

Plus en détail

MEXICO. Méthodes pour l EXploration Informatique de modèles COmplexes http:reseau-mexico.fr. Hervé Monod et Robert Faivre

MEXICO. Méthodes pour l EXploration Informatique de modèles COmplexes http:reseau-mexico.fr. Hervé Monod et Robert Faivre MEXICO Méthodes pour l EXploration Informatique de modèles COmplexes http:reseau-mexico.fr Hervé Monod et Robert Faivre INRA - Mathématiques et Informatique Appliquées Unités MIA-Jouy en Josas et Toulouse

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

MEXICO Méthodes pour l EXploration Informatique de modèles COmplexes

MEXICO Méthodes pour l EXploration Informatique de modèles COmplexes MEXICO Méthodes pour l EXploration Informatique de modèles COmplexes Robert Faivre et Hervé Monod INRA - Mathématiques et Informatique Appliquées Unités MIA-Toulouse et Jouy-en-Josas Rencontres Nationales

Plus en détail

Analyse de variance à 2 facteurs imbriqués sur données de comptage - Application au contrôle de

Analyse de variance à 2 facteurs imbriqués sur données de comptage - Application au contrôle de Analyse de variance à 2 facteurs imbriqués sur données de comptage - Application au contrôle de qualité Florence Loingeville 1,2,3, Julien Jacques 1,2, Cristian Preda 1,2, Philippe Guarini 3 & Olivier

Plus en détail

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

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

Plus en détail

Curriculum Vitae. Statut administratif. Diplomes, Récompenses et Bourses

Curriculum Vitae. Statut administratif. Diplomes, Récompenses et Bourses Xavier Venel CES, Maison des Sciences Économiques 106-112 Boulevard de l Hôpital 75647 Paris Cedex 13 - France t Tel. : +33.6.26.05.63.25 Email : xavier.venel@univ-paris1.fr http ://sites.google.com/site/xaviervenelsite/

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

TEST DE MONTE CARLO DE DETECTION DE MODIFICATIONS CLIMATIQUES

TEST DE MONTE CARLO DE DETECTION DE MODIFICATIONS CLIMATIQUES TEST DE MONTE CARLO DE DETECTION DE MODIFICATIONS CLIMATIQUES Jean-Cléophas ONDO (*) (*) Institut Sous-régional de Statistique et d Economie Appliquée (ISSEA) Résumé Les procédures couramment utilisées

Plus en détail

Problèmes de fiabilité dépendant du temps

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

Plus en détail

LISTE COMPLETES DES PUBLICATIONS

LISTE COMPLETES DES PUBLICATIONS LISTE COMPLETES DES PUBLICATIONS Livre [L1] C. Cocozza-Thivent : Processus stochastiques et fiabilité des systèmes (430p), Springer, Collection Mathématiques et Applications, n 28, 1997. Articles publiés

Plus en détail

MATHEMATIQUES ET SCIENCES POUR L INGENIEUR

MATHEMATIQUES ET SCIENCES POUR L INGENIEUR MASTER SCIENCES, TECHNOLOGIES, SANTE / STAPS MATHEMATIQUES ET SCIENCES POUR L INGENIEUR Spécialité Ingénierie Numérique, Signal-Image et Informatique Industrielle (INS3I) www.univ-littoral.fr OBJECTIFS

Plus en détail

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

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

Plus en détail

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

Résumé des communications des Intervenants

Résumé des communications des Intervenants Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit

Plus en détail

Mathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans

Mathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de

Plus en détail

QUELLES APPLICATIONS INDUSTRIELLES POUR LA MICROBIOLOGIE PREVISIONNELLE

QUELLES APPLICATIONS INDUSTRIELLES POUR LA MICROBIOLOGIE PREVISIONNELLE QUELLES APPLICATIONS INDUSTRIELLES POUR LA MICROBIOLOGIE PREVISIONNELLE ELLOUZE M IFIP, 7, Avenue du Général de Gaulle 94704 Maisons-Alfort. Présentation et historique La microbiologie prévisionnelle est

Plus en détail

Algorithme EM en fiabilité des logiciels James Ledoux

Algorithme EM en fiabilité des logiciels James Ledoux en fiabilité des logiciels James Ledoux INSA de Rennes & IRMAR Rennes I James Ledoux FIMA06 Grenoble 1/26 1 Processus de défaillance en fiabilité du logiciel Modèle auto-excité Modèles DIDE et conditionnellement

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

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

DIVAS SUIVI de MOTOS. Livrable n 2.A.4

DIVAS SUIVI de MOTOS. Livrable n 2.A.4 D I V AS ANR PROJET DIVAS - ANR Dialogue Infrastructure Véhicules pour Améliorer la Sécurité routière DIVAS SUIVI de MOTOS Livrable n 2.A.4 Date: Novembre 2008 Version: 1.0 Partenaire(s) : LCPC Responsable

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

MIXMOD. Un ensemble logiciel de classification des données par modèles de mélanges MIXMOD. F. Langrognet () MIXMOD Avril 2012 1 / 28

MIXMOD. Un ensemble logiciel de classification des données par modèles de mélanges MIXMOD. F. Langrognet () MIXMOD Avril 2012 1 / 28 MIXMOD Un ensemble logiciel de classification des données par modèles de mélanges MIXMOD F. Langrognet () MIXMOD Avril 2012 1 / 28 PLAN 1 La classification des données 2 MIXMOD, ensemble logiciel de classification

Plus en détail

ENSIIE - Intelligence Artificielle (RIIA) - 1er cours

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

Plus en détail

Intérêt du découpage en sous-bandes pour l analyse spectrale

Intérêt du découpage en sous-bandes pour l analyse spectrale Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,

Plus en détail

Suivi multi-objets dans des séquences d'images par méthodes de Monte-Carlo

Suivi multi-objets dans des séquences d'images par méthodes de Monte-Carlo Suivi multi-objets dans des séquences d'images par méthodes de Monte-Carlo Christelle Garnier Télécom Lille / LAGIS UMR CNRS 829 Contexte Utilisation accrue de caméras dans de nombreux domaines d application

Plus en détail

État civil. Maître de conférences Adresse professionnelle : Laboratoire de Mathématiques, UMR 6623 Université de Franche-Comté mail :

État civil. Maître de conférences Adresse professionnelle : Laboratoire de Mathématiques, UMR 6623 Université de Franche-Comté mail : État civil Nom : PAROUX Prénoms : Katy, Claire Fonction : Maître de conférences Adresse professionnelle : Laboratoire de Mathématiques, UMR 6623 Université de Franche-Comté mail : Katy.Paroux@univ-fcomte.fr

Plus en détail

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV

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

Plus en détail

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

Curriculum Vitæ Kevin BLEAKLEY

Curriculum Vitæ Kevin BLEAKLEY Curriculum Vitæ Kevin BLEAKLEY DATE DE NAISSANCE 20 mai, 1978 NATIONALITE néo-zélandaise ADRESSE (personelle) 36, rue de la Montagne Sainte-Geneviève, Paris 75005, France ADRESSE (professionnelle) Institut

Plus en détail

Rmixmod Le package R de MIXMOD R

Rmixmod Le package R de MIXMOD R Rmixmod Le package R de MIXMOD R MIXMOD Rencontres R 2012 - Bordeaux Florent Langrognet Laboratoire de Mathématiques de Besançon F. Langrognet () Rmixmod Juillet 2012 1 / 41 Rmixmod 1 Contexte Le projet

Plus en détail

Sur l apprentissage de Réseaux Bayésiens à partir de bases d exemples incomplètes et application à la classification

Sur l apprentissage de Réseaux Bayésiens à partir de bases d exemples incomplètes et application à la classification Sur l apprentissage de Réseaux Bayésiens à partir de bases d exemples incomplètes et application à la classification et Philippe LERAY, Laboratoire LITIS, Rouen. Rencontres Inter-Associations La classification

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

Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage

Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction

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

Master IAD Module PS. Reconnaissance de la parole (suite): Paramétrisation. Gaël RICHARD Février 2008

Master IAD Module PS. Reconnaissance de la parole (suite): Paramétrisation. Gaël RICHARD Février 2008 Master IAD Module PS Reconnaissance de la parole (suite): Paramétrisation Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance vocale Paramétrisation Distances

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

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

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

Plus en détail

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

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

Plus en détail

Mesure agnostique de la qualité des images.

Mesure agnostique de la qualité des images. Mesure agnostique de la qualité des images. Application en biométrie Christophe Charrier Université de Caen Basse-Normandie GREYC, UMR CNRS 6072 Caen, France 8 avril, 2013 C. Charrier NR-IQA 1 / 34 Sommaire

Plus en détail

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

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

Plus en détail

Ingénieur - Chercheur. Mots clés : Statistiques, Programmation Scientifique / Web, SAS. Abdelhamid ZAÏDI

Ingénieur - Chercheur. Mots clés : Statistiques, Programmation Scientifique / Web, SAS. Abdelhamid ZAÏDI Ingénieur - Chercheur Mots clés : Statistiques, Programmation Scientifique / Web, SAS Abdelhamid ZAÏDI RENSEIGNEMENTS INDIVIDUELS Abdelhamid ZAÏDI Né le 20 septembre 1972 Nationalité Française Célibataire

Plus en détail

Traitement Statistique de l Information (TSI) Université Paris-Dauphine et ENSAE. Responsable Christian P. Robert Secrétaire Danièle Daubard

Traitement Statistique de l Information (TSI) Université Paris-Dauphine et ENSAE. Responsable Christian P. Robert Secrétaire Danièle Daubard Traitement Statistique de l Information (TSI) Université Paris-Dauphine et ENSAE Responsable Christian P. Robert Secrétaire Danièle Daubard Place du Maréchal de Lattre de Tassigny - 75775 Paris cedex 16

Plus en détail

Apprentissage du logiciel de modélisation chronologique. Formation animée par Philippe LANOS, Anne PHILIPPE, Marie-Anne VIBET et Philippe DUFRESNE

Apprentissage du logiciel de modélisation chronologique. Formation animée par Philippe LANOS, Anne PHILIPPE, Marie-Anne VIBET et Philippe DUFRESNE FORMATION ChronoModel Apprentissage du logiciel de modélisation chronologique CENTRE ARCHEOLOGIQUE DE BIBRACTE 19-23 OCTOBRE 2015 Formation animée par Philippe LANOS, Anne PHILIPPE, Marie-Anne VIBET et

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

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

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

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

Plus en détail

Etat de l art sur l utilisation des techniques Web Sémantique en ECD

Etat de l art sur l utilisation des techniques Web Sémantique en ECD Etat de l art sur l utilisation des techniques Web Sémantique en ECD Hicham Behja ENSAM Meknès(1,2,3) Brigitte Trousse Projet AxIS INRIA Sophia Antipolis (2) Abdelaziz Marzak Faculté des sciences Casablanca

Plus en détail

PROJET DE SPÉCIALITÉ DU MASTER DE MATHÉMATIQUES. MODÉLISATION MATHÉMATIQUE & ANALYSE STATISTIQUE

PROJET DE SPÉCIALITÉ DU MASTER DE MATHÉMATIQUES. MODÉLISATION MATHÉMATIQUE & ANALYSE STATISTIQUE PROJET DE SPÉCIALITÉ DU MASTER DE MATHÉMATIQUES. MODÉLISATION MATHÉMATIQUE & ANALYSE STATISTIQUE Porteurs du projet Marc Arnaudon, professeur des universités, responsable des relations avec les entreprises.

Plus en détail

Package CAPUSHE pour le logiciel R

Package CAPUSHE pour le logiciel R 1 / 44 Package CAPUSHE pour le logiciel R Vincent Brault (1,2) & Jean-Patrick Baudry (3) & Cathy Maugis-Rabusseau (4) & Bertrand Michel (3) 1 Université Paris-Sud 11 2 INRIA Saclay Île de France Projet

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

Planification INtegrée des Activités de la Chaîne LogistiquE :

Planification INtegrée des Activités de la Chaîne LogistiquE : Planification INtegrée des Activités de la Chaîne LogistiquE : Journée IODE 27 Mars 2007 Julien FRANCOIS Aïcha AMRANI-ZOUGGAR Plan de l exposé I. Objectif du démonstrateur II. Pilotages 1) Qui décide?

Plus en détail

Chaire académique ORES "Smart Grids-Smart Metering"

Chaire académique ORES Smart Grids-Smart Metering Chaire académique ORES "Smart Grids-Smart Metering" FIRST CONFERENCE PRESENTING THE RESULTS OF THE RESEARCH WORK APRIL 18, 2013 - FACULTÉ POLYTECHNIQUE DE MONS Développement d un outil probabiliste sur

Plus en détail

Modèles continus de supply chains. Application à la modélisation d une architecture de calcul parallèle.

Modèles continus de supply chains. Application à la modélisation d une architecture de calcul parallèle. Modèles continus de supply chains. Application à la modélisation d une architecture de calcul parallèle. B. Dadoun L. Feuilloley S. Zhang Équipe encadrante : F. De Vuyst, F. Salvarani, D. Bouche, P. Jaisson

Plus en détail

Arrêt optimal et optimisation de la maintenance

Arrêt optimal et optimisation de la maintenance Benoîte de Saporta CQFD - Contrôle de Qualité et Fiabilité Dynamique 22 septembre 2011 Benoîte de Saporta 1/34 Plan 1 Un problème de maintenance 2 Modélisation mathématique 3 Stratégie de résolution 4

Plus en détail

Rev. Ivoir. Sci. Technol., 19 (2012) 59 71. ISSN 1813-3290, http://www.revist.ci

Rev. Ivoir. Sci. Technol., 19 (2012) 59 71. ISSN 1813-3290, http://www.revist.ci 59 ISSN 1813-3290, http://www.revist.ci RÉGRESSION LOGISTIQUE DANS LES ESSAIS CLINIQUES PAR MCMC Ahlam LABDAOUI * et Hayet MERABET Département de Mathématiques, Université Mentouri-Constantine, Route d

Plus en détail

Master MIMSE - Année 2. Optimisation Stochastique Gestion des stocks stochastique DRAFT -- DRAFT -- DRAFT -- DRAFT -- DRAFT --

Master MIMSE - Année 2. Optimisation Stochastique Gestion des stocks stochastique DRAFT -- DRAFT -- DRAFT -- DRAFT -- DRAFT -- 1 Master MIMSE - Année 2 Optimisation Stochastique Gestion des stocks stochastique 2 Incertitudes dans le modèle Le modèle de base : contraintes de satisfaction des demandes Tx h avec Tk T x représentant

Plus en détail

Modèles à Événements Discrets. Réseaux de Petri Stochastiques

Modèles à Événements Discrets. Réseaux de Petri Stochastiques Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés

Plus en détail