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

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

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

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

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

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

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

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

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

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

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 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

$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

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

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

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

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

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

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

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

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

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

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

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

NON-LINEARITE ET RESEAUX NEURONAUX

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

Plus en détail

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

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

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

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

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

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

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

Mots-clés : appréciation des risques, microbiologie prévisionnelle, Listeria monocytogenes.

Mots-clés : appréciation des risques, microbiologie prévisionnelle, Listeria monocytogenes. Intérêt de la microbiologie prévisionnelle dans l appréciation de l'exposition alimentaire à Listeria monocytogenes. Significance of predictive microbiology for the assessment of the exposure of food to

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Classification. Session organisée par Charles Bouveyron et Francois Caron et Marie Chavent

Classification. Session organisée par Charles Bouveyron et Francois Caron et Marie Chavent Classification Session organisée par Charles Bouveyron et Francois Caron et Marie Chavent La classification a pour objet de regrouper des données en classes possédant des caractéristiques similaires. La

Plus en détail

Les données manquantes en statistique

Les données manquantes en statistique Les données manquantes en statistique N. MEYER Laboratoire de Biostatistique -Faculté de Médecine Dép. Santé Publique CHU - STRASBOURG Séminaire de Statistique - 7 novembre 2006 Les données manquantes

Plus en détail

Un modèle markovien de transition agraire

Un modèle markovien de transition agraire Un modèle markovien de transition agraire Fabien Campillo 1 Angelo Raherinirina 1 Rivo Rakotozafy 2 1 Projet MERE INRIA/INRA Montpellier France Fabien.Campillo@inria.fr 2 Université de Fianarantsoa Madagascar

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

Modèle probabiliste: Algorithmes et Complexité

Modèle probabiliste: Algorithmes et Complexité Modèles de calcul, Complexité, Approximation et Heuristiques Modèle probabiliste: Algorithmes et Complexité Jean-Louis Roch Master-2 Mathématique Informatique Grenoble-INP UJF Grenoble University, France

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

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

Cours de spécialité mathématiques en Terminale ES

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

Plus en détail

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

22/12/11. Plan de la présentation

22/12/11. Plan de la présentation http://www.dda.ulg.ac.be L appréciation quantitative du risque microbiologique et la microbiologie prévisionnelle pour les entreprises. La microbiologie prévisionnelle Deux exemples simples L appréciation

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

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

Méthodes de Simulation

Méthodes de Simulation Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents

Plus en détail

Atelier 2 : Etudes thérapeutiques. 16h30 17h15 Unités de modélisation Individuelles : micro-simulations Franck Maunoury

Atelier 2 : Etudes thérapeutiques. 16h30 17h15 Unités de modélisation Individuelles : micro-simulations Franck Maunoury LA MODELISATION DE L EFFICIENCE : Comment CONSTRUIRE une étude de PRIMO inscription? SEMINAIRE JGEM-SFES Atelier 2 : Etudes thérapeutiques 16h30 17h15 Unités de modélisation Individuelles : micro-simulations

Plus en détail

Microbiologie 2 CAP APR MME LAGRANGE PLP DU BUGEY - BELLEY janvier 2012. les toxi-infection alimentaires collectives

Microbiologie 2 CAP APR MME LAGRANGE PLP DU BUGEY - BELLEY janvier 2012. les toxi-infection alimentaires collectives les toxi-infection alimentaires collectives Objectif : Etre capable de caractériser les TIAC afin d être un acteur efficace de leur prévention 1. Analyse d une situation : Drame à Avignon L affaire a commencé

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

1. Présentation du Mastère

1. Présentation du Mastère MASTERE SYSTEMES DE COMMUNICATION Coordinateur du Mastère : TAOUFIK AGUILI Département TIC Laboratoire des Systèmes de Communication Tél. : (+216) 71 874 700 (Poste 545) Fax : (+216) 71 872 729 taoufik.aguili@enit.rnu.tn

Plus en détail

Modélisation du risque opérationnel dans le secteur de l assurance

Modélisation du risque opérationnel dans le secteur de l assurance Avril 2011 N 14 Modélisation du risque opérationnel dans le secteur de l assurance Par Julie Gamonet Centre d études actuarielles Lauréate du prix du jeune actuaire 2010 Un texte paraissant dans SCOR Papers

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

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

Situation actuelle. Attachée temporaire d enseignement et de recherche (section CNU 25) à l Université Paris 2. Thèmes de recherche

Situation actuelle. Attachée temporaire d enseignement et de recherche (section CNU 25) à l Université Paris 2. Thèmes de recherche Cyrielle DUMONT Docteur en biostatistiques Née le 9 mai 1985 à Chartres (28) Adresse : Université Paris 2 12 place du Panthéon 75005 Paris Courriel : cyrielle.dumont@inserm.fr Page personnelle : www.biostat.fr/home-dumont.htm

Plus en détail

Journées Industrielles de la Méthanisation

Journées Industrielles de la Méthanisation Journées Industrielles de la Méthanisation Gérer les ressources microbiennes : Exemples d applications aux procédés de méthanisation Marina Moletta-Denat, Jérôme Hamelin, Kim Milferstedt et Eric Trably

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

Elma m l a ki i Haj a a j r a Alla a Tao a uf u i f q B ur u kkad a i i Sal a ma m n a e n e Be B n e a n b a d b en e b n i b i Il I ham

Elma m l a ki i Haj a a j r a Alla a Tao a uf u i f q B ur u kkad a i i Sal a ma m n a e n e Be B n e a n b a d b en e b n i b i Il I ham Exposé: la technique de simulation MONTE-CARLO Présenté par : Elmalki Hajar Bourkkadi Salmane Alla Taoufiq Benabdenbi Ilham Encadré par : Prof. Mohamed El Merouani Le plan Introduction Définition Approche

Plus en détail

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

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Points abordés Méthodes numériques employées en finance Approximations de prix

Plus en détail

Cours STAT 2150. "Statistique non paramétrique: Méthodes de lissage"

Cours STAT 2150. Statistique non paramétrique: Méthodes de lissage Cours STAT 2150 "Statistique non paramétrique: Méthodes de lissage" Année académique 2008-2009 Séance 1 1 Table de matière du cours 1. Introduction (Fonction de répartition, histogramme, propriétés d un

Plus en détail

chargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d

chargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste

Plus en détail

Ordonnancement Temps Réel. Emmanuel GROLLEAU & Pascal RICHARD LISI/ENSMA {grolleau,richardp}@ensma.fr

Ordonnancement Temps Réel. Emmanuel GROLLEAU & Pascal RICHARD LISI/ENSMA {grolleau,richardp}@ensma.fr Ordonnancement Temps Réel Emmanuel GROLLEAU & Pascal RICHARD LISI/ENSMA {grolleau,richardp}@ensma.fr 2 Plan de la présentation 1. Introduction aux systèmes temps réel 1.1 Différents modèles de tâches 1.2

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

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

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

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

Martingales dans l étude de quelques arbres aléatoires

Martingales dans l étude de quelques arbres aléatoires Martingales dans l étude de quelques arbres aléatoires Brigitte CHAUVIN Brigitte.Chauvin@math.uvsq.fr Monastir, 18-20 Octobre 2010 Contents 1 Introduction 1 2 Arbres binaires de recherche 2 2.1 Définitions.....................................

Plus en détail

Régression ridge à noyau pour des variables explicatives et d intérêts fonctionnelles

Régression ridge à noyau pour des variables explicatives et d intérêts fonctionnelles Régression ridge à noyau pour des variables explicatives et d intérêts fonctionnelles Hachem Kadri 1, Philippe Preux 1,2 & Emmanuel Duflos 1,3 1 Equipe-projet SequeL, INRIA Lille - Nord Europe, Villeneuve

Plus en détail

CATALOGUE DE PRESTATIONS FORMATION ET CONSEILS

CATALOGUE DE PRESTATIONS FORMATION ET CONSEILS (1/30pages) CATALOGUE DE PRESTATIONS FORMATION ET CONSEILS ANNEE : 2015 Date de mise à jour : 09/03/2015 1 - Microbiologie des eaux - Microbiologie des aliments Formation technique de Microbiologie HYGIÈNE

Plus en détail

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

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

Plus en détail

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

PJE : Analyse de comportements avec Twitter Classification supervisée

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

Plus en détail

DES DONNEES DE QUALITE POUR UN RESULTAT FIABLE

DES DONNEES DE QUALITE POUR UN RESULTAT FIABLE DES DONNEES DE QUALITE POUR UN RESULTAT FIABLE DECOUVREZ LE COMPTEUR DE PARTICULES VIABLES EN TEMPS REEL BIOTRAK UNDERSTANDING, ACCELERATED TSI Incorporated - Visit our website www.tsi.com for more information.

Plus en détail

Master IAD Module PS. Reconnaissance de la parole (suite) Modèles de Markov et bases de données. Gaël RICHARD Février 2008

Master IAD Module PS. Reconnaissance de la parole (suite) Modèles de Markov et bases de données. Gaël RICHARD Février 2008 Master IAD Module PS Reconnaissance de la parole (suite) Modèles de Markov et bases de données Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance vocale

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

UNIVERSITÉ DE MONTRÉAL MODÈLE BAYÉSIEN D AGRÉGATION DES AVIS D EXPERTS EN EXPLOITATION D ÉQUIPEMENTS, APPLICATION À L OPTIMISATION DE LA DISPONIBILITÉ

UNIVERSITÉ DE MONTRÉAL MODÈLE BAYÉSIEN D AGRÉGATION DES AVIS D EXPERTS EN EXPLOITATION D ÉQUIPEMENTS, APPLICATION À L OPTIMISATION DE LA DISPONIBILITÉ UNIVERSITÉ DE MONTRÉAL MODÈLE BAYÉSIEN D AGRÉGATION DES AVIS D EXPERTS EN EXPLOITATION D ÉQUIPEMENTS, APPLICATION À L OPTIMISATION DE LA DISPONIBILITÉ BANNOUR SOUILAH DÉPARTEMENT DE MATHÉMATIQUES ET DE

Plus en détail

Demi-journée Alim-Scan ANR-11-IDFI-003. Géraldine Boué Sandrine Guillou, Jean-Philippe Antignac, Bruno Le Bizec et Jeanne-Marie Membré

Demi-journée Alim-Scan ANR-11-IDFI-003. Géraldine Boué Sandrine Guillou, Jean-Philippe Antignac, Bruno Le Bizec et Jeanne-Marie Membré Demi-journée Alim-Scan ANR-11-IDFI-003 Géraldine Boué Sandrine Guillou, Jean-Philippe Antignac, Bruno Le Bizec et Jeanne-Marie Membré 9 Janvier 2015 1 2 1. Contexte du projet «Les vies humaines sont impactées

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

Présentation et objectifs du projet ANR Quant HACCP

Présentation et objectifs du projet ANR Quant HACCP Présentation et objectifs du projet ANR Quant HACCP Gérard Poumeyrol Laboratoire de sécurité des aliments de Maisons Alfort Besoins scientifiques et contexte réglementaire de la sécurité sanitaire des

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