Cartographie des concentrations de polluants atmosphériques sur la France à partir de données de modélisation et d'observation
|
|
- Étienne Dupont
- il y a 7 ans
- Total affichages :
Transcription
1 Cartographie des concentrations de polluants atmosphériques sur la France à partir de données de modélisation et d'observation L. Malherbe, A. Ung, L. Létinois, INERIS Ch. de Fouquet, Centre de Géosciences, Mines ParisTech Groupe Spatial-Environnement, Paris, 7 décembre 009
2 Contexte Cartographie et surveillance réglementaire de la qualité de l air Les Etats membres doivent évaluer la qualité de l air sur l ensemble de leur territoire. Le public doit être informé quotidiennement sur les concentrations atmosphériques des principaux polluants réglementés et en temps utile, sur la zone de dépassement d une valeur limite réglementaire. La réalisation de rapports annuels sur la qualité de l air ambiant nécessite de constituer des historiques de pollution les plus précis possible.
3 3 3 Contexte Cartographie et surveillance réglementaire de la qualité de l air Mise en œuvre de modèles déterministes de chimie-transport Modélisation déterministe et méthodes géostatistiques sont associées pour établir des cartographies en accord avec : les principes de la dynamique et de la chimie ; les observations des stations de mesure au sol.
4 4 4 Contexte Application : PREV Air ( système opérationnel de prévision et de cartographie de la qualité de l air à différentes échelles spatiales (MEEDDM, INERIS, CNRS, METEO France, ADEME fondé sur des modèles déterministes tridimensionnels de chimie-transport (CHIMERE et MOCAGE. prévisions (J+0, J+, J+ et simulations (J- des concentrations d ozone, NO, PM0 et PM.5
5 5 5 Contexte PREV AIR, cartes analysées des concentrations horaires d ozone et des concentrations journalières de PM0 Correction en fonction des observations Modèle CHIMERE, résolution 0,5 x 0, Simulation pour J- résolution 0,5 x 0,
6 6 6 PREV AIR, cartes analysées Contexte Méthode de correction mise en œuvre depuis 003: krigeage des innovations : amélioration possible de la correction? étude de la variabilité temporelle et spatiale des concentrations simulées et observées comparaison de trois méthodes de correction spatiale: - krigeage des innovations - krigeage des observations avec CHIMERE en dérive externe - cokrigeage entre CHIMERE et les observations
7 7 7 Plan. Rappels théoriques sur les méthodes de krigeage en géostatistique multivariable. Application à la cartographie. Krigeage du résidu Krigeage avec dérive externe Cokrigeage. Mise en œuvre et comparaison des méthodes sur une période estivale Résultats, discussion (présentation ciblée sur l ozone
8 8 8 ère partie Estimation multivariable Krigeage du résidu de la régression Krigeage avec dérive externe Cokrigeage
9 9 9 Krigeage du résidu de la régression Modèle La moyenne de la variable Z est expliquée par une variable déterministe y, connue exhaustivement. On pose : Z(x = m(x + T(x = a y(x + b + T(x Hypothèse : E[ T(x ] = 0, d où E[Z(x] = a y(x + b
10 0 0 Modèle Krigeage du résidu de la régression La variable déterministe y est supposée connue - aux points expérimentaux x - aux nœuds de grille x j Le modèle Z(x = a y(x + b + T(x est remplacé par Z(x = m * (x + W(x = a * y(x + b * + W(x où a * et b * sont déterminés à partir des points expérimentaux, par exemple par moindres carrés. T : résidus «vrais», W : résidus expérimentaux Remarque : E[ W ] = 0, vérifiée sur les points expérimentaux
11 Estimation Krigeage du résidu de la régression Partant du modèle linéaire Z(x = a * y(x + b * + W(x Estimation de Z par l estimation des résidus W = Z - m, à partir des W calculés aux points expérimentaux, puis ajout de la moyenne m(x Détermination de la régression (z,y : (a *,b * Calcul des résidus expérimentaux w Calcul et ajustement du «variogramme des résidus» Krigeage (à moyenne inconnue des résidus W j aux nœuds de grille et calcul de la variance de krigeage σ KO ² (x j Z KO (x j = a * y(x j + b * + W KO (x j
12 Limites La mise en œuvre de la méthode est commode, mais Krigeage du résidu de la régression Les coefficients estimés a * et b * de la dérive sont sans biais, mais non optimaux. quel que soit le mode d estimation de a * et b *, le variogramme des résidus estimés est biaisé par rapport au variogramme des résidus «vrais». La variance d estimation de Z ne se réduit pas à celle des résidus W; tenir compte de l incertitude d estimation de la moyenne.
13 3 3 Application à la cartographie Krigeage du résidu de la régression Le krigeage des innovations : un cas particulier du krigeage du résidu de la régression Krigeage du résidu : Z(x = m * (x + W(x = a * y(x + b * + W(x Krigeage des innovations : Z(x,t 0 = CHIMERE(x,t 0 + W(x,t 0 hypothèses implicites : a*=; b*=0; non corrélation entre W et CHIMERE En un point de grille x j, à une heure t 0 Z KI (x j = CHIMERE(x j + W KO (x j Innovations expérimentales concentration mesurée à la station CHIMERE interpolé à la station
14 4 4 ère partie Estimation multivariable Krigeage du résidu de la régression Krigeage avec dérive externe Cokrigeage
15 5 5 Dans la dichotomie dérive + résidu Krigeage avec dérive externe Le modèle linéaire a été remplacé par Z(x = a y(x + b + T(x Z(x = a * y(x + b * + W(x Améliorations possibles? estimation optimale de a * et b *, tenant compte de la corrélation des résidus tenir compte de l incertitude sur la moyenne dans la variance de krigeage krigeage en voisinage glissant : adapter localement la relation entre Z et y
16 6 6 Modèle Krigeage avec dérive externe Comme précédemment, la variable déterministe y(x, connue exhaustivement sur tout le champ constitue une dérive, à une constante et à un facteur près : Dichotomie : Z(x = m(x + R(x avec m(x=a y(x+b mais sans fixer les coefficients a et b. Seule compte la linéarité de m(x par rapport à y(x. les résidus R(x sont inaccessibles, même aux points expérimentaux. leur variogramme n est pas directement accessible.
17 7 7 Estimation Krigeage avec dérive externe Estimation de la valeur ponctuelle de Z en un point de grille x j : combinaison linéaire: Z KDE j Z erreur de krigeage: Z * j Z j Z Z j non biais: E( E( Z E( Z j m m j ( a y b ( a y j b 0 quels que soient les coefficients inconnus a et b y y j
18 8 8 Estimation Krigeage avec dérive externe Optimalité: Var( Var Z Z j Var R R j C C j C jj Minimisation sous les deux contraintes précédentes: Var( 0 y y j système d équations Variance de krigeage: KDE Var( C jj C j 0 y j Le système et la variance de krigeage s expriment en variogramme, en remplaçant la covariance C par γ. Le système se généralise au cas d un résidu R intrinsèque (variogramme non borné.
19 9 9 Propriétés Krigeage avec dérive externe Interpolateur exact : en tout point expérimental, Z KDE (x =Z(x Les poids et la variance de krigeage ne dépendent pas des valeurs aux points expérimentaux, dépendent de la variable explicative aux points expérimentaux et au point à estimer. Le voisinage est unique ou glissant. Si localement (sur un voisinage, Z s écrit comme une fonction affine des données expérimentales : z(x = a y(x + b alors, d après les conditions de non biais : z KDE (x j = z(x = a y(x + b = a y(x j + b le krigeage en dérive externe conserve la même relation affine.
20 0 0 Krigeage avec dérive externe Quel modèle pour le variogramme du résidu?. Modélisation indirecte par validation croisée. Approximation : estimation non optimale d une dérive globale (par exemple : moindres carrés ; calcul et ajustement du variogramme des résidus associés
21 Application à la cartographie Krigeage avec dérive externe En un point de grille x j, à une heure t 0 : Krigeage des innovations : Z(x,t 0 = CHIMERE(x,t 0 + W(x,t 0 Krigeage avec CHIMERE en dérive externe : Z(x,t 0 = a.chimere(x,t 0 +b + R(x,t 0 En un point de grille x j, à une heure t 0 : Z KDE ( x j KDE Z avec la condition : CHIMERE ( x CHIMERE ( x j
22 ère partie Estimation multivariable Krigeage du résidu de la régression Krigeage avec dérive externe Cokrigeage
23 3 3 Cokrigeage Modèle Z, Z, deux variables aléatoires corrélées spatialement, connues sur deux ensembles de points S et S Modèle bivariable intrinsèque: Variogrammes simples: ii ( h i ( h E[ Z i ( x h Z i ( x] i, Variogramme croisé: ( h E Z ( x h Z ( x Z ( x h Z ( x
24 4 4 Cokrigeage Modèle Modèle de corrélation intrinsèque : toutes les structures simples et croisées sont proportionnelles. ij ( h b ( h i, j ij Modèle linéaire de corégionalisation Les variogrammes simples et croisés sont des combinaisons des mêmes structures. Exemple pour deux variables et deux structures: ( h ( h ( h b b b ( h ( h ( h ( h ( h ( h Ce qui correspond à la décomposition : Z ( x Z ( x Z ( x m Z ( x Z ( x Z ( x m b b b
25 5 5 Cokrigeage Estimation Estimation par cokrigeage de : Z, Z, Z -Z par une combinaison linéaire des données de Z et Z Exemple: estimation de Z (variable principale en un point de grille x j Z CK j S Z S Z avec: S S 0
26 6 6 Cokrigeage Application à la cartographie Observations Z = Z Simulation déterministe S = Z connue de façon dense Le cokrigeage de Z se ramène au krigeage du résidu de la régression linéaire de Z sur S si (et seulement si - la covariance croisée C SR (h est nulle, - la covariance croisée C ZS (h est proportionnelle à C S (h. Krigeage avec dérive externe : tient compte de l incertitude sur les coefficients de la régression, mais pose une hypothèse d indépendance, entre le résidu et S. Le modèle linéaire de corégionalisation permet de différencier la corrélation entre observations et simulations suivant les différentes composantes (échelles de variabilité spatiale.
27 7 7 Cokrigeage Application à la cartographie En un point de grille x j, à une heure t 0 : Krigeage des innovations : Z(x,t 0 = CHIMERE(x,t 0 + W(x,t 0 Krigeage avec CHIMERE en dérive externe : Z(x,t 0 = a.chimere(x,t 0 +b + R(x,t 0 Z KDE ( x j KDE Z avec : CHIMERE( x CHIMERE( x j Cokrigeage : Z( x Z ( x CHIMERE( x Z Z ( x ( x m Z ( x m Z CK ( x j S CK Z S CK CHIMERE ( x
28 8 8 e partie Mise en œuvre des 3 méthodes
29 9 9 Quelles données d observation? Mesures issues de stations de fond : - rurales - périurbaines, urbaines - industrielles, si pour le polluant considéré, elles se comportent comme des stations de fond Exemple PREV AIR ozone: sélection de stations de fond, considérées par les AASQA comme représentatives des phénomènes modélisés par CHIMERE vert: stations rurales bleu : stations périurbaines rouge : stations urbaines noir: stations industrielles/obs. spécifique
30 30 30 Données de modélisation Résolution spatiale: 0,5 x 0, Valeurs horaires (ozone Valeurs journalières (PM0 Grille d estimation 0,5 x 0, pour PREV AIR Éventuellement < 0, pour d autres applications
31 3 3 Déroulement des calculs. Récupération des données de CHIMERE. Récupération des données de mesure Base BASTER (temps quasi réel, mode opérationnel ou BDQA (mode évaluation 3. Interpolation de CHIMERE aux stations Ouverture de R, lancement du programme de krigeage
32 Concentrations estimées [µg/m 3 ] Calcul des innovations expérimentales Krigeage des innovations 5. Calcul du variogramme expérimental des innovations Remarque: pour l ozone, les stations de fond situées en altitude ne sont pas prise en compte dans le calcul du variogramme. 6. Modélisation du variogramme Paramètres choisis : - Modèle exponentiel avec effet de pépite - Portée et palier ajustés automatiquement dans R Ex: 8/07/06 5h 7. Validation croisée
33 Krigeage ordinaire des innovations sur la grille Données d entrée: - Innovations aux stations Données de sortie: - Innovations sur la grille d estimation Remarque: réintroduction des stations de montagne en entrée du krigeage Krigeage des innovations 9. Estimation finale CHIMERE sur la grille d estimation : mod(x,t 0
34 Concentrations estimées [µg/m 3 ] Krigeage des innovations 0. Evaluation complémentaire : estimation sur les stations qui n ont pas été utilisées en entrée du krigeage (exemple ozone: certaines stations périurbaines et urbaines, stations de trafic et comparaison aux mesures. Nuage de corrélation pour les stations de fond urbaines et périurbaines Ex: 8/07/06 5h
35 35 35 Krigeage avec dérive externe Quel modèle de variogramme? En première approximation: modèle ajusté sur le variogramme des résidus expérimentaux de la régression linéaire (globale entre les mesures et CHIMERE : R'( x *, t0 Z( x, t0 ( a CHIMERE( x, t0 b * Amélioration: modélisation non stationnaire indirecte
36 Concentrations estimées [µg/m 3 ] Krigeage avec dérive externe 4. Calcul du variogramme expérimental des résidus Remarque: pour l ozone, les stations de fond situées en altitude ne sont pas prise en compte dans le calcul du variogramme Ex.: 8/07/06 5h 5. Modélisation du variogramme Paramètres choisis : - Modèle exponentiel avec effet de pépite - Portée et palier ajustés automatiquement dans R 6. Validation croisée Données d entrée : - Concentrations mesurées aux stations - CHIMERE interpolé aux stations Données de sortie: - Concentrations estimées en chaque station
37 37 37 Krigeage avec dérive externe 7. Krigeage avec dérive externe sur la grille Données d entrée: - Mesures de concentration aux stations - CHIMERE aux stations - CHIMERE sur la grille d estimation Données de sortie - Concentrations estimées sur la grille Remarque: réintroduction des stations de montagne en entrée du krigeage
38 Concentrations estimées [µg/m 3 ] Krigeage avec dérive externe 8. Evaluation complémentaire : estimation sur les stations qui n ont pas été utilisées en entrée du krigeage (exemple ozone: certaines stations périurbaines et urbaines, stations de trafic et comparaison aux mesures. Ex.: 8/07/06 5h
39 39 39 Hypothèse de modèle linéaire de corégionalisation avec trois structures:, ( ( (, ( ( (, (, ( (, ( (, (, (, (, (, ( mod mod t h t t t h t t h t h t t h t h t h t h t h t h pp GP pp GP pp GP Y Y Z Y Y Y Y Z : composante de grande portée : composante de petite portée : effet de pépite Y GP Y PP Cokrigeage Quel modèle bivariable?
40 Concentrations estimées [µg/m 3 ] Calcul des variogrammes expérimentaux simples et croisé des observations et de CHIMERE Remarque: pour l ozone, les stations de fond situées en altitude ne sont pas prise en compte dans le calcul du variogramme 5. Modélisation du variogramme Paramètres choisis : - structures de petite (50 km et grande (50 à 80 km selon les heures du jour, avec effet de pépite - Paliers ajustés automatiquement dans R Cokrigeage Ex.: 8/07/06 5h 6. Validation croisée Données d entrée : - Concentrations mesurées aux stations - Simulation CHIMERE Données de sortie: - Concentrations estimées en chaque station
41 Cokrigeage ordinaire sur la grille Cokrigeage Données d entrée: - Mesures de concentration aux stations - Simulation CHIMERE (grille CHIMERE Données de sortie - Concentrations estimées sur la grille (grille d estimation Remarque: réintroduction des stations de montagne en entrée du krigeage
42 Concentrations estimées [µg/m 3 ] Evaluation complémentaire : estimation sur les stations qui n ont pas été utilisées en entrée du krigeage (exemple ozone: certaines stations périurbaines et urbaines, stations de trafic et comparaison aux mesures. Cokrigeage Ex.: 8/07/06 5h
43 43 43 Le choix de ce modèle découle d une analyse approfondie des relations entre CHIMERE et les observations : dans le temps, station par station dans l espace Cokrigeage Constat : L hypothèse sous-jacente au krigeage des innovations n est pas toujours vérifiée Z(x,t CHIMERE(x,t + R(x,t Hypothèse de non corrélation Le variogramme des observations ne peut pas s écrire comme la somme du variogramme de CHIMERE et d un variogramme de résidu. Par exemple, le variogramme de CHIMERE recoupe parfois celui des observations ou encore, une structure est présente sur le variogramme de CHIMERE mais non pas sur celui des observations. Le variogramme croisé CHIMERE-Z est différent du variogramme de CHIMERE.
44 44 44 Cokrigeage 8h 5h Exemple: journée du 8/07/06
45 45 45 En général, la corrélation spatiale entre CHIMERE et les observations augmente en cours de journée puis diminue le soir. 8h Cokrigeage 5h 9h 8/07/06
46 46 46 En général, la précision d estimation augmente en cours de journée, elle est maximale dans l après-midi et diminue le soir. 9h h 5h Cokrigeage 9h 8/07/06 h Validation sur les stations urbaines et périurbaines non prises en compte dans le krigeage
47 47 47 Quel voisinage d estimation? Cokrigeage Cokrigeage colocalisé : On n utilise les données de la variable dense qu au point d estimation et aux points expérimentaux. Le cokrigeage colocalisé n est optimal que dans le cas d un modèle à résidu: Z(x=aS(x+b+R(x où R est sans corrélation spatiale avec S Cas général : On utilise toutes les données de la grille CHIMERE, dans un certain voisinage. Problème : à cause du temps de calcul, le voisinage de CHIMERE a dû être réduit par rapport au voisinage choisi pour les observations
48 48 48 Comparaison entre : le krigeage des innovations le krigeage des observations avec CHIMERE en dérive externe le cokrigeage Test sur deux périodes estivales en 005 et 006 Comparaison Exemple: scores sur le pic journalier, 8/07/06 4/08/06 Biais [µg/m 3 ] RMSE [µg/m 3 ] Erreur relative en valeur absolue [%] Corrélation Krigeage des innovations Krigeage avec dérive externe Cokrigeage Statistiques sur l ensemble des jours et des stations de validation périurbaines et urbaines
49 49 49 Comparaison CHIMERE CHIMERE + Krigeage des innovations Krigeage des obs. avec CHIMERE en dérive Cokrigeage entre les obs. et CHIMERE 8/07/06 4/08/06 Histogrammes des coefficients de corrélation modèle-mesure calculés en chaque station de validation (statistiques relatives au pic journalier
50 50 50 Comparaison CHIMERE CHIMERE + Krigeage des innovations Krigeage des obs. avec CHIMERE en dérive Cokrigeage entre les obs. et CHIMERE 8/07/06 4/08/06 Histogrammes des RMSE calculées en chaque station de validation (statistiques relatives au pic journalier
51 5 5 - Champ de correction : résultats comparables entre les méthodes dans le domaine contenant les stations Krigeage des innovations Krigeage avec CHIMERE en dérive Cokrigeage ordinaire
52 5 5 Conclusion Trois méthodes d efficacité comparable si l on s en tient aux scores. Krigeage avec dérive externe: il permet d ajuster localement la relation linéaire entre observations et CHIMERE. Modèle linéaire de corégionalisation entre CHIMERE et les observations : plus général que la décomposition dérive + résidu, permet de rendre compte des corrélations et différences de variabilité entre observations et CHIMERE aux différentes échelles spatiales (ou temporelles n améliore pas sensiblement la correction mais permet de mieux analyser les imperfections de CHIMERE; valide également pour les PM0. PM0, 0 octobre 007 Questions à examiner : choix du voisinage, en particulier dans le cokrigeage Question de l extrapolation (comparer les méthodes sur des stations étrangères en périphérie du domaine
53 53 53 Compléments Introduction de variables auxiliaires - Emissions - Taux d occupation du sol - Population - Altitude -
54 54 54 Krigeage avec dérive externe La ou les variables auxiliaires sélectionnées sont introduites comme dérives supplémentaires. Exemple: Hypothèse: Z( x, t0 a.mod( x, t0 a pop( x, t0 a3 alt( x, t0 b R'( x, t0 Estimation : Zˆ( x G, t Z( x 0 t 0, Compléments avec la condition: mod( x G, t0 mod( x, t0 pop( x G, t0 pop( x, t0 alt( xg, t0 alt( x, t0
55 55 55 Cokrigeage La ou les variables auxiliaires sélectionnées sont introduites en dérive externe des observations. Exemple: Hypothèses : Estimation : Zˆ( x G Z( x, t0 c pop( x, t0 c alt( x, t0 d R''( x, t0, t Modèle linéaire de corégionalisation entre R et CHIMERE 0 Z( x, t0 i i mod( x, t i 0 Compléments avec la condition: pop( x G, t0 pop( x, t0 alt( xg, t0 alt( x, t0
K. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailEtude de la qualité de l air en proximité automobile sur la Communauté Urbaine de Strasbourg
Etude de la qualité de l air en proximité automobile sur la Communauté Urbaine de Strasbourg Simulation état 2006 Avec le soutien de la Communauté Urbaine de Strasbourg Strasbourg Communauté Urbaine ASPA
Plus en détailUtilisation du module «Geostatistical Analyst» d ARCVIEW dans le cadre de la qualité de l air
Etude n 10 Assistance en modélisation (Rapport 3/3) Utilisation du module «Geostatistical Analyst» d ARCVIEW dans le cadre de la qualité de l air Novembre 2004 Convention : 04000087 Giovanni CARDENAS Utilisation
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailTableau 7: Emissions polluantes scénario «futur avec projet 2014»
Projet d ensemble commercial Ametzondo Tableau 7: Emissions polluantes scénario «futur avec projet 2014» Remarques : Aucune émission ne sera prise en compte sur le parking pour un fonctionnement dominical.
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailIntérêt 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 détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailModélisation et simulation du trafic. Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005
Modélisation et simulation du trafic Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005 Plan de la présentation! Introduction : modèles et simulations définition
Plus en détail$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 détailModélisation géostatistique des débits le long des cours d eau.
Modélisation géostatistique des débits le long des cours d eau. C. Bernard-Michel (actuellement à ) & C. de Fouquet MISTIS, INRIA Rhône-Alpes. 655 avenue de l Europe, 38334 SAINT ISMIER Cedex. Ecole des
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailÉVALUATION PROSPECTIVE DES ÉMISSIONS ET DES CONCENTRATIONS DE POLLUANTS ATMOSPHÉRIQUES À L HORIZON 2020 EN ÎLE-DE-FRANCE - GAIN SUR LES ÉMISSIONS EN
ÉVALUATION PROSPECTIVE DES ÉMISSIONS ET DES CONCENTRATIONS DE POLLUANTS ATMOSPHÉRIQUES À L HORIZON 2020 EN ÎLE-DE-FRANCE - GAIN SUR LES ÉMISSIONS EN 2015 Révision du Plan de Protection de l Atmosphère
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailCORRECTION TP Multimètres - Mesures de résistances - I. Mesure directe de résistors avec ohmmètre - comparaison de deux instruments de mesure
Introduction CORRECTION TP Multimètres - Mesures de résistances - La mesure d une résistance s effectue à l aide d un multimètre. Utilisé en mode ohmmètre, il permet une mesure directe de résistances hors
Plus en détailApproche 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 détailPrincipes généraux de la modélisation de la dispersion atmosphérique
Principes généraux de la modélisation de la dispersion atmosphérique Rémy BOUET- DRA/PHDS/EDIS remy.bouet@ineris.fr //--12-05-2009 1 La modélisation : Les principes Modélisation en trois étapes : Caractériser
Plus en détailMERLIN GESTION PATRIMONIALE. Groupe GESTION PATRIMONIALE. Définition d un programme de renouvellement
Groupe MERLIN Une tradition d innovations au service des hommes GESTION PATRIMONIALE GESTION PATRIMONIALE Définition d un programme de renouvellement Indépendance - Expériences - Expertises - Proximité
Plus en détailDétection spatiale de données aberrantes. Application à la surveillance de la qualité de l'air.
Détection spatiale de données aberrantes. Application à la surveillance de la qualité de l'air. Michel Bobbia 1 & Michel Misiti 2 & Yves Misiti 2 & Jean-Michel Poggi 3 & Bruno Portier 4 1 Air Normand,
Plus en détailEtablissement de cartes de vent sur le pourtour méditerranéen par simulation numérique
Etablissement de cartes de vent sur le pourtour méditerranéen par simulation numérique Etude réalisée en 2003 pour le compte de l Office National des Forêts Eric Delboulbé, Docteur en Mécanique des Fluides
Plus en détailPrédiction de couverture de champ radioélectrique pour les réseaux radiomobiles : L apport du Système d Information Géographique ArcInfo 8
Prédiction de couverture de champ radioélectrique pour les réseaux radiomobiles : L apport du Système d Information Géographique ArcInfo 8 Christine TURCK 1 * et **, Christiane WEBER**, Dominique THOME*
Plus en détailBILAN PSQA ANNEES 2010 ET 2011
18/06/2012 QUALITAIR CORSE BILAN PSQA ANNEES 2010 ET 2011 Bilan PSQA 2010-2015 version 2012 Savelli Page blanche TABLE DES MATIERES Introduction... 1 1 Composition et financement de l association... 2
Plus en détailListe des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone...
Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................
Plus en détailQuelle qualité de l air au volant? Premiers éléments de réponse en Ile-de-France
Quelle qualité de l air au volant? ---------------------------- Les automobilistes sont nettement plus exposés à la pollution atmosphérique que les piétons, même à proximité des grands axes. Tel est le
Plus en détailCartes de l étendue des eaux libres liés aux inondations Guide des produits
Cartes de l étendue des eaux libres liés aux inondations Guide des produits Contexte Les crues ont parfois des effets dévastateurs sur la vie humaine, les infrastructures, l économie, les espèces sauvages
Plus en détailCONCOURS 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 détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailRetour d expérience critique sur l utilisation de méthodes géostatistiques pour la caractérisation des sites et sols pollués
Retour d expérience critique sur l utilisation de méthodes géostatistiques pour la caractérisation des sites et sols pollués RECORD 11-0514/1A février 2013 RECORD ETUDE N 11-0514/1A RETOUR D'EXPERIENCE
Plus en détailSTATISTIQUES. UE Modélisation pour la biologie
STATISTIQUES UE Modélisation pour la biologie 2011 Cadre Général n individus: 1, 2,..., n Y variable à expliquer : Y = (y 1, y 2,..., y n ), y i R Modèle: Y = Xθ + ε X matrice du plan d expériences θ paramètres
Plus en détail1. Vocabulaire : Introduction au tableau élémentaire
L1-S1 Lire et caractériser l'information géographique - Le traitement statistique univarié Statistique : le terme statistique désigne à la fois : 1) l'ensemble des données numériques concernant une catégorie
Plus en détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
Plus en détail4. Résultats et discussion
17 4. Résultats et discussion La signification statistique des gains et des pertes bruts annualisés pondérés de superficie forestière et du changement net de superficie forestière a été testée pour les
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
Plus en détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailValidation probabiliste d un Système de Prévision d Ensemble
Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste
Plus en détailEnergie et morphologie : vers la perdurabilité de la forme urbaine? Généralités et transports. Luc Adolphe
Energie et morphologie : vers la perdurabilité de la forme urbaine? Généralités et transports Luc Adolphe RÉDUCTION DES BESOINS ÉNERGÉTIQUES DANS LES TRANSPORTS. Contexte : Densité, Mobilité Réduire
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détailLIDAR LAUSANNE 2012. Nouvelles données altimétriques sur l agglomération lausannoise par technologie laser aéroporté et ses produits dérivés
LIDAR LAUSANNE 2012 Nouvelles données altimétriques sur l agglomération lausannoise par technologie laser aéroporté et ses produits dérivés LIDAR 2012, nouveaux modèles altimétriques 1 Affaire 94022 /
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
Plus en détailCompte rendu des utilisations du calculateur TITAN au LACy
Le Laboratoire de l Atmosphère et des Cyclones (LACy) UMR (8105) Université de la Réunion CNRS Météo France 15 avenue René Cassin, 97715 Saint Denis messag.,cedex 9 Compte rendu des utilisations du calculateur
Plus en détailEquation LIDAR : exp 2 Equation RADAR :
Contexte scientifique Systèmes LIDAR/RADAR Equation LIDAR : exp Equation RADAR : p (r) : puissance rétrodiffusée r : altitude ou profondeur. C : constante instrumentale. β : coefficient de rétrodiffusion
Plus en détailFORD C-MAX + FORD GRAND C-MAX CMAX_Main_Cover_2013_V3.indd 1-3 22/08/2012 15:12
1 2 3 4 5 6 7 8 9 10 12,999,976 km 9,136,765 km 1,276,765 km 499,892 km 245,066 km 112,907 km 36,765 km 24,159 km 7899 km 2408 km 76 km 12 14 16 1 12 7 3 1 6 2 5 4 3 11 9 10 8 18 20 21 22 23 24 26 28 30
Plus en détailSAS ENTERPRISE MINER POUR L'ACTUAIRE
SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de
Plus en détailApplication SIG : élaboration d une carte de bathymétrie de la Méditerranée marocaine et de la lagune de Nador Par :
Application SIG : élaboration d une carte de bathymétrie de la Méditerranée marocaine et de la lagune de Nador Par : Rachida HOUSSA & Benyounes ABDELLAOUI Avril 2002 La présente étude a été menée au Centre
Plus en détailFONCTION DE DEMANDE : REVENU ET PRIX
FONCTION DE DEMANDE : REVENU ET PRIX 1. L effet d une variation du revenu. Les lois d Engel a. Conditions du raisonnement : prix et goûts inchangés, variation du revenu (statique comparative) b. Partie
Plus en détail1. L'été le plus chaud que la France ait connu ces cinquante dernières années.
1. L'été le plus chaud que la France ait connu ces cinquante dernières années. La figure ci-dessous présente la moyenne sur la France des températures minimales et maximales de l'été (période du 1 er juin
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailFaire un semi variograme et une carte krigée avec surfer
Faire un semi variograme et une carte krigée avec surfer Jérôme Mathieu http://www.jerome.mathieu.freesurf.fr avril 2004 Fichier de données Faire un fichier excel avec les données organisée en colonnes:
Plus en détailL utilisation d un réseau de neurones pour optimiser la gestion d un firewall
L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailRESUMÉ NON TECHNIQUE ELABORATION DES CARTES DE BRUIT COMMUNAUTE D AGGLOMERATION DU HAUT VAL DE MARNE
DIRECTION GENERALE ADJOINTE CHARGEE DE L AMENAGEMENT ET DU DEVELOPPEMENT Service études et prospective RESUMÉ NON TECHNIQUE ELABORATION DES CARTES DE BRUIT COMMUNAUTE D AGGLOMERATION DU HAUT VAL DE MARNE
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailL équilibre offre-demande d électricité en France pour l été 2015
L équilibre offre-demande d électricité en France pour l été 2015 Synthèse Juin 2015 Sommaire Analyse globale 4 1. Prévision de consommation 5 2. Disponibilité du parc de production 7 3. Étude du risque
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailTélégestion et logiciels, des auxiliaires pour une gestion patrimoniale performante
Programme Rencontre Technique ASCOMADE Télégestion et logiciels, des auxiliaires pour une gestion patrimoniale performante Présentation du logiciel de modélisation EPANET 1 Présentation du Logiciel Rôle
Plus en détailNOTICE DOUBLE DIPLÔME
NOTICE DOUBLE DIPLÔME MINES ParisTech / HEC MINES ParisTech/ AgroParisTech Diplômes obtenus : Diplôme d ingénieur de l Ecole des Mines de Paris Diplôme de HEC Paris Ou Diplôme d ingénieur de l Ecole des
Plus en détailGuide du stationnement à Strasbourg
Guide du stationnement à Strasbourg Édition 2015 Sommaire J habite le quartier...04 Je me déplace de quartier en quartier...06 Je viens travailler en ville...08 Je viens en ville occasionnellement...10
Plus en détailSpécialité Sciences Mécaniques et Ingénierie
Master 2 Sciences, Technologies, Santé Mention Mécanique Spécialité Sciences Mécaniques et Ingénierie Parcours R&D en mécanique des fluides Parcours R&D en matériaux et structures Parcours Energétique
Plus en détailL'amélioration des performances économiques des territoires : méthodologie des cartes de performance. Application à la liaison Grenoble Sisteron
L'amélioration des performances économiques des territoires : méthodologie des cartes de performance Application à la liaison Grenoble Sisteron **** 1 Sommaire Introduction : les facteurs de développement
Plus en détailElaboration et Suivi des Budgets
Elaboration et Suivi des Budgets 1 1- La Notion Du contrôle de Gestion 2- La Place du Contrôle de Gestion dans le système organisationnel 3- La Notion des Centres de responsabilité 4- La procédure budgétaire
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailBureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr
Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr Supports de cours : webcom.upmf-grenoble.fr/lip/perso/dmuller/m2r/acm/
Plus en détailFormulaire de déclaration du risque Assurance DRONE Responsabilité Civile Assurance Corps
Assurances DECOTTIGNIES 22 rue du Général Leclerc 02600 VILLERS COTTERETS Tél : 03 23 55 10 22 Fax : 03 51 08 11 45 Email : assurances.decottignies@gmail.com Site web : http://www.assurance-decottignies.fr/
Plus en détailLe drone de cartographie professionnelle
Le drone de cartographie professionnelle 4 raisons de choisir l'ebee 01. Réalisez plus de cartes, d'une plus grande précision L'eBee peut couvrir jusqu'à 12 km² au cours d'un seul vol. Quand il survole
Plus en détailComplexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation
Complexité Objectifs des calculs de complexité : - pouvoir prévoir le temps d'exécution d'un algorithme - pouvoir comparer deux algorithmes réalisant le même traitement Exemples : - si on lance le calcul
Plus en détailStatistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier
Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailHealth 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 détaild interpolation spatiale, la piézométrie à l aide de l extension Geostatistical Analyst d ArcGIS du système aquifère phréatique de Sfax (Tunisie)
Evaluation de techniques d interpolation spatiale de la piézométrie à l aide de l extension Geostatistical Analyst d ArcGIS Cas du système aquifère phréatique de Sfax (Tunisie) IBTISSEM TRIKI, IMEN HENTATI,
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailSimuler le cumul pour valider
Énergies renouvelables et eau chaude Simuler le cumul pour valider Est-il opportun de cumuler les énergies pour améliorer les installations de production d eau chaude sanitaire? Quelles sont les interactions
Plus en détail1 INTERET ET ELEMENTS D INTERPRETATION DE L INDICATEUR
Fiche méthodologique INDICATEUR : L DEN LIÉ AU TRAFIC AÉRIEN THEME : BRUIT 1 INTERET ET ELEMENTS D INTERPRETATION DE L INDICATEUR Question posée par l indicateur : Quelle est la répartition spatiale des
Plus en détailLFP Opportunité Immo RISQUES ASSOCIES
LFP Opportunité Immo RISQUES ASSOCIES Les parts de SCPI sont des supports de placement à long terme et doivent être acquises dans une optique de diversification de votre patrimoine. La durée de placement
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailBilan de la qualité de l air en Franche-Comté www.atmo-franche-comte.org
Bilan de la qualité de l air en Franche-Comté www.atmo-franche-comte.org Sommaire I. Bilan social d ATMO Franche-Comté 4 I.1. Point sur les mouvements de personnel 4 I.2. Accueil de stagiaires 4 3 I.3.
Plus en détail14. Introduction aux files d attente
14. Introduction aux files d attente MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: Files d attente 1/24 Plan 1. Introduction 2. Modèle M/M/1 3. Modèle M/M/1/K MTH2302D: Files
Plus en détailPourquoi les ménages à bas revenus paient-ils des loyers de plus en plus élevés?
LOGEMENT Pourquoi les ménages à bas revenus paient-ils des loyers de plus en plus élevés? L incidence des aides au logement en France (1973-2002) Gabrielle Fack* Depuis la fin des années 1970, les aides
Plus en détailThéorie des sondages : cours 5
Théorie des sondages : cours 5 Camelia Goga IMB, Université de Bourgogne e-mail : camelia.goga@u-bourgogne.fr Master Besançon-2010 Chapitre 5 : Techniques de redressement 1. poststratification 2. l estimateur
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailProjet SENTINELLE Appel àprojets «CO 2»Déc. 2007
Projet SENTINELLE Appel àprojets «CO 2»Déc. 2007 Philippe de DONATO Université de Lorraine/CNRS Co-auteurs: C. PRINET, B. GARCIA, H. LUCAS, Z. POKRYSZKA, S. LAFORTUNE, P. FLAMANT, F. GIBERT, D. EDOUART,
Plus en détailModélisation de la demande de transport
Modélisation de la demande de transport Logiciels pour la modélisation déplacements-trafic Fabien Leurent ENPC / LVMT Les Systèmes d Information Géographique Les boîtes à outils de planification Logiciels
Plus en détailMortalité observée et mortalité attendue au cours de la vague de chaleur de juillet 2006 en France métropolitaine
Mortalité observée et mortalité attendue au cours de la vague de chaleur de uillet en France métropolitaine FOUILLET A 1, REY G 1, JOUGLA E, HÉMON D 1 1 Inserm, U75, Villeuif, France. Inserm CépiDc, IFR9,
Plus en détailRapport d'expertise. Réalisé pour le compte de la DRIRE Ile-de-France. par :
Rapport d'expertise CARTOGRAPHIE DES NIVEAUX DE BENZENE EN ILE-DE-FRANCE & EVALUATION DE L'EXPOSITION POTENTIELLE DE LA POPULATION FRANCILIENNE A LA POLLUTION PAR LE BENZENE Réalisé pour le compte de la
Plus en détail