Dimension: px
Commencer à balayer dès la page:

Download ""

Transcription

1 Conception systematique d'algorithmes de detection de pannes dans les systemes dynamiques Michele Basseville, Irisa/Cnrs, Campus de Beaulieu, Rennes Cedex, bassevilleirisa.fr. 1 Publications. Exemples Publication originale [1 ] A. Benveniste, M. Basseville, G. Moustakides (1987). The asymptotic local approach to change detection and model validation. IEEE Trans. Automatic Control, vol.ac-32, no 7, pp Points d'entree bibliographiques conseilles [2 ] M. Basseville (1997). Statistical approaches to industrial monitoring problems - Fault detection and isolation. Plenary Talk, 11th Ifac/Ifors Symp. Identication and System Parameter Estimation - Sysid'97, Fukuoka, Japan. { Rapport de Recherche Irisa no 1122/ Inria no ftp://ftp.irisa.fr/techreports/1997/pi-1122.ps.gz. [3 ] M. Basseville, A. Benveniste, Q. Zhang (1996). Surveillance d'installations industrielles : demarche generale et conception de l'algorithmique. Rapport de Recherche Irisa no 1010/ Inria no ftp://ftp.irisa.fr/techreports/1996/pi-1010.ps.gz. Exemples d'applications Surveillance vibratoire des machines et structures : Changements de la structure propre de la matrice de transition d'etat d'un systeme lineaire dynamique [8, 6]. Surveillance des chambres de combustion d'une turbine a gaz : Changements de parametres dans un systeme non-lineaire statique [7]. Surveillance du pot catalytique d'une automobile : Changements de parametres dans un systeme non-lineaire dynamique [10]. 2 Objectifs Construction systematique d'algorithmes de detection de pannes dans des systemes dynamiques, l'objectif privilegie etant la surveillance de pannes de systeme, plus delicate que celle des pannes de capteurs ou d'actionneurs (voir gure 1). On ne parle ici que de detection. Le diagnostic est traite dans les references citees, en particulier [4]. 1

2 i changement de o U connue Systeme Y W s inconnue W o inconnue Figure 1: Trois types de pannes. Les donnees mesurees en sortie Y sont considerees comme la sortie d'un systeme parametre par un vecteur de parametre, et ayant plusieurs sortes d'entree, ce que, negligeant la dynamique, on peut ecrire : Y = g(; U + i ;W s )+ o + W o. On suppose l'entree U connue (mesuree). La quantite inconnue W s represente les entrees non mesurees, les excitations et perturbations inconnues et nonstationnaires du systeme, et les bruits en entree. La quantite inconnue W o represente les bruits en sortie. Les pannes (d'actionneurs) i sur les entrees et (de capteurs) o sur les sorties operent additivement, alors que les pannes (de composants) du systeme agissent par des changements du parametre. 3 Principes de la methode Approche par modeles parametriques, au sens large (i.e. un reseau de neurones ou d'ondelettes est un modele parametrique, dans lequel les parametres sont les poids, et le cas echeant les coecients de translation et dilatation [11]). Decomposition de la construction de detecteurs en deux etapes fondamentales : Fabrication d'un residu primaire : processus vectoriel H(; Y; U), transformation convenable des signaux mesures (entrees U et sorties Y ), qui reete les pannes par un changement de son vecteur moyenne. Fabrication d'un residu normalise, construit a partir de H, qui est un vecteur (et pas un processus) Z(; Y; U), Gaussien de covariance connue (calculable a partir des signaux mesures). Une grande classe de problemes de detection portant sur le parametre d'un processus aleatoire, se trouvent ainsi reduits au probleme, tres simple, de detection de changement dans la moyenne d'un vecteur Gaussien. Le seul travail conceptuel a faire est donc de trouver une fonction H pertinente. Residu primaire et fonction d'estimation. On note Y 1 un echantillon de taille de donnees Y,et, sans restreindre la generalite, on supprime la mention explicite de l'entree U (connue ou mesuree). Denition 3.1 Une fonction H(; Y k 1 ) 1 est un residu primaire sielleestdierentiable en et s'il existe un voisinage ( 0 ) tel que E H( 0 ; Y k 1 ) = 0 si = 0 (1) E H( 0 ; Y k 1 ) 6= 0 si 2 ( 0) n 0 ; (2) ou E est l'esperance lorsque le parametre du systeme est. Pour isoler des (sous-ensembles de) composantes de, une requ^ete supplementaire est que la matrice Jacobienne M( 0 ) =, E 0 H(; Y 1 k ) soit de rang colonne plein. (3) 1 Cette notation doit ^etre interpretee [2]. Voir presentation formelle en [9][part1,chap.5] et [5][chap8]. 2

3 A cause de (1)-(2), qui est exactement une condition d'identiabilite locale, il y aunlien etroit entre un residu primaire et une fonction d'estimation. Voir cependant les remarques faites a la n. A cause de (3), la dimension d'un residu primaire doit ^etre superieure ou egale a celle du parametre. Deux exemples typiques d'une telle fonction H sont le gradient, par rapport a, de la log-vraisemblance : 1 ) H( 0 ; Y k 1 )= ln p (Y k jy k,1 qui est appele score ecace, et le gradient du carre de l'erreur de prediction H( 0 ; Y k 1 )=, 1 2, T k () k () (4) ou l'erreur de prediction est k () =Y k, b Ykjk,1() et b Ykjk,1() est une prediction des donnees en sortie, basee sur le modele parametre considere. On convient d'appeler ls-score la fonction denie en (4). Si l'on s'interesse a des pannes du systeme, un contre-exemple typique de residu primaire est l'innovation. Il sut, pour s'en convaincre, de considerer l'exemple elementaire de la surveillance spectrale d'un signal scalaire, posee comme la surveillance de p coecients autoregressifs, ou le score ecace est le produit de l'innovation par le vecteur des p observations passees (et, donc, pas la seule innovation). Une erreur d'estimation d'etat n'est, de m^eme, pas un residu primaire pertinent en general. Residu normalise. M^eme pour des modeles lineaires simples et des fonctions d'estimation classiques, la distribution du residu primaire H est inconnue, ce qui pose probleme pour le choix d'un seuil auquel le confronter. Un moyen de contourner cette diculte consiste a supposer des hypotheses proches (approche dite locale) H 0 : = 0 et H 1 : = 0 + p (5) ce qui, pour grand, correspond a des deviations faibles en, et a accumuler les residus primaires. Denition 3.2 Etant donnes un residu primaire H et un echantillon de nouvelles donnees Y de taille, le residu normalise est deni comme Z ( 0 ) = 1 p X k=1 H( 0 ; Y k 1 ) (6) Pour tout residu primaire (fonction d'estimation) H satisfaisant (1)-(2) et susamment regulier, ce residu normalise est asymptotiquement unvecteur Gaussien, sous les deux hypotheses H 0 et H 1, ce qui rend son evaluation aisee. Plus precisement, soit ( 0 ) = X i=, cov 0, H(0 ; Y i 1);H( 0 ; Y 1 ) ( 0 ) = lim!1 ( 0 ) (7) ou E 0 et cov 0 sont l'esperance et la covariance lorsque le parametre du systeme est 0. Alors, si ( 0 )est denie positive, le theoreme central limite (clt) suivant est valide [1, 12] Z ( 0 )! ( (0; (0 )) sous P 0 (M( 0 ); ( 0 )) sous P 0+ p 3

4 ou M est denie en (3). L'estimation de M a partir d'un echantillon de donnees est obtenue en remplacant l'esperance par une moyenne d'ensemble. L'estimation de la covariance est plus delicate [12]. Sous l'hypothese (3), le test correspondant entre les hypotheses H 0 et H 1 denies en (5) est alors Z T,1 M, M T,1 M,1 M T,1 Z (8) ou ladependance en 0 aete supprimee par souci de simplicite. Il s'agit d'un test du 2. Son parametre de non-centralite est T M T,1 M. oter que ce detecteur (8) est inchange lorsque la fonction d'estimation H est pre-multipliee par un gain matriciel inversible (voir consequences interessantes en [6]). Lorsque M est carree et inversible, le test (8) se reduit a Z T,1Z. Choix de residus primaires pour les trois exemples d'application [2]. Le premier exemple a ete traite en s'appuyant soit sur la methode d'identication par variables instrumentales (equations de Yule- Walker decalees) reposant surune formulation du probleme par modele entrees-sorties arma [8], soit sur les methodes d'identication stochastiques par sous-espaces, reposant sur une formulation du probleme par modele d'etat lineaire [6]. Le deuxieme exemple a ete traite a l'aide du ls-score : l'erreur de prediction, dans ce cas, est une erreur d'estimation (de sorties), puisque le modele entrees-sorties est suppose statique [7, 12]. Le troisieme exemple a ete traite soita l'aide d'un ls-score s'appuyant sur une formulation du probleme par modele d'etat non-lineaire - ce qui suppose de disposer d'un observateur complet de l'etat [10], soit a l'aide d'un ls-score s'appuyant sur une formulation du probleme par modele entrees-sorties equivalent, ce qui est possible en non-lineaire egalement [13]. 4 Quelques caracteristiques de la methode Precautions d'emploi. Calcul de la matrice de covariance du residu normalise. Avantages. Tres grande sensibilite; e.g., en surveillance vibratoire, detection de changements de frequence de 1%, ou de changements modaux se traduisant uniquement surlageometrie des deformees modales. Complexite. Les tests sont des formes quadratiques, peu co^uteuses a calculer. La complexite dudetecteur provient essentiellement de celle du calcul du residu primaire, qui peut ^etre co^uteux lorsque le modele dynamique est un peu complique. 5 References complementaires et remarques Dans les trois exemples d'application mentionnes, les signaux contiennent des non-stationarites de plusieurs types : certaines sont a detecter (e.g. changements de caracteristiques vibratoires ou thermiques), d'autres pas (e.g. modications de l'environnementouchangements de mode de fonctionnement delamachine). Ilya plusieurs facons de se debarasser de ces phenomenes de nuisance, soit par le choix de la fonction d'estimation (e.g. equations de Yule-Walker decalees [8]), soit dans la denition des hypotheses entre lesquelles on teste (ellipsode de robustesse autour du point dereference 0 [7]). D'autre part, il convient de remarquer que l'hypothese (3) concernant la Hessienne, qui est requise pour le calcul des tests du 2, est bien plus faible que celles qui sont necessaires pour garantir sa stabilite [9]. Ceci signie qu'une fonction d'estimation peut tres bien ^etre de peu d'inter^et pour la conception d'algorithmes d'identication recursifs, et tout-a-fait pertinente pour la conception d'algorithmes de surveillance (m^eme en-ligne). C'est d'ailleurs ce que l'on a constate pourlemodele non-lineaire statique du deuxieme exemple, pour l'identication duquel il a fallu operer en deux etapes, separant l'estimation des coecients non-lineaires de celle des autres coecients (lineaires); alors que la surveillance a ete eectuee de maniere satisfaisante a l'aide d'un ls-score global en tous les parametres [7, 12]. Enn, cette methode de conception algorithmique peut ^etre adaptee au cas ou existe un biais dans l'identication du parametre de reference 0 - par exemple, dans le cas de modeles a entrees et sorties bruitees [12, 7]. 4

5 [4 ] M. Basseville (1997). Information criteria for residual generation and fault detection and isolation. Automatica, vol.33, no 5, pp [5 ] M. Basseville, I. ikiforov (1993). Detection of Abrupt Changes { Theory and Applications. Prentice Hall,.J. [6 ] M. Basseville, M. Abdelghani, A. Benveniste (1997). Subspace-based fault detection and isolation methods - Application to vibration monitoring. Rapport de Recherche Irisa no 1143/ Inria no ftp://ftp.irisa.fr/techreports/1997/pi-1143.ps.gz. [7 ] M. Basseville, A. Benveniste, G. Mathis, Q. Zhang (1994). Monitoring the combustion set of a gas turbine, Ifac/IMACS Symp. SAFEPROCESS'94, Helsinki. [8 ] M. Basseville, A. Benveniste, B. Gach-Devauchelle, M. Goursat, D. Bonnecase, P. Dorey, M. Prevosto, M. Olagnon (1993). Damage monitoring in vibration mechanics: issues in diagnostics and predictive maintenance. Mecha. Syst. and Sig. Proc., vol.7, no 5, pp [9 ] A. Benveniste, M. Metivier, P. Priouret (1990). Adaptive Algorithms and Stochastic Approximations. Springer, Y. [10 ] C. Cussenot, M. Basseville, F. Aimard (1996). Monitoring the vehicle emission system components. Ifac'96 World Conf., San Francisco, CA. [11 ] Q. Zhang (1995). Using nonlinear black-box models in fault detection and isolation. Rapport de Recherche Irisa no 951. ftp://ftp.irisa.fr/techreports/1995/pi-951.ps.gz. [12 ] Q. Zhang, M. Basseville, A. Benveniste (1994). Early warning of slight changes in systems and plants with application to condition based maintenance. Automatica, vol.30, no 1, pp [13 ] Q. Zhang, M. Basseville, A. Benveniste (1996). Fault detection and isolation in nonlinear dynamic systems : a combined input-output and local approach. Rapport de Recherche Irisa no 1074/ Inria no ftp://ftp.irisa.fr/techreports/1996/pi-1074.ps.gz. 5

Autour de Perron, Frobenius et Markov

Autour de Perron, Frobenius et Markov Université Claude Bernard Lyon 1-2007/2008 Préparation Capes - Algèbre et Géométrie - Devoir à rendre le 12 février 2008 - Autour de Perron Frobenius et Markov Rappels et notations On note M mn (K) le

Plus en détail

Théorie et codage de l information

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

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en détail

Introduction au modèle linéaire général

Introduction au modèle linéaire général Résumé Introductions au modèle linéaire général Retour au plan du cours Travaux pratiques 1 Introduction L objet de ce chapitre est d introduire le cadre théorique global permettant de regrouper tous les

Plus en détail

Signaux, modèles et algorithmes

Signaux, modèles et algorithmes Projet SIGMA2 Signaux, modèles et algorithmes Localisation : Rennes 1 Composition de l équipe Responsable scientifique François Le Gland [DRDR Inria, à partir du 8 novembre 1999] Assistante de projet Marie-Noëlle

Plus en détail

Problème: si les tableaux que l'on trie sont déjà à peu près triés, l'algorithme n'est pas efficace.

Problème: si les tableaux que l'on trie sont déjà à peu près triés, l'algorithme n'est pas efficace. Traonmilin Yann traonmil@enst.fr MOD Algorithmique Probabiliste 1. Deux exemples 1.1. Quicksort randomisé. Dans l'algorithme de tri classique Quicksort, le pivot est choisi au début du tableau puis on

Plus en détail

Soutenance de stage Laboratoire des Signaux et Systèmes

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

Plus en détail

Applications linéaires

Applications linéaires Applications linéaires I) Applications linéaires - Généralités 1.1) Introduction L'idée d'application linéaire est intimement liée à celle d'espace vectoriel. Elle traduit la stabilité par combinaison

Plus en détail

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Philippe Gagnepain Université Paris 1 Ecole d Economie de Paris Centre d économie de la Sorbonne-UG 4-Bureau 405 philippe.gagnepain@univ-paris1.fr

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

SPLEX Statistiques pour la classification et fouille de données en

SPLEX Statistiques pour la classification et fouille de données en SPLEX Statistiques pour la classification et fouille de données en génomique Classification Linéaire Binaire CLB Pierre-Henri WUILLEMIN DEcision, Système Intelligent et Recherche opérationnelle LIP6 pierre-henri.wuillemin@lip6.fr

Plus en détail

Calculs approchés d un point fixe

Calculs approchés d un point fixe M11 ÉPREUVE COMMUNE DE TIPE 2013 - Partie D TITRE : Calculs approchés d un point fixe Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec les

Plus en détail

INTRODUCTION. A- Modélisation et paramétrage : CHAPITRE I : MODÉLISATION. I. Paramétrage de la position d un solide : (S1) O O1 X

INTRODUCTION. A- Modélisation et paramétrage : CHAPITRE I : MODÉLISATION. I. Paramétrage de la position d un solide : (S1) O O1 X INTRODUCTION La conception d'un mécanisme en vue de sa réalisation industrielle comporte plusieurs étapes. Avant d'aboutir à la maquette numérique du produit définitif, il est nécessaire d'effectuer une

Plus en détail

Traitement des données influentes dans le cas d un sondage à deux phases avec une application au traitement de la non-réponse

Traitement des données influentes dans le cas d un sondage à deux phases avec une application au traitement de la non-réponse Traitement des données influentes dans le cas d un sondage à deux phases avec une application au traitement de la non-réponse Jean-François Beaumont, Statistics Canada Cyril Favre Martinoz, Crest-Ensai

Plus en détail

Méthodologie d'évaluation 1. Analyse et estimation de l'erreur. 10 Novembre 2009

Méthodologie d'évaluation 1. Analyse et estimation de l'erreur. 10 Novembre 2009 Méthodologie d'évaluation 1. Analyse et estimation de l'erreur 10 Novembre 2009 Datamining 1 2009-2010 Plan 1 Décomposition biais/variance de l'erreur 2 Techniques d'estimation de l'erreur Datamining 2

Plus en détail

NOTATIONS PRÉLIMINAIRES

NOTATIONS PRÉLIMINAIRES Pour le Jeudi 14 Octobre 2010 NOTATIONS Soit V un espace vectoriel réel ; l'espace vectoriel des endomorphismes de l'espace vectoriel V est désigné par L(V ). Soit f un endomorphisme de l'espace vectoriel

Plus en détail

Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint

Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint Chapitre 5: Opérateurs dans les espaces de Hilbert. Notions d opérateur adjoint 18 mars 2008 1 Généralités sur les opérateurs 1.1 Définitions Soient H et H deux espaces de Hilbert sur C. Définition 1.1

Plus en détail

Identification parcimonieuse d un système non-linéaire en régime forcé : mesure, transformée de Hilbert-Huang et a priori.

Identification parcimonieuse d un système non-linéaire en régime forcé : mesure, transformée de Hilbert-Huang et a priori. Identification parcimonieuse d un système non-linéaire en régime forcé : mesure, transformée de Hilbert-Huang et a priori. P.-O. Mattei & M. Pachebat LMA le 15 novembre 2012 Plan de la présentation 1 Introduction

Plus en détail

Analyse en composantes principales

Analyse en composantes principales Analyse en composantes principales Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire LITIS Analyse en composantes principales p. 1/18 Introduction Objectifs Soit {x i } i=1,,l

Plus en détail

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

Plus en détail

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

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

Plus en détail

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

2. MATRICES ET APPLICATIONS LINÉAIRES

2. MATRICES ET APPLICATIONS LINÉAIRES 2. MATRICES ET APPLICATIONS LINÉAIRES 2.1 Définition Une matrice n m est un tableau rectangulaire de nombres (réels en général) à n lignes et m colonnes ; n et m sont les dimensions de la matrice. Notation.

Plus en détail

Introduction aux Support Vector Machines (SVM)

Introduction aux Support Vector Machines (SVM) Introduction aux Support Vector Machines (SVM) Olivier Bousquet Centre de Mathématiques Appliquées Ecole Polytechnique, Palaiseau Orsay, 15 Novembre 2001 But de l exposé 2 Présenter les SVM Encourager

Plus en détail

Calcul différentiel sur R n Première partie

Calcul différentiel sur R n Première partie Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité

Plus en détail

C3 : Manipulations statistiques

C3 : Manipulations statistiques C3 : Manipulations statistiques Dorat Rémi 1- Génération de valeurs aléatoires p 2 2- Statistiques descriptives p 3 3- Tests statistiques p 8 4- Régression linéaire p 8 Manipulations statistiques 1 1-

Plus en détail

Correction de l épreuve intermédiaire de mai 2009.

Correction de l épreuve intermédiaire de mai 2009. Licence de Gestion. 3ème Année Année universitaire 8-9 Optimisation Appliquée C. Léonard Correction de l épreuve intermédiaire de mai 9. Exercice 1 Avec les notations du cours démontrer que la solution

Plus en détail

Formations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS

Formations 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 détail

Table des matières. Avant propos. Chapitre I NOTIONS SUR LES SYSTEMES

Table des matières. Avant propos. Chapitre I NOTIONS SUR LES SYSTEMES Table des matières Avant propos Chapitre I NOTIONS SUR LES SYSTEMES 1. Systèmes linéaires 1 2. Systèmes stationnaires 1 3. Systèmes continus 2 4. Systèmes linéaires invariants dans le temps (LIT) 2 4.1

Plus en détail

P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S

P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S POUR L ENSEIGNEMENT DE L INFORMATIQUE MPSI première année I. Objectifs de la formation II-1 Développement de compétences et d aptitudes

Plus en détail

Travaux dirigés. Résolution numérique des équations diérentielles ordinaires. Département MIDO année 2013/2014 Master MMDMA

Travaux dirigés. Résolution numérique des équations diérentielles ordinaires. Département MIDO année 2013/2014 Master MMDMA Université Paris-Dauphine Méthodes numériques Département MIDO année 03/04 Master MMDMA Travaux dirigés Résolution numérique des équations diérentielles ordinaires Exercice. Pour α > 0, on considère le

Plus en détail

Préparation à l agrégation 2012/2013. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs.

Préparation à l agrégation 2012/2013. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs. Le jury n exige pas une compréhension exhaustive du texte. Vous êtes laissé(e) libre d organiser votre discussion

Plus en détail

Calcul Matriciel. Chapitre 10. 10.1 Qu est-ce qu une matrice? 10.2 Indexation des coefficients. 10.3 Exemples de matrices carrées.

Calcul Matriciel. Chapitre 10. 10.1 Qu est-ce qu une matrice? 10.2 Indexation des coefficients. 10.3 Exemples de matrices carrées. Chapitre 10 Calcul Matriciel 101 Qu est-ce qu une matrice? Définition : Soit K un ensemble de nombres exemples, K = N, Z, Q, R, C, n, p N On appelle matrice à n lignes et p colonnes la données de np nombres

Plus en détail

23. Interprétation clinique des mesures de l effet traitement

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

Plus en détail

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

LES MODÈLES DE PRÉVISIONS ÉCONOMIQUES. René GARCIA John GALBRAITH 17 juin 1999

LES MODÈLES DE PRÉVISIONS ÉCONOMIQUES. René GARCIA John GALBRAITH 17 juin 1999 LES MODÈLES DE PRÉVISIONS ÉCONOMIQUES René GARCIA John GALBRAITH 17 juin 1999 1 GESTION INTÉGRÉE DES RISQUES HYDRO-QUÉBEC 17 juin 1999 Prévisions économiques utilisées pour le modèle financier de Hydro-Québec

Plus en détail

Régression de Poisson

Régression de Poisson ZHANG Mudong & LI Siheng & HU Chenyang 21 Mars, 2013 Plan Composantes des modèles Estimation Qualité d ajustement et Tests Exemples Conclusion 2/25 Introduction de modèle linéaire généralisé La relation

Plus en détail

PCA appliqué à la 2D et 3D Dernière mise à jour : avril 2011

PCA appliqué à la 2D et 3D Dernière mise à jour : avril 2011 Projet 2009 2010 Biométrie 3D PCA appliqué à la 2D et 3D Dernière mise à jour : avril 2011 Département : TIC Mots clés : Biométrie, Analyse d images, Vision, Caméra thermique, Caméra temps de vol, Détection

Plus en détail

Coup de Projecteur sur les Réseaux de Neurones

Coup de Projecteur sur les Réseaux de Neurones Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche

Plus en détail

CODES CORRECTEURS D'ERREURS

CODES CORRECTEURS D'ERREURS CODES CORRECTEURS D'ERREURS Marc URO TABLE DES MATIÈRES DÉTECTION ET CORRECTION D'ERREURS... 6 CAS D'UN CANAL SANS SYMBOLE D'EFFACEMENT...6 CAS D'UN CANAL AVEC SYMBOLE D'EFFACEMENT...7 GÉNÉRATION ET DÉTECTION

Plus en détail

Critère du choix des variables auxiliaires à utiliser dans l'estimateur par calage

Critère du choix des variables auxiliaires à utiliser dans l'estimateur par calage des variables auxiliaires à utiliser dans l'estimateur par calage Mohammed El Haj Tirari Institut National de Statistique et d'economie Appliquée - roc Laboratoire de Statistique d'enquêtes, CREST - Ensai

Plus en détail

Espaces vectoriels euclidiens. Groupe orthogonal

Espaces vectoriels euclidiens. Groupe orthogonal 19 Espaces vectoriels euclidiens. Groupe orthogonal Dans un premier temps, E est un espace vectoriel réel de dimension n 1. 19.1 Espaces vectoriels euclidiens Dénition 19.1 On dit qu'une forme bilinéaire

Plus en détail

COR TD 2. Exercice 1. Déterminer si les applications f i suivantes sont linéaires : x + x, y + y )

COR TD 2. Exercice 1. Déterminer si les applications f i suivantes sont linéaires : x + x, y + y ) COR TD 2 Année 21 Exercice 1. Déterminer si les applications f i suivantes sont linéaires : f 1 : R 2 R 2 f 1 x, y = 2x + y, x y f 2 : R R f 2 x, y, z = xy, x, y f : R R f x, y, z = 2x + y + z, y z, x

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

Quantification Scalaire et Prédictive

Quantification Scalaire et Prédictive Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction

Plus en détail

Regime Switching Model : une approche «pseudo» multivarie e

Regime Switching Model : une approche «pseudo» multivarie e Regime Switching Model : une approche «pseudo» multivarie e A. Zerrad 1, R&D, Nexialog Consulting, Juin 2015 azerrad@nexialog.com Les crises financières survenues dans les trente dernières années et les

Plus en détail

Hélène Desmier ab, Pascale Kuntz a & Ivan Kojadinovic a. Pauc, 44306 Nantes. {prenom.nom}@polytech.univ-nantes.fr

Hélène Desmier ab, Pascale Kuntz a & Ivan Kojadinovic a. Pauc, 44306 Nantes. {prenom.nom}@polytech.univ-nantes.fr Une classification hiérarchique de variables discrètes basée sur l information mutuelle en pré-traitement d un algorithme de sélection de variables pertinentes. Hélène Desmier ab, Pascale Kuntz a & Ivan

Plus en détail

est diagonale si tous ses coefficients en dehors de la diagonale sont nuls.

est diagonale si tous ses coefficients en dehors de la diagonale sont nuls. Diagonalisation des matrices http://www.math-info.univ-paris5.fr/~ycart/mc2/node2.html Sous-sections Matrices diagonales Valeurs propres et vecteurs propres Polynôme caractéristique Exemples Illustration

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

3.1 Espace vectoriel. La multiplication par un scalaire. L'addition et la multiplication par un scalaire obeissent aux regles suivantes :

3.1 Espace vectoriel. La multiplication par un scalaire. L'addition et la multiplication par un scalaire obeissent aux regles suivantes : .1 Espace vectoriel Un espace vectoriel de dimension p sur le corps des reels IR est une construction mathematique dont les elements sont des vecteurs. Il est deni par deux operations : L'addition. Soient

Plus en détail

Cours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES

Cours (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 détail

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»

LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers

Plus en détail

Dérivées d ordres supérieurs. Application à l étude d extrema.

Dérivées d ordres supérieurs. Application à l étude d extrema. Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une

Plus en détail

Test de Poisson à 1 échantillon et à 2 échantillons

Test de Poisson à 1 échantillon et à 2 échantillons Test de Poisson à 1 échantillon et à 2 échantillons Sous-menus de Minitab 15 : Stat>Statistiques élémentaires>test de Poisson à 1 échantillon Stat>Statistiques élémentaires>test de Poisson à 2 échantillons

Plus en détail

3 Approximation de solutions d équations

3 Approximation de solutions d équations 3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle

Plus en détail

Cours de mathématiques - Alternance Gea

Cours de mathématiques - Alternance Gea Cours de mathématiques - Alternance Gea Anne Fredet 11 décembre 005 1 Calcul matriciel Une matrice n m est un tableau de nombres à n lignes( et m colonnes. 1 0 Par exemple, avec n = et m =, on peut considérer

Plus en détail

6.11 Bases de Lanczos bi-orthogonales pour des matrices non symétriques

6.11 Bases de Lanczos bi-orthogonales pour des matrices non symétriques Chapitre 6 Méthodes de Krylov 611 Bases de Lanczos bi-orthogonales pour des matrices non symétriques Dans le cas où la matrice A n est pas symétrique, comment peut-on retrouver une matrice de corrélation

Plus en détail

1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre

1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre 1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre BCPST Lycée Hoche $\ CC BY: Pelletier Sylvain Les deux modes de représentation des sous-espaces vectoriels Il existe deux modes

Plus en détail

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x )

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x ) Séries de Fourier Les séries de Fourier constituent un outil fondamental de la théorie du signal. Il donne lieu à des prolongements et des extensions nombreux. Les séries de Fourier permettent à la fois

Plus en détail

Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles

Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles Frédéric Messine Introduction Dans ce chapitre, nous allons étudier une application de la dérivation des fonctions de plusieurs variables

Plus en détail

Liste complète des sujets d oral (SESSION 2004) servant pour 2004-2005. Leçons d Algèbre et de Géométrie

Liste complète des sujets d oral (SESSION 2004) servant pour 2004-2005. Leçons d Algèbre et de Géométrie http://perso.wanadoo.fr/gilles.costantini/agreg.htm Liste complète des sujets d oral (SESSION 2004) servant pour 2004-2005 Légende : En italique : leçons dont le libellé a changé ou évolué par rapport

Plus en détail

Etude des propriétés empiriques du lasso par simulations

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

Plus en détail

Cours IFT6266, Apprentissage Non-Supervisé de Variétés

Cours IFT6266, Apprentissage Non-Supervisé de Variétés Cours IFT6266, Apprentissage Non-Supervisé de Variétés L Apprentissage Non-Supervisé L apprentissage non-supervisé vise à caractériser la distribution des données, et les relations entre les variables,

Plus en détail

SY09 Rapport TP4 : Analyse discriminante, régression logistique

SY09 Rapport TP4 : Analyse discriminante, régression logistique UNIVERSITÉ DE TECHNOLOGIE DE COMPIÈGNE SY09 Rapport TP4 : Analyse discriminante, régression logistique CUNI Frédéric 15 juin 2015 Objectifs du TP : Le but de ce TP est l application de l analyse discriminante

Plus en détail

Vision par ordinateur

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

Plus en détail

Fonctions homographiques

Fonctions homographiques Fonctions homographiques On donne ci-dessous deux définitions des fonctions homographiques, et on montre que ces deux définitions sont équivalentes. On décrit la courbe représentative d une fonction homographique.

Plus en détail

Reconstitution de forces dynamiques stationnaires excitant un carter cylindre de moteur

Reconstitution de forces dynamiques stationnaires excitant un carter cylindre de moteur 16 Reconstitution de forces dynamiques stationnaires excitant un carter cylindre de moteur Q. Leclere, C. Pezerat, B. Laulagnet, Laboratoire Vibrations Acoustique, INSA Lyon, 20, avenue A. Einstein, 69100

Plus en détail

téléphone sur l'exposition de la tête»

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

Plus en détail

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

Plus en détail

Chapitre 3 : INFERENCE

Chapitre 3 : INFERENCE Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage

Plus en détail

Master 1 Informatique Éléments de statistique inférentielle

Master 1 Informatique Éléments de statistique inférentielle Master 1 Informatique Éléments de statistique inférentielle Faicel Chamroukhi Maître de Conférences UTLN, LSIS UMR CNRS 7296 email: chamroukhi@univ-tln.fr web: chamroukhi.univ-tln.fr 2014/2015 Faicel Chamroukhi

Plus en détail

Bornes de performances

Bornes de performances Bornes de performances Philippe Ciblat École Nationale Supérieure des Télécommunications, Paris, France Plan CRB classiques CRB avec nuisance Autres bornes 1. Bornes de Cramer-Rao classiques avec paramètres

Plus en détail

Méthodes avancées en décision

Méthodes avancées en décision Méthodes avancées en décision Support vector machines - Chapitre 2 - Principes MRE et MRS Principe MRE. Il s agit de minimiser la fonctionnelle de risque 1 P e (d) = y d(x;w, b) p(x, y) dxdy. 2 La densité

Plus en détail

Détection de ruptures offline et online pour des processus causaux

Détection de ruptures offline et online pour des processus causaux Détection de ruptures offline et online pour des processus causaux Travaux avec W. Kengne (Paris 1, Yaoundé) et O. Wintenberger (Paris IX) Jean-Marc Bardet bardet@univ-paris1.fr Trimestre du Laboratoire

Plus en détail

Cours 02 : Problème général de la programmation linéaire

Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =

Plus en détail

Algorithmes d'apprentissage

Algorithmes d'apprentissage Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt

Plus en détail

Résolution d équations non linéaires

Résolution d équations non linéaires Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique

Plus en détail

GOUTTE. Analyse Statistique des Données Cours 4. Master 2 EID. LUISS, Libera Università Internazionale degli Studi Sociali

GOUTTE. Analyse Statistique des Données Cours 4. Master 2 EID. LUISS, Libera Università Internazionale degli Studi Sociali LUISS, Libera Università Internazionale degli Studi Sociali Université Paris 13 Laboratoire Analyse, Géométrie et Applications UMR 7539 GOUTTE Analyse Statistique des Données Cours 4 Master 2 EID goutte@math.univ-paris13.fr

Plus en détail

Cours 2 6 octobre. 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée

Cours 2 6 octobre. 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée Introduction aux modèles graphiques 2010/2011 Cours 2 6 octobre Enseignant: Francis Bach Scribe: Nicolas Cheifetz, Issam El Alaoui 2.1 Maximum de vraisemblance pour une loi Gaussienne multivariée Soit

Plus en détail

11. Tests d hypothèses (partie 1/2)

11. Tests d hypothèses (partie 1/2) 11. Tests d hypothèses (partie 1/2) MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v1) MTH2302D: tests d hypothèses 1/30 Plan 1. Introduction 2. Hypothèses et erreurs 3. Tests d hypothèses

Plus en détail

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Liban

Soutien illimité 7j/7 en maths: Coach, profs, exercices & annales, cours. Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Liban Sujet de Bac 2013 Maths S Obligatoire & Spécialité - Liban EXERCICE 1 : 4 Points Cet exercice est un questionnaire à choix multiples. Aucune justification n est demandée. Pour chacune des questions, une

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme

Plus en détail

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I

ÉLÉMENTS D OPTIMISATION. Complément au cours et au livre de MTH 1101 - CALCUL I ÉLÉMENTS D OPTIMISATION Complément au cours et au livre de MTH 1101 - CALCUL I CHARLES AUDET DÉPARTEMENT DE MATHÉMATIQUES ET DE GÉNIE INDUSTRIEL ÉCOLE POLYTECHNIQUE DE MONTRÉAL Hiver 2011 1 Introduction

Plus en détail

Boîte à outils mathématiques de base pour l infographie et l animation par ordinateur. Yves Chiricota, professeur DIM, UQAC Cours 8TRD147

Boîte à outils mathématiques de base pour l infographie et l animation par ordinateur. Yves Chiricota, professeur DIM, UQAC Cours 8TRD147 Boîte à outils mathématiques de base pour l infographie et l animation par ordinateur Yves Chiricota, professeur DIM, UQAC Cours 8TRD147 14 Janvier 2015 2 Il est impossible d envisager l étude des méthodes

Plus en détail

en sciences de l ingénieur

en sciences de l ingénieur Systèmes Automatisés Optimisation en sciences de l ingénieur présente les principales méthodes exactes d optimisation statique et dynamique. Parmi les méthodes décrites figurent : - la programmation linéaire

Plus en détail

Apprentissage de structure dans les réseaux bayésiens pour

Apprentissage de structure dans les réseaux bayésiens pour Apprentissage de structure dans les réseaux bayésiens pour la détection d événements vidéo Siwar Baghdadi 1, Claire-Hélène Demarty 1, Guillaume Gravier 2, et Patrick Gros 3 1 Thomson R&D France, 1 av Belle

Plus en détail

Vers l'ordinateur quantique

Vers l'ordinateur quantique Cours A&G Vers l'ordinateur quantique Données innies On a vu dans les chapîtres précédents qu'un automate permet de représenter de manière nie (et même compacte) une innité de données. En eet, un automate

Plus en détail

Atelier d économétrie

Atelier d économétrie Atelier d économétrie Chapitre 4 : Le problème de la multicolinéarité : application sous SAS Vincent Bouvatier Université de Paris Ouest - Nanterre La Défense Bâtiment G, bureau 308A vbouvatier@u-paris10.fr

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

: 3 si x 2 [0; ] 0 sinon

: 3 si x 2 [0; ] 0 sinon Oral HEC 2007 Question de cours : Dé nition d un estimateur ; dé nitions du biais et du risque quadratique d un estimateur. On considère n (n > 2) variables aléatoires réelles indépendantes X 1,..., X

Plus en détail

Commande auto-adaptative par auto-séquencement, avec application à un avion instable

Commande auto-adaptative par auto-séquencement, avec application à un avion instable Commande auto-adaptative par auto-séquencement, avec application à un avion instable Patrice ANTOINETTE 1 2 Gilles FERRERES 1 1 ONERA-DCSD, Toulouse 2 ISAE, Toulouse GT MOSAR, 4 juin 2009 Plan Introduction

Plus en détail

Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles

Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA

Plus en détail

Contents. Systèmes d'équations non linéaires 2 1. Dichotomie 2 2. Point xe 3 3. Méthodes de Newton et et de la sécante 5

Contents. Systèmes d'équations non linéaires 2 1. Dichotomie 2 2. Point xe 3 3. Méthodes de Newton et et de la sécante 5 Contents Systèmes d'équations non linéaires 2 1. Dichotomie 2 2. Point xe 3 3. Méthodes de Newton et et de la sécante 5 1 Systèmes d'équations non linéaires On considère un intervalle I R (borné ou non)

Plus en détail

Modélisation et diagnostic des systèmes non linéaires par Multi-ACP

Modélisation et diagnostic des systèmes non linéaires par Multi-ACP Modélisation et diagnostic des systèmes non linéaires par Multi-ACP Mohamed-Faouzi Harkat * Yvon Tharrault ** Gilles Mourot ** José Ragot ** * Université Badji Mokhtar Annaba Faculté des Sciences de l

Plus en détail

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3 Chapitre 5 Systèmes linéaires 1 Généralités sur les systèmes linéaires 2 11 Définitions 2 12 Opérations élémentaires 2 13 Systèmes échelonnés et triangulaires 3 2 Résolution des systèmes linéaires 3 21

Plus en détail

Échantillonnage. Pierre Neuvial, http://stat.genopole.cnrs.fr/~pneuvial Evry, M1 SGO, automne 2014

Échantillonnage. Pierre Neuvial, http://stat.genopole.cnrs.fr/~pneuvial Evry, M1 SGO, automne 2014 Démarche Statistique 1 Échantillonnage Pierre Neuvial, http://stat.genopole.cnrs.fr/~pneuvial Evry, M1 SGO, automne 2014 Introduction Objectif statistique descriptive: sur l'échantillon statistique inférentielle:

Plus en détail

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin Plan de la séance Traitement d images Partie 4: Restauration Thomas Oberlin Signaux et Communications, RT/ENSEEHT thomasoberlin@enseeihtfr 1 ntroduction 2 Modélisation des dégradations Modèles de bruit

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

I) Le temps des matrices. A- A propos des matrices. Quang-Thai NGO Ch 01. Difficulté ** Importance **** Objectifs

I) Le temps des matrices. A- A propos des matrices. Quang-Thai NGO Ch 01. Difficulté ** Importance **** Objectifs Ch01 : Matrice Les matrices ont été introduites récemment au programme des lycées. Il s agit d outils puissants au service de la résolution de problèmes spécifiques à nos classes, en particulier les problèmes

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