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

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

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

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

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

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

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

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

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

CHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle

CHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle CHAPITRE I Modélisation de processus et estimation des paramètres d un modèle I. INTRODUCTION. Dans la première partie de ce chapitre, nous rappelons les notions de processus et de modèle, ainsi que divers

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

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

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

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

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

Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées.

Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées. Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées. Baptiste Gregorutti 12, Bertrand Michel 2 & Philippe Saint Pierre 2 1 Safety

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

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

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

Cours 3: Inversion des matrices dans la pratique...

Cours 3: Inversion des matrices dans la pratique... Cours 3: Inversion des matrices dans la pratique... Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module complémentaire de maths, année 2012 1 Rappel de l épisode précédent

Plus en détail

Manlab. Logiciel de continuation interactif. R. Arquier B. Cochelin C. Vergez

Manlab. Logiciel de continuation interactif. R. Arquier B. Cochelin C. Vergez Manlab Logiciel de continuation interactif R. Arquier B. Cochelin C. Vergez Laboratoire de mécanique et d acoustique (UPR CNRS 7051) Ecole généraliste d ingénieurs de Marseille (EGIM) Technopôle de Château-Gombert

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

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57

Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57 Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation

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

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

UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES. STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre. Fiche N 7.

UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES. STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre. Fiche N 7. UNIVERSITE PARIS 1 PANTHEON SORBONNE LICENCE DE SCIENCES ECONOMIQUES STATISTIQUE APPLIQUEE F. Gardes / P. Sevestre Fiche N 7 (avec corrigé) L objet de ce TD est de vous initier à la démarche et à quelques

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

Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples

Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples 45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et

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

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

Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon

Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon Statistique en grande dimension pour la génomique Projets 2014-2015 L. Jacob, F. Picard, N. Pustelnik, V. Viallon Table des matières 1 Graph Kernels for Molecular Structure-Activity Relationship Analysis

Plus en détail

Cours IFT6266, Exemple d application: Data-Mining

Cours IFT6266, Exemple d application: Data-Mining Cours IFT6266, Exemple d application: Data-Mining Voici un exemple du processus d application des algorithmes d apprentissage statistique dans un contexte d affaire, qu on appelle aussi data-mining. 1.

Plus en détail

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

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

Plus en détail

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

Résolution de systèmes linéaires par des méthodes directes

Résolution de systèmes linéaires par des méthodes directes Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.

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

LE MODELE CONCEPTUEL DE DONNEES

LE MODELE CONCEPTUEL DE DONNEES LE MODELE CONCEPTUEL DE DONNEES Principe : A partir d'un cahier des charges, concevoir de manière visuelle les différents liens qui existent entre les différentes données. Les différentes étapes de réalisation.

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

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

: 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

Programme de mathématiques TSI1

Programme de mathématiques TSI1 Programme de mathématiques TSI1 1. PROGRAMME DE DÉBUT D ANNÉE I. Nombres complexes et géométrie élémentaire 1. Nombres complexes 1 2. Géométrie élémentaire du plan 3 3. Géométrie élémentaire de l espace

Plus en détail

Résolution d un problème d assimilation variationnelle 4D-VAR par des modèles réduits POD adaptatifs

Résolution d un problème d assimilation variationnelle 4D-VAR par des modèles réduits POD adaptatifs Résolution d un problème d assimilation variationnelle 4D-VAR par des modèles réduits POD adaptatifs G. TISSOT, L. CORDIER, B. R. NOACK Institut Pprime, Dpt. Fluides, Thermique et Combustion, 8636 Poitiers

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

TD 2 Exercice 1. Un bûcheron a 100 hectares de bois de feuillus. Couper un hectare de bois et laisser la zone se régénérer naturellement coûte 10 kf par hectares, et rapporte 50 kf. Alternativement, couper

Plus en détail

CHAPTER 1. Introduction

CHAPTER 1. Introduction CHAPTER Introduction.. Quelques notions mathématiques indispensables... Voisinage. On appelle voisinage d'un point x R tout intervalle ouvert ]x h, x + h[, avec h >, centré sur x. Une propriété P t est

Plus en détail

Optimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h

Optimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels

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

UTFPR. Nada Benlahbib. [DATA MINING] Fertility Data Set

UTFPR. Nada Benlahbib. [DATA MINING] Fertility Data Set UTFPR [DATA MINING] Fertility Data Set Sommaire Introduction... 2 1. Description de la base de données... 3 1.1. Origine de la base... 3 1.2. Description des attributs... 3 1.3. Exploration des données...

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

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

Reconstruction d images binaires par l estimation moindres carrés et l optimisation valeur propre

Reconstruction d images binaires par l estimation moindres carrés et l optimisation valeur propre Reconstruction d images binaires par l estimation moindres carrés et l optimisation valeur propre Stéphane Chrétien & Franck Corset Université de Franche-Comté, UMR6623, Département Mathématiques 16 route

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

LE POINT SUR LES MATHÉMATIQUES DANS LES BTS RENTRÉE 2003

LE POINT SUR LES MATHÉMATIQUES DANS LES BTS RENTRÉE 2003 LE POINT SUR LES MATHÉMATIQUES DANS LES BTS RENTRÉE 00 ) LES PROGRAMMES a) Le cadre général L arrêté du 8 juin 00 comporte trois annexes, notamment l annexe donnant l intégralité des modules permettant

Plus en détail

TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION

TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun

Plus en détail

Auto-stabilisation (Self-stabilization) Colette Johnen L.R.I./C.N.R.S. Universite de Paris-Sud Bat. 490, Campus d'orsay F-91405 Orsay Cedex, France. tel : (+33) 1 69 41 66 29 fax : (+33) 1 69 41 65 86

Plus en détail

1 Codes linéaires. G = [I k A]. Dans ce cas on constate que la matrice. H = [ t A I n k ] est une matrice de contrôle de C. Le syndrome de x F n q

1 Codes linéaires. G = [I k A]. Dans ce cas on constate que la matrice. H = [ t A I n k ] est une matrice de contrôle de C. Le syndrome de x F n q 1 Codes linéaires Un code de longueur n est une partie de F n q. Un code linéaire C de longueur n sur le corps ni F q est un sous-espace vectoriel de F n q. Par défaut, un code sera supposé linéaire. La

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

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

La régression sur données de panel

La régression sur données de panel La régression sur données de panel 1 I. Définition Les données utilisées en économétrie sont le plus souvent des séries chronologiques, tel le nombre de naissances enregistrées par an dans le département

Plus en détail

Algorithmique et Programmation TD n 9 : Fast Fourier Transform

Algorithmique et Programmation TD n 9 : Fast Fourier Transform Algorithmique et Programmation TD n 9 : Fast Fourier Transform Ecole normale supérieure Département d informatique td-algo@di.ens.fr 2011-2012 1 Petits Rappels Convolution La convolution de deux vecteurs

Plus en détail

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.

Sujet 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 détail

Premier Exemple. Premier Exemple - Slack variables. Optimiser? Un peu de maths préliminaires La géométrie des PL

Premier Exemple. Premier Exemple - Slack variables. Optimiser? Un peu de maths préliminaires La géométrie des PL 1 Intro, Optimisation, Problème Linéaire 2 1 Intro, Optimisation, Problème Linéaire Optimiser? Problème Linéaire Un peu de maths préliminaires La géométrie des PL 2 Laure Gonnord (Lyon1 / ENS Lyon) Optimisation

Plus en détail

Ordonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1

Ordonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1 CHAPTER 1 Ordonnancement 1.1. Étude de cas Ordonnancement de tâches avec contraintes de précédences 1.1.1. Exemple : construction d'une maison. Exercice. On veut construire une maison, ce qui consiste

Plus en détail

Apprentissage du filtre de Kalman couple avec application à la poursuite de l iris

Apprentissage du filtre de Kalman couple avec application à la poursuite de l iris Apprentissage du filtre de Kalman couple avec application à la poursuite de l iris Valérian Némesin, Stéphane Derrode, Institut Fresnel (UMR 7249) Ecole Centrale Marseille, Vidéo de l oeil 2 Sommaire 1.

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

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

HENRI ROUDIER ALGEBRE LINEAIRE COURS & EXERCICES CAPES &AGRÉGATION INTERNES & EXTERNES DEUXIÈME ÉDITION REVUE &.AUGMENTÉE VUIBERT

HENRI ROUDIER ALGEBRE LINEAIRE COURS & EXERCICES CAPES &AGRÉGATION INTERNES & EXTERNES DEUXIÈME ÉDITION REVUE &.AUGMENTÉE VUIBERT HENRI ROUDIER ALGEBRE LINEAIRE COURS & EXERCICES CAPES &AGRÉGATION INTERNES & EXTERNES DEUXIÈME ÉDITION REVUE &.AUGMENTÉE VUIBERT Table analytique des matières 1. La structure d'espace vectoriel 1. Espaces

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

Introduction générale au codage de canal

Introduction générale au codage de canal Codage de canal et turbo-codes 15/9/2 1/7 Introduction générale au codage de canal Table des matières Table des matières... 1 Table des figures... 1 1. Introduction... 2 2. Notion de message numérique...

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

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

Programme de Première

Programme de Première BAC TECHNO STAV 66 I. Algèbre Programme de Première Objectif 1 - Effectuer de manière autonome des calculs numériques ou algébriques, résoudre des équations ou inéquations en vue de résoudre des problèmes

Plus en détail

Echantillonnage Non uniforme

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

Plus en détail

Formulaire de Maths. par Xavier Chauvet C OLLECTION LES MÉMENTOS DE L INSEEC MÉMENTO N 10

Formulaire de Maths. par Xavier Chauvet C OLLECTION LES MÉMENTOS DE L INSEEC MÉMENTO N 10 C OLLECTION LES MÉMENTOS DE L INSEEC CAHIERS MÉTHODOLOGIQUES POUR LES CLASSES PRÉPARATOIRES AUX GRANDES ÉCOLES DE COMMERCE Formulaire de Maths par Xavier Chauvet MÉMENTO N 10 Les Mémentos de l INSEEC Depuis

Plus en détail

NON-LINEARITE ET RESEAUX NEURONAUX

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

Plus en détail

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

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

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

ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES

ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES ANALYSE MULTI CAPTEUR DE SIGNAUX TRANSITOIRES ISSUS DES SYSTEMES ELECTRIQUES Bertrand GOTTIN Directeurs de thèse: Cornel IOANA et Jocelyn CHANUSSOT 03 Septembre 2010 Problématique liée aux Transitoires

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

2. Formalisation ... Or les variables sont indépendantes. Donc si

2. Formalisation ... Or les variables sont indépendantes. Donc si L'estimation 1. Concrètement... Dernièrement un quotidien affichait en première page : en 30 ans les françaises ont grandi de... je ne sais plus exactement, disons 7,1 cm. C'est peut-être un peu moins

Plus en détail

Espaces vectoriels et applications linéaires

Espaces vectoriels et applications linéaires Espaces vectoriels et applications linéaires Exercice 1 On considère l'ensemble E des matrices carrées d'ordre 3 défini par,,, 1) Montrer que est un sous-espace vectoriel de l'espace vectoriel des matrices

Plus en détail

MCMC et approximations en champ moyen pour les modèles de Markov

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

Plus en détail

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

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

L essentiel du cours 2014/2015 Terminale S Spécialité Maths, Lycée Français de Valence

L essentiel du cours 2014/2015 Terminale S Spécialité Maths, Lycée Français de Valence L essentiel du cours 2014/2015 Terminale S Spécialité Maths, Lycée Français de Valence Sommaire 1. Arithmétique 2 1.1. Division euclidienne......................... 2 1.2. Congruences.............................

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

COLLOQUE NATIONAL de la PERFORMANCE INDUSTRIELLE

COLLOQUE NATIONAL de la PERFORMANCE INDUSTRIELLE COLLOQUE NATIONAL de la PERFORMANCE INDUSTRIELLE Analyse vibratoire expérimentale : outil de surveillance et de diagnostic Dr Roger SERRA ENIVL / LMR 1 Contexte (1/2) Première publication de la charte

Plus en détail

= 1 si n = m& où n et m sont souvent des indices entiers, par exemple, n, m = 0, 1, 2, 3, 4... En fait,! n m

= 1 si n = m& où n et m sont souvent des indices entiers, par exemple, n, m = 0, 1, 2, 3, 4... En fait,! n m 1 épartement de Physique, Université Laval, Québec Pierre Amiot, 1. La fonction delta et certaines de ses utilisations. Clientèle Ce texte est destiné aux physiciens, ingénieurs et autres scientifiques.

Plus en détail

Examen optimisation Centrale Marseille (2008) et SupGalilee (2008)

Examen optimisation Centrale Marseille (2008) et SupGalilee (2008) Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut

Plus en détail

Introduction à l analyse des données. Analyse des Données (1) Exemple, ville et (in)sécurité. Exemple, ville et (in)sécurité

Introduction à l analyse des données. Analyse des Données (1) Exemple, ville et (in)sécurité. Exemple, ville et (in)sécurité Introduction à l analyse des données Analyse des Données () Le but de l analyse de données est de synthétiser, structurer l information contenue dans des données multidimensionnelles Deux groupes de méthodes

Plus en détail

CH.1 COMPLEXITÉ. 1.1 Les ordres de grandeur 1.2 Les récurrences linéaires 1.3 Des exemples

CH.1 COMPLEXITÉ. 1.1 Les ordres de grandeur 1.2 Les récurrences linéaires 1.3 Des exemples CH.1 COMPLEXITÉ 1.1 Les ordres de grandeur 1.2 Les récurrences linéaires 1.3 Des exemples L2-2 ch1 1 1.1 Les ordres de grandeur Chaque problème peut être résolu de différentes manières par des algorithmes

Plus en détail

COURS OPTIMISATION. Cours à l ISFA, en M1SAF. Ionel Sorin CIUPERCA

COURS OPTIMISATION. Cours à l ISFA, en M1SAF. Ionel Sorin CIUPERCA COURS OPTIMISATION Cours à l ISFA, en M1SAF Ionel Sorin CIUPERCA 1 Table des matières 1 Introduction 4 1.1 Motivation.................................... 4 1.2 Le problème général d optimisation......................

Plus en détail

Une approche pour un contrôle non-linéaire temps réel

Une approche pour un contrôle non-linéaire temps réel Une approche pour un contrôle non-linéaire temps réel L. Mathelin 1 L. Pastur 1,2 O. Le Maître 1 1 LIMSI - CNRS Orsay 2 Université Paris-Sud 11 Orsay GdR Contrôle des décollements 25 Nov. 2009 Orléans

Plus en détail

Introduction à la Statistique Inférentielle

Introduction à la Statistique Inférentielle UNIVERSITE MOHAMMED V-AGDAL SCIENCES FACULTE DES DEPARTEMENT DE MATHEMATIQUES SMI semestre 4 : Probabilités - Statistique Introduction à la Statistique Inférentielle Prinemps 2013 0 INTRODUCTION La statistique

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

RECONNAISSANCE DE LA MAIN POUR LES INTERFACES GESTUELLES

RECONNAISSANCE DE LA MAIN POUR LES INTERFACES GESTUELLES RECONNAISSANCE DE LA MAIN POUR LES INTERFACES GESTUELLES Sébastien Marcel Olivier Bernier Daniel Collobert France Telecom - CNET DTL / DLI / TNT 2 avenue Pierre Marzin 22307 Lannion FRANCE Les interfaces

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

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

Fiche Méthode 11 : Noyaux et images.

Fiche Méthode 11 : Noyaux et images. Fiche Méthode 11 : Noyaux et images. On se place dans un espace vectoriel E de dimension finie n, muni d une base B = ( e 1,..., e n ). f désignera un endomorphisme de E 1 et A la matrice de f dans la

Plus en détail