Une modélisation de durée de vie à risques de défaillance concurrents
|
|
- Véronique Chagnon
- il y a 7 ans
- Total affichages :
Transcription
1 Une modélisation de durée de vie à risques de défaillance concurrents Henri Bertholon 1, Nicolas Bousquet 2 & Gilles Celeux 3 INRIA U.R. Futurs, Département de Mathématiques, Bât.425,Université Paris-Sud Orsay cedex Abstract A simple competing risk distribution as a possible alternative to the Weibull distribution in lifetimes analysis is proposed. This distribution is the minimum between an exponential and a Weibull distributions. First, its main characteristics are presented. Then the estimation of its parameters are considered through maximum likelihood and Bayesian inference. Statistical tests to choose between a Weibull distribution and this competing risk distribution are presented. Finally numerical experiments on simulated data sets are presented. Keywords: failure time distribution; aging; Weibull distribution; exponential distribution; accidental failure; competing risk model; EM algorithm; Bayesian inference; importance sampling; likelihood ratio test Résumé Un modèle de durée de vie à risques de défaillance concurrents est proposé, comme alternative au modèle classique de Weibull d un matériel vieillissant. Ce modèle met en compétition les risques de défaillance par vieillesse et par accident, sa distribution correspondant au minimum entre des distributions exponentielle et de Weibull. L intérêt et les caractéristiques principales de ce modèle sont présentées. On propose ensuite des procédures d estimation fréquentielles et bayésiennes du modèle. Une stratégie de tests de choix de modèles simples ou concurrents est également présentée, ainsi que des analyses comparatives sur des exemples de données simulées. Mots-clés : temps de défaillance ; vieillisement ; modèle de weibull ; modèle exponentiel ; défaillance accidentelle ; modèle à risques concurrents ; algorithme EM ; inférence bayésienne ; échantillonnage pondéré ; test de rapport de vraisemblances 1 henri.bertholon@inria.fr 2 nicolas.bousquet@math.u-psud.fr 3 gilles.celeux@inria.fr 1
2 1 Introduction Dans le cadre d une étude de fiabilité, les modèles de durée de vie les plus usités sont les modèles exponentiel et de Weibull (Meeker et Escobar, 2000). Le modèle exponentiel E(η) dont la fonction de survie est R E (t) = exp( t ), (1) η le paramètre d échelle η étant l inverse du taux constant de défaillance, permet de modéliser le comportement d un matériel non vieillissant soumis à des instants de défaillance accidentels. D un autre côté, le modèle de Weibull W(η, β), de fonction de survie R W (t) = exp[ ( t η )β ] (2) et au taux de défaillance h W (t) = β η ( t η )β 1 permet de modéliser les instants de défaillance de jeunesse d un système si le paramètre de forme β < 1 ou de vieillesse si β > 1. Remarquons que si β = 1 le modèle de Weibull se réduit à un modèle exponentiel de paramètre d échelle η. Le comportement des données issues de retours d expérience est souvent modélisé par une distribution de Weibull et une question fondamentale est de décider si β = 1 ou β < 1 si l on suppose modéliser un comportement de jeunesse pour le système, ou si β = 1 ou β > 1 lorsqu on suppose un vieillissement du système. Les tests de rapport de vraisemblance permettent d apporter une réponse à cette question (d Agostino et Stephens, 1986). On considérera dans la suite de ce travail l intérêt de modéliser un possible vieillissement d un matériel également soumis à des défaillances accidentelles. Si la vieillesse est effectivement décelée, on pourrait considérer que les temps de défaillance observés peuvent suivre une loi de Weibull dont les paramètres seront à estimer. Cette modélisation implique que les occurrences d éventuelles défaillances accidentelles peuvent être considérées comme négligeables par rapport aux défaillances dues au vieillissement des matériels. En beaucoup de circonstances cette démarche se révèle raisonnable, mais il existe bon nombre de situations où négliger ces défaillances accidentelles introduit un biais important dans l analyse statistique des durées de vie. Ainsi une manière plus réaliste de modéliser les temps de défaillances d un système est de prendre en compte les deux risques de défaillance entrant en compétition, par accident ou par vieillissement. Un tel modèle a été proposé par Henri Bertholon (2001). Un temps de défaillance est la réalisation d une variable aléatoire B = min(e, W ) où E E( ) et W W(, β) avec β > 1. Le modèle B est ainsi défini par les trois paramètres, et β et sera noté B(,, β). 2
3 2 Caractéristiques de la distribution B(,, β) Nous indiquons ci-dessous les principales caractéristiques de cette distribution. Son taux de défaillance s écrit h B (x) = 1 + β ( x ) (β 1), sa fonction de survie S B (x) = exp[ 1 x ( x ) β ] ( ( ) ) β 1 1 et sa densité de probabilité f B (x) = + β x exp[ 1 x ( x ) β ]. Dans le but d analyser les rôles des paramètres d échelle et dans l occurrence des temps de défaillance, il est intéressant de calculer les probabilités qu un temps de défaillance provienne de E (défaillance accidentelle), soit la probabilité que B = E. On a P (B = E) = P (E W ). Si l on suppose par exemple que le paramètre de forme β = 2 P (B = E) = π 2 erfcx( 2 ) avec erfcx(x) = e x2 2 π + x e u2 du. Le tableau 1 présente l évolution de cette probabilité comme fonction du rapport. / P (X = E) = P (E W ) Table 1: Probabilités d une défaillance accidentelle en fonction du pour β = 2. De manière prévisible, B(,, β) W(, β) quand >> et B(,, β) E( ) quand >>. Parce que nous présumons tomber sur des situations où la vieillesse des systèmes est ressentie, il est raisonnable de fixer dans la suite de ce travail, car > implique une fréquence prédominante des défaillances accidentelles. À partir de l expression de la fonction génératrice (voir Bertholon, 2001), on trouve la moyenne et la variance du modèle B quand β = 2 : η 2 1 4η E(X) = e 0 2 π erfc( 2 2 ) avec erfc(x) = 2 + π e u2 du, et x V (X) = 2 [η ( 1 e ( ) 2η 2 0 η2 1 π erfc( ) + 1η η1 ( ) 2η 2 1e 2)] [ 0 e Il est utile de donner les valeurs limites de ces statistiques E(X) + π 2 car erfc(x) x 0 1, et V (X) η 2 1 ( 1 η 2 1 4η 2 0 ( π π 2 erfc( 2 )] 2. 2 ) 2 ). Comme on pouvait s y attendre, la moyenne et la variance de la distribution B tendent vers la moyenne et la variance de la distribution W sous-jacente. E(X) + car π x + ( erfc(x) e x2 1 ) 1 2 2x 4x, et V (X) η 2 3 0, c est-à-dire la moyenne et la variance de la distribution E sous-jacente. 3
4 3 Estimation des paramètres Nous présentons succinctement deux types de méthodes d estimation dans le contexte de données censurées à droite. En effet, la distribution B peut être considérée comme un modèle à données manquantes. On peut ainsi utiliser des algorithmes tirant parti de ces données manquantes, du type EM pour l estimation du maximum de vraisemblance (Dempster, Laird et Rubin, 1977) ou bayésiens en augmentant les données par simulation (Tanner et Wong, 1987). Soit y = (y 1,..., y n ) un échantillon suivant la distribution B pouvant contenir des censures { à droite. Chaque y i peut s écrire y i = (t i, δ i ), où 0 si ti est un temps de censure, δ i = 1 si t i est un réel temps de défaillance. La vraisemblance des données observées s écrit L(,, β y) = n f B (i i ) δ i S B (t i ) 1 δ i = n h B (t i ) δ i S B (t i ), [ ( n ( ) ) ] β 1 δi [ 1 soit L(,, β y) = + β t i n exp 1 t i n ( t i ) β ]. Les données manquantes du modèle sont les indicateurs binaires de provenance des temps de défaillance. Si t i est un temps de défaillance, on définit z i = (zi E, zw i ) où z E i = 1 et z W i = 0 si t i provient d une distribution exponentielle z W i = 1 et z E i = 0 si t i provient d une distribution de Weibull. Par convention, si t i est censuré (δ i = 0), on pose z E i = 0 et z W i = 0. Ainsi, l ensemble complet de données est x = (x i = (y i, z i ), i = 1,..., n) = (y, z). La densité d une observation complète x i s écrit f(x i ) = (f E (t i )) ze i S E (t i ) 1 ze i (f W (t i )) zw i S W (x i ) 1 zw i = h ze i E (t i) h zw i W (t i) S E (t i ) S W (t i ). La log-vraisemblance des données complètes s écrit alors n [ l(θ x) = z E i ln (h E (t i )) + zi W ln (h W (t i )) + ln (S E (t i )) + ln (S W (t i )) ]. (3) L algorithme EM consiste à maximiser la vraisemblance complète des données conditionnellement à une valeur courante des paramètres (,, β) (Dempster, Laird et Rubin, 1977, McLachlan et Krishnam, 1997). L estimation fréquentielle présentant des limitations importantes dans le cas d échantillons fortement censurés, une approche bayésienne utilisant des algorithmes d échantillonnage 4
5 pondéré, décrits dans Robert (1996), peut s avérer utile pour approximer la loi a posteriori. On propose des lois a priori pour chaque paramètre et on reconstitue des échantillons de travail à partir des données manquantes. On simule ensuite des valeurs a posteriori pour les paramètres, que l on pondère avec des poids calculés d après nos choix de simulations (exponentiels ou Weibull). Les algorithmes ainsi définis peuvent être dits préférentiels, tels que décrits, par exemple, dans Guillin, Marin et Robert (2004). Parce qu ils permettent d agrandir l échantillon de travail de manière adaptative et d utiliser la structure manquante des échantillons, ils constituent une bonne alternative aux méthodes MCMC qui peuvent s avérer trop lentes (cf Guillin et al., 2004). 4 Stratégie de Tests de Vraisemblance Les tests de rapport de vraisemblance permettent de choisir entre deux modèles dont on a évalué les paramètres par maximisation de la vraisemblance. Il s agit de tests asymptotiques. L hypothèse H 0 correspond au choix d un modèle particulier et l hypothèse H 1 au choix d un modèle plus général. Si l on note L 0 (ˆθ 0 ) et L 1 (ˆθ 1 ) les deux vraisemblances calculées, alors sous H 0 ( ) L 1 (ˆθ 1 ) 2 log χ 2 k (4) L 0 (ˆθ 0 ) où k représente le nombre de contraintes permettant la spécification de H 0 par rapport à H 1 (voir par exemple Saporta, 1996). Soit les tests T1 : H 0 = E( ˆ ) contre H 1 = W( ˆ, ˆβ) T2 : H 0 = W( ˆ, ˆβ) contre H 1 = B(,, β) Dans les deux cas k = 1. T1 est un test β = 1 contre β > 1, donc on fixe β par rapport au modèle de Weibull. Nous nous plaçons dans des conditions de vieillissement, donc on fixe dans T2. Une stratégie proposée est d aller du simple au particulier : On fait le test T1. Si le modèle E n est pas validé, on fait le test T2. Si le modèle W n est alors pas validé, on peut supposer que le vieillissement n est pas la seule cause de défaillance. La loi de Bertholon B peut alors se révéler être un modèle pertinent. 5
6 5 Analyses de données simulées Nous simulons un échantillon de taille 100 censuré à 20% selon la distribution B(2, 1, 2). L application de l algorithme EM fournit les estimations présentés dans le tableau cidessous. Le test T1 refuse l hypothèse exponentielle à 95%. Weibull Exponentiel Bertholon ˆη = 0.69 ˆη = 0.76 ˆ = 2.86 ˆβ = 2.23 ˆ = 1.02 ˆβ = 2.05 Table 2: Estimation des paramètres par EM Le Test T2 accepte H 0 = W(1.27, 2.11) à 85% mais la refuse à 95%, ce qui indique que le comportement général est bien celui d un matériel qui vieillit, mais qui est soumis à des défaillances accidentelles que quantifie le terme de la loi de Bertholon. Bibliographie [1] Bertholon, H. (2001) Une modélisation du vieillissement. Thèse de doctorat, Université Joseph Fourier, Grenoble. [2] Meeker, W. Q. et Escobar, L. A. (1998) Statistical Methods for Reliability Data, Wiley. [3] d Agostino, R. B. et Stephens, M. A. (1986) Goodness-of-Fit Techniques, Marcel Dekker. [4] Dempster, A. P., Laird, N. M. et Rubin, D. B. (1977) Maximum likelihood from incomplete data via the EM algorithm (with discussion), Journal. Roy. Statist. Soc. (Ser. B), 39, [5] Tanner, M. et Wong, W. (1987) The calculation of posterior distributions by data augmentation (with discussion), Journal Amer. Statis. Assoc., 82, [6] Machlan, G. J. ann Krishnam, T. (1997) The EM algorithm and Extensions, Wiley. [7] Robert, C. P. (1996) Méthodes de Monte-Carlo par chaînes de Markov, Economica. [8] Saporta, G. (1996) Analyse des données et Statistique, Paris Technip. [9] Guillin, A., Marin, J.-M. et Robert, C. P. (2004) Estimation bayésienne approximative par échantillonnage préférentiel, Revue de Statistique Appliquée (à paraître) 6
Détection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique
Détection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique Denis Brazey & Bruno Portier 2 Société Prynɛl, RD974 290 Corpeau, France denis.brazey@insa-rouen.fr 2 Normandie Université,
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailGestion du niveau de la franchise d un contrat avec bonus-malus. Pierre THEROND & Stéphane BONCHE
Gestion du niveau de la franchise d un contrat avec bonus-malus Pierre THEROND & Stéphane BONCHE SOMMAIRE 1. Réduction de franchise en l absence de système bonus-malus A - Bonnes propriétés du modèle collectif
Plus en détailFiltrage 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 détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailMCMC 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 détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailLatitude 49.37 N Longitude 06.13 E Altitude 376 m RÉSUMÉ MENSUEL DU TEMPS DE JANVIER 2014
RÉSUMÉ MENSUEL DU TEMPS DE JANVIER 2014 Valeurs moyennes: Valeur Jour Valeur (en C) (en C) (en C) gazon (en C) 11,4 7 13,9 1975 3,6 0,8 4,9 2007-6,3 1963-3,0 29-17,8 1979-2,8 12-24,6 1985 37,1 50,3 95,5
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailIncertitude et variabilité : la nécessité de les intégrer dans les modèles
Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre
Plus en détailSoutenance 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 détailModélisation géostatistique des débits le long des cours d eau.
Modélisation géostatistique des débits le long des cours d eau. C. Bernard-Michel (actuellement à ) & C. de Fouquet MISTIS, INRIA Rhône-Alpes. 655 avenue de l Europe, 38334 SAINT ISMIER Cedex. Ecole des
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailHealth Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation
Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,
Plus en détailQuantification des Risques
Quantification des Risques Comment considérer les aléas dans une projection financière? PragmaRisk met à disposition des solutions et des méthodes permettant de considérer les aléas dans vos projections
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailVers une approche Adaptative pour la Découverte et la Composition Dynamique des Services
69 Vers une approche Adaptative pour la Découverte et la Composition Dynamique des Services M. Bakhouya, J. Gaber et A. Koukam Laboratoire Systèmes et Transports SeT Université de Technologie de Belfort-Montbéliard
Plus en détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
Plus en détailNON-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 détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailTRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN
TRAITEMENT DES DONNEES MANQUANTES AU MOYEN DE L ALGORITHME DE KOHONEN Marie Cottrell, Smaïl Ibbou, Patrick Letrémy SAMOS-MATISSE UMR 8595 90, rue de Tolbiac 75634 Paris Cedex 13 Résumé : Nous montrons
Plus en détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
Plus en détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Plus en détailLA 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 détailÉTUDE DE L EFFICACITÉ DE GÉOGRILLES POUR PRÉVENIR L EFFONDREMENT LOCAL D UNE CHAUSSÉE
ÉTUDE DE L EFFICACITÉ DE GÉOGRILLES POUR PRÉVENIR L EFFONDREMENT LOCAL D UNE CHAUSSÉE ANALYSIS OF THE EFFICIENCY OF GEOGRIDS TO PREVENT A LOCAL COLLAPSE OF A ROAD Céline BOURDEAU et Daniel BILLAUX Itasca
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailModélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr
Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr Le concept de Mesure Virtuelle mesure virtuelle résultat d un modèle visant
Plus en détailRenforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.
Master Mathématiques et Applications Spécialité : Ingénierie mathématique et modélisation Parcours : Mathématique et Informatique : Statistique, Signal, Santé (MI3S) 2015-2016 RÉSUMÉ DES COURS : (dernière
Plus en détailOPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)
OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour
Plus en détailNouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge julien.jorge@univ-nantes.fr Laboratoire d Informatique de Nantes Atlantique,
Plus en détailInférence d un réseau bayésien augmenté visant à confronter :
Inférence d un réseau bayésien augmenté visant à confronter : un modèle complexe d analyse quantitative du risque microbiologique des données de vieillissement Clémence RIGAUX (1) En collaboration avec
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailThéorie de l estimation et de la décision statistique
Théorie de l estimation et de la décision statistique Paul Honeine en collaboration avec Régis Lengellé Université de technologie de Troyes 2013-2014 Quelques références Decision and estimation theory
Plus en détailChapitre 6 Test de comparaison de pourcentages χ². José LABARERE
UE4 : Biostatistiques Chapitre 6 Test de comparaison de pourcentages χ² José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Nature des variables
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailEquation LIDAR : exp 2 Equation RADAR :
Contexte scientifique Systèmes LIDAR/RADAR Equation LIDAR : exp Equation RADAR : p (r) : puissance rétrodiffusée r : altitude ou profondeur. C : constante instrumentale. β : coefficient de rétrodiffusion
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailUne méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données
Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Marc Boullé Orange Labs 2 avenue Pierre Marzin 22300 Lannion marc.boulle@orange-ftgroup.com,
Plus en détailPrincipe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailEchantillonnage 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 détailTESTS 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 détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailProcessus de comptage, Poisson mélange, fonction de perte exponentielle, système bonus-malus.
JF WALHIN* J PARIS* * Université Catholique de Louvain, Belgique Le Mans Assurances, Belgique RÉSUMÉ Nous proposons une méthodologie générale pour construire un système bonus-malus équilibré basé sur une
Plus en détailQuantification 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 détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailMATHÉMATIQUES ET APPLICATIONS
MASTER 2 ème ANNÉE MATHÉMATIQUES ET APPLICATIONS Parcours Mathématiques du Risque et Actuariat ANNÉE UNIVERSITAIRE 2015 2016 1 PRESENTATION Le Master 2 Mathématiques du Risque et Actuariat a pour objectif
Plus en détailMesure et gestion des risques d assurance
Mesure et gestion des risques d assurance Analyse critique des futurs référentiels prudentiel et d information financière Congrès annuel de l Institut des Actuaires 26 juin 2008 Pierre THEROND ptherond@winter-associes.fr
Plus en détailRelever les défis des véhicules autonomes
EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailChapitre 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 détailphysicien diplômé EPFZ originaire de France présentée acceptée sur proposition Thèse no. 7178
Thèse no. 7178 PROBLEMES D'OPTIMISATION DANS LES SYSTEMES DE CHAUFFAGE A DISTANCE présentée à l'ecole POLYTECHNIQUE FEDERALE DE ZURICH pour l'obtention du titre de Docteur es sciences naturelles par Alain
Plus en détailModélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailLes risques liés à l activité de l entreprise : quels outils pour les identifier?
Les risques liés à l activité de l entreprise : quels outils pour les identifier? Alger, le 23-24 Novembre 2009 Présentée par: Mlle Amina NADJI Doctorante en 3ème année sciences économiques (CRIISEA, Centre
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailProbabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1
Introduction Probabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1 L auteur remercie Mme Sylvie Gervais, Ph.D., maître
Plus en détailINTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE
INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique
Plus en détailRapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs.
Rapport de projet Risque de Crédit, Risque de Défaut : Étude de l influence du taux de recouvrement sur le prix de CDOs. Auteurs : Hecht Frédéric, Porzier Rémi, Font Guillaume Cours «Risque de Crédit,
Plus en détailStatistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014
Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014 A. Lourme http://alexandrelourme.free.fr Outline
Plus en détailCompléments de documentation Scilab : affichage de texte et formatage de nombres
Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Agrégation externe Année 2002-2003 Compléments de documentation Scilab : affichage de texte et formatage de
Plus en détailFICHE UE Licence/Master Sciences, Technologies, Santé Mention Informatique
NOM DE L'UE : Algorithmique et programmation C++ LICENCE INFORMATIQUE Non Alt Alt S1 S2 S3 S4 S5 S6 Parcours : IL (Ingénierie Logicielle) SRI (Systèmes et Réseaux Informatiques) MASTER INFORMATIQUE Non
Plus en détailPROGRAMME (Susceptible de modifications)
Page 1 sur 8 PROGRAMME (Susceptible de modifications) Partie 1 : Méthodes des revues systématiques Mercredi 29 mai 2013 Introduction, présentation du cours et des participants Rappel des principes et des
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailAggregation of expert opinions and uncertainty theories
Fusion d opinions d experts et théories de l incertain Aggregation of expert opinions and uncertainty theories Sebastien Destercke 1,2 Didier Dubois 1 Eric Chojnacki 2 1 Institut de Recherche en Informatique
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailintelligence artificielle et cognitique"
Dialogue on Education, 11h-11h10 Course overview on "Automatisation avancée, intelligence artificielle et cognitique" Prof. Dr. Jean-Daniel Dessimoz, MBA, HES-SO / HEIG-VD 11:00-11:10, 18 November 2014
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailMODÈLE DE TRANSFORMATION ORGANISATIONNELLE CONDUISANT À L AUGMENTATION DES VENTES PAR UNE MEILLEURE PRODUCTIVITÉ
MODÈLE DE TRANSFORMATION ORGANISATIONNELLE CONDUISANT À L AUGMENTATION DES VENTES PAR UNE MEILLEURE PRODUCTIVITÉ TRANSACTIONNELLE ET EXPÉRIENTIELLE DU PERSONNEL DE PREMIÈRE LIGNE EN RESTAURATION : RÉSULTATS
Plus en détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailConstruction bayésienne de prévisions probabilistes à partir des sorties d'un modèle déterministe pluie-débit
Construction bayésienne de prévisions probabilistes à partir des sorties d'un modèle déterministe pluie-débit Marie Courbariaux, Éric Parent & Pierre Barbillon INRA/AgroParisTech, UMR518 MIA, 75231 Paris,
Plus en détailBourses d excellence pour les masters orientés vers la recherche
Masters de Mathématiques à l'université Lille 1 Mathématiques Ingénierie Mathématique Mathématiques et Finances Bourses d excellence pour les masters orientés vers la recherche Mathématiques appliquées
Plus en détailAICp. Vincent Vandewalle. To cite this version: HAL Id: inria-00386678 https://hal.inria.fr/inria-00386678
Sélection prédictive d un modèle génératif par le critère AICp Vincent Vandewalle To cite this version: Vincent Vandewalle. Sélection prédictive d un modèle génératif par le critère AICp. 41èmes Journées
Plus en détailDocteur José LABARERE
UE7 - Santé Société Humanité Risques sanitaires Chapitre 3 : Epidémiologie étiologique Docteur José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés.
Plus en détailSommaire Chapitre 1 Chapitre 2 Chapitre 3 Chapitre 4 Chapitre 5 Chapitre 6 Chapitre 7. ARC EPS Eco-microbiologie Prévisionnelle Statistique
ARC EPS Eco-microbiologie Prévisionnelle Statistique 1 Objectifs de l ARC EPS 2 Partenaires 3 Moyens 4 Problématique Microbiologique 5 Démarche et Résultats 6 Perspectives 7 Valorisation LES OBJECTIFS
Plus en détailDétection spatiale de données aberrantes. Application à la surveillance de la qualité de l'air.
Détection spatiale de données aberrantes. Application à la surveillance de la qualité de l'air. Michel Bobbia 1 & Michel Misiti 2 & Yves Misiti 2 & Jean-Michel Poggi 3 & Bruno Portier 4 1 Air Normand,
Plus en détailRessources pour le lycée général et technologique
éduscol Ressources pour le lycée général et technologique Ressources pour la classe de terminale générale et technologique Exercices de mathématiques Classes de terminale S, ES, STI2D, STMG Ces documents
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailFiabilité des Systèmes et des Logiciels
Ensimag - 3ème année Fiabilité des Systèmes et des Logiciels Notes de cours Olivier Gaudoin 2 Table des matières 1 Problématique de la sûreté de fonctionnement des systèmes informatiques 5 1.1 Contexte.....................................
Plus en détail