Expérience 1 Théorie des probabilités
|
|
- Adeline Truchon
- il y a 7 ans
- Total affichages :
Transcription
1 Expérience 1 Théorie des probabilités Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx >> matlab Procédez a l initialisation de l expérience 1: >> start A. Variables aléatoires discrètes A.1 En utilisant la fonction dice, générez des échantillons aléatoires représentant le résultat d une expérience où un dé équilibré est lancé 2000 fois: >> x = dice (2000, 4, fair ); A.2 Calculez et affichez la fonction de densité de probabilité (pdf, probabily density function) des échantillons ainsi générés et la fonction de distribution de probabilité (cdf, cumulative distribution function) de la séquence x: >> subplot(211), pdf(x) >> subplot(212), cdf(x) Les événements échantillonnés représentent le résultat d une expérience où le dé est lancé une fois et sont de la forme {Valeur d un coté = k, k = 1,..., 4}. Observez la relation entre la pdf et la cdf qui donnent l information au sujet de la probabilité d un événement de différentes manières. Q1.1 Pourquoi les probabilités des événements échantillonnés dans cette expérience ne sont pas égaux? Est-ce que ce résultat était attendu? Qu est-ce qui devrait être fait dans l étape A.1 pour améliorer les résultats? A.3 En utilisant la fonction dice, générez une séquence représentant le résultat d une expérience où un dé pipé est lancé 2000 fois: >> y = dice(2000, 4, biased ); A.4 Effacer le graphique et affichez la pdf de la séquence aléatoire y: >> pdf(y) Calculez la cdf et dessinez-la. Indiquez la fréquence des points de discontinuité. Vous pouvez vérifier votre réponse avec: GEL Théorie des communications 1
2 >> cdf(y) Q1.2 Étant donné la pfd de l étape A.4, basée sur 2000 événements, estimez le nombre d occurrences de chacune des faces. B. Variables aléatoires continues B.1 En utilisant les fonctions unif_pdf et unif_cdf, affichez la pdf et la cdf d une variable aléatoire uniforme U (2,6). Ensuite, tracez-les: >> subplot(121), unif_pdf(2,6), axis([0, 8, -0.2, 1.2]); >> subplot(122), unif_cdf(2,6), axis([0, 8, -0.2, 1.2]); B.2 Si U ~ U (2,6), déterminer les probabilités suivantes en utilisant soit la pdf ou la cdf. P(O < U 3) P(3 < U 5) P(U = 3) Q1.3 Pourquoi P(U = 3) est différente de P(X = 3) de l étape A.4? B.3 Générez 500 échantillons d une distribution U (2,6): >> u = uniform(2,6,500); Calculez la moyenne et la variance de cette séquence aléatoire: >> mean_u = mean(u), var_u = var(u) Comparez ces résultats avec les résultats théoriques que vous calculerez à la main. Commentez les différences. Pouvez-vous prédire les algorithmes de MATLAB pour les fonctions mean et var? Affichez le contenu des fichiers contenant le code de ces fonctions en utilisant la commande MATLAB type. Utilisez ces deux commandes pour déterminez E[U 2 ]. Vérifiez votre résultat avec la fonction MATLAB meansq. Variable aléatoire gaussienne (normale) B.4 En utilisant les fonctions MATLAB gaus_pdf et gaus_cdf, affichez la pdf et la cdf d une variable aléatoire G ~ N (µ,σ 2 ) avec µ = mean_u et σ 2 = var_u de l étape B.3. Tracez la pdf et la cdf., subplot(121), gaus_pdf(mean_u, var_u) >> subplot(122), gaus_cdf(mean_u, var_u) Indiquez les valeurs de l axe horizontal où la pdf est à son maximum et où la cdf vaut 0.5. Comparez ces valeurs avec la moyenne d un distribution gaussienne. GEL Théorie des communications 2
3 B.5 Déterminez les probabilités suivantes: P(O < G 3) P(3 < G 5) P(G = 3) Comparez ces résultats avec ceux de l étape B.2. La densité gaussienne utilise pour générer ces résultats la même moyenne et la même variance que celles utilisées dans la densité uniforme de l étape B.2. Pourtant les résultats sont différents. Pouvez-vous expliquer? B.6 Vous avez X ~ N (µ,σ 2 ). Supposez que la valeur moyenne de X est fixé à µ = 1 et σ 2 {0.5, 1, 2, 5, 10}. Pour observer les effets du changement de la valeur σ 2 sur la densité d une variable aléatoire gaussienne, faites les étapes suivantes: >> m = 1; gaus_pdf(m, 0.5) >> axis([ ]), hold on >> gaus_pdf(m, 1)... >> gaus_pdf(m, 10) Q1.4 Considérez l événement A = {0 < X < 2} où X ~ N (1, σ 2 ) avec σ 2 {0.5, 1, 2, 5, 10}. Déterminez la valeur de σ 2 pour laquelle P(A) est maximale. Maintenant, considérez les changements sur la cdf: >> m = 1; gaus_cdf(m, 10) >> axis([ ]), hold on >> gaus_cdf(m, 5)... >> gaus_cdf(m, 0.5) Pouvez-vous prédire la cdf si σ 2 devient plus petit? Essayez: >> gaus_cdf(m, ) Qu est-ce qu une très petite variance, pour une distribution de probabilité, veut dire? La pdf correspondante pourrait vous aider à illustrer ce point: >> gaus_pdf(m, ) >> axis([ ]) Où, dans cette expérience avez-vous observé une pdf similaire? Si dans la dernière étape vous aviez une distribution uniforme avec une moyenne µ et une variance de , au lieu d une variable aléatoire gaussienne, est-ce que vous auriez obtenu une pdf différente? B.7 Maintenant, fixez la variance de la distribution gaussienne à σ 2 = 1 et changez la moyenne µ de telle sorte que µ {-4, -1, 2, 5}. >> s = 1; gaus_pdf(-4, s) >> axis([ ]), hold on GEL Théorie des communications 3
4 >> gaus_pdf(-1,s)... >> gaus_pdf(5,s) Quel est effet de changer la valeur moyenne µ? Si X(µ,σ 2 ) représente une variable aléatoire telle que X(µ,σ 2 ) ~ N(µ,σ 2 ), comparez P(-5 < X(-4, 1) < -3) et P(4< X(5,1) <6). Quelles conclusions pouvez-vous tirer sur les effets de changer µ sur la cdf. Premièrement, ôtez les graphiques à l écran et ensuite pour les valeurs de µ et σ 2, effectuez les calculs avec les axes [-8, 8, 0, 1]. C. Moyenne, variance et puissance C.1 Générez la séquences suivantes avec différentes valeurs de moyenne: >> x = gauss(-5, 1, 100); >> y = gauss( 0, 1, 100); >> z = gauss( 5, 1, 100); >> plot(x) >> axis([ ]), grid on, hold on >> plot(y) >> plot(z) Selon la terminologie propre à l ingénierie, vous pouvez affirmez que la valeur de la moyenne fixe le niveau dc du signal. C.2 Générez des séquences aléatoires de densité gaussienne avec des valeurs de variance différentes: >> a = gauss(0, 4, 100); >> b = gauss(0, 1.0, 100); >> c = gauss(0, 0.5, 100); >> d = gauss(0, 0.01, 100); >> subplot(221), plot(a), axis([ ]) >> subplot(222), plot(b), axis([ ]) >> subplot(223), plot(c), axis([ ]) >> subplot(224), plot(d), axis([ ]) En utilisant les fonctions MATLAB mean et var, déterminez la moyenne et la variance de chaque séquence et entrez votre réponse dans le tableau suivant: Séquence Moyenne Variance Moyenne des carrés a b c d Déterminez la moyenne des carrés de chacune des séquences en utilisant la moyenne et la variance. Vérifiez votre résultat en utilisant la fonction MATLAB meansq. GEL Théorie des communications 4
5 Q1.5 Si les signaux affichés dans cette partie représentent un signal bruité, lequel préféreriez-vous dans votre système de communications? S ils représentent des signaux sans bruit, lequel préféreriez-vous D. Partie de fléchettes D.1 Pour illustrer la signification de la moyenne et de la variance, utilisez la fonction MATLAB dart, laquelle simule une expérience où une fléchette est lancée sur une cible ayant comme centre le point (0,0) d un plan en coordonnées polaires. L utilisateur peut spécifier la moyenne et la variance en coordonnées x et y lesquelles, en retour, déterminent le point d impact sur la cible. Un bon point de départ à l expérimentation est d essayer ceci: >> mean_x = 0.2; mean_y = 0.2; >> var_x = 0.1; var_y = 0.1; >> no_dart = 20; >> dart([mean_x mean_y], [var_x var_y], no_dart) Si vous voulez avoir plus d informations à propos de cette simulation, utilisez la commande d aide en tapant help dart. Essayer la fonction dart avec différentes valeurs de moyenne et de variance. En particulier, il est intéressant de regarder les résultats de simulation lorsque la valeur de la moyenne ou de la variance ou les deux sont mis à zéro. Essayer de mettre en corrélation vos observations avec les autres parties de l expérience. Q1.6 Considérez 2 joueurs avec les performances correspondant aux statistiques suivantes: Joueur 1: [µ x, µ y ] = [0, 0], [σ x 2, σy 2 ] = [0.5, 0.5]; Joueur 2: [µ x, µ y ] = [0.5, 0.5], [σ x 2, σy 2 ]= [0.01, 0.01]; Qu est-ce que vous pouvez dire à propos de l habileté de ces joueurs? E. Intégration par une simulation de Monte-Carlo Dans cette partie de l expérience, vous démontrerez l utilisation du concept de la fréquence relative pour intégrer une fonction d une variable. Considérez un carré unitaire dans le plan x-y et la fonction f(x) = x. GEL Théorie des communications 5
6 1 Lorsque le menu est affiché, choisissez la fonction représentant f X (x), la pdf d une variable aléatoire standard. Qu est-ce que la réponse confirme à propos de la pdf? Si vous intégrez sur l interf(x) = x AIRE = 0.5 Pour calculer 1 0 f 0 ( x) dx 0 1, l algorithme suivant peut être utilisé: i. Générez N échantillons d une distribution uniforme U(0, 1): séquence X. ii. Générez N échantillons d une distribution uniforme U(0, 1): séquence Y. iii. Combinez les séquences X et Y pour former N points aléatoires sur le carré unitaire, chacun représenté par une paire (X, Y). iv. Pour chaque point (X, Y) déterminez sa position selon la courbe y = x, i.e. le point est-il au-dessus ou au-dessous de la courbe? v. Si le nombre de point sous la courbe y = x est K, estimez la valeur de l intégrale en calculant K/N. Utilisez la fonction MATLAB integral pour réaliser cet algorithme avec points échantillonnés: >> integral( x, [0,1], 20000) Le même algorithme peut être utilisé pour intégrer une fonction arbitraire f(x) sur un intervalle [a, b]. Les points limites (a, f(a)) et (b, f(b)) déterminent les paramètres des distributions uniformes à partir desquelles les séquences X et Y sont générées. Donc, cet algorithme décrit une méthode simple pour évaluer l intégrale définie d une fonction. Utilisez la fonction MATLAB integral comme suit: >> integral( f(x), [x_min, x_max], N) pour évaluer l intégrale de quelques fonctions. La commande ci-dessus affiche un menu de fonctions parmi lesquelles vous pouvez faire une sélection. Une des sélections possibles du menu est la pdf d une variable aléatoire normale standard (i.e. N (0,1)). Vous devriez vous rappeler qu il n y a pas de solution théorique à cet intégrale pour un intervalle donné - sinon, vous ne seriez pas obligé d avoir recourt à une table des valeurs de la fonction d erreur (erf (x)). E.1 Intégrez numériquement la pdf d une variable aléatoire normale standard sur l intervalle [-4, 4]: >> integral( f(x), [-4, 4], 20000) GEL Théorie des communications 6
7 valle (, ), quelle devrait être la réponse? E.2 Intégrez f X (x) sur l intervalle [0, 1] et confirmez votre réponse en utilisant une table de la fonction d erreur. E.3 Vous pouvez aussi intégrer n importe quelle fonction de votre choix. Par exemple, pour intégrer cosh(x) sur l intervalle [-π, π] entrez: >> integral( cosh(x), [-pi, pi], 20000); Cette méthode n est pas tellement précise avec seulement points, mais elle est robuste. Cet algorithme peut facilement être adapté pour calculer un volume de n dimensions sur une surface fermée de la forme f(x 1,..., x n ) = K. GEL Théorie des communications 7
Expérience 3 Formats de signalisation binaire
Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx
Plus en détailCalculs de probabilités avec la loi normale
Calculs de probabilités avec la loi normale Olivier Torrès 20 janvier 2012 Rappels pour la licence EMO/IIES Ce document au format PDF est conçu pour être visualisé en mode présentation. Sélectionnez ce
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 détail3.2. Matlab/Simulink. 3.2.1. Généralités
3.2. Matlab/Simulink 3.2.1. Généralités Il s agit d un logiciel parfaitement dédié à la résolution de problèmes d'analyse numérique ou de traitement du signal. Il permet d'effectuer des calculs matriciels,
Plus en détailTP: Représentation des signaux binaires. 1 Simulation d un message binaire - Codage en ligne
Objectifs : Ce TP est relatif aux différentes méthodes de codage d une information binaire, et à la transmission en bande de base de cette information. Les grandes lignes de ce TP sont l étude des méthodes
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailValidation probabiliste d un Système de Prévision d Ensemble
Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en 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 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 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 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 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 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 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 détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailCalculs de probabilités
Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile
Plus en détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
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 détailL exclusion mutuelle distribuée
L exclusion mutuelle distribuée L algorithme de L Amport L algorithme est basé sur 2 concepts : L estampillage des messages La distribution d une file d attente sur l ensemble des sites du système distribué
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailGUIDE ISAN: 7 Création d un ISAN In-Dev 1
GUIDE ISAN: 7 Création d un ISAN In-Dev 1 ISAN In-Dev : Un ISAN In-Dev, ou ISAN pour œuvre en Développement, est un ISAN alloué à un déclarant avant que l œuvre puisse être complètement décrite. Il n est
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailCalcul Formel et Numérique, Partie I
Calcul Formel et Numérique N.Vandenberghe nvdb@irphe.univ-mrs.fr Table des matières 1 Introduction à Matlab 2 1.1 Quelques généralités.......................... 2 2 Où trouver des informations 2 3 Opérations
Plus en détailIntroduction à MATLAB R
Introduction à MATLAB R Romain Tavenard 10 septembre 2009 MATLAB R est un environnement de calcul numérique propriétaire orienté vers le calcul matriciel. Il se compose d un langage de programmation, d
Plus en détailFigure 3.1- Lancement du Gambit
3.1. Introduction Le logiciel Gambit est un mailleur 2D/3D; pré-processeur qui permet de mailler des domaines de géométrie d un problème de CFD (Computational Fluid Dynamics).Il génère des fichiers*.msh
Plus en détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailCours d algorithmique pour la classe de 2nde
Cours d algorithmique pour la classe de 2nde F.Gaudon 10 août 2009 Table des matières 1 Avant la programmation 2 1.1 Qu est ce qu un algorithme?................................. 2 1.2 Qu est ce qu un langage
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 détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailReprésentation d une distribution
5 Représentation d une distribution VARIABLE DISCRÈTE : FRÉQUENCES RELATIVES DES CLASSES Si dans un graphique représentant une distribution, on place en ordonnées le rapport des effectifs n i de chaque
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailPython - introduction à la programmation et calcul scientifique
Université de Strasbourg Environnements Informatique Python - introduction à la programmation et calcul scientifique Feuille de TP 1 Avant de commencer Le but de ce TP est de vous montrer les bases de
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détailCircuits RL et RC. Chapitre 5. 5.1 Inductance
Chapitre 5 Circuits RL et RC Ce chapitre présente les deux autres éléments linéaires des circuits électriques : l inductance et la capacitance. On verra le comportement de ces deux éléments, et ensuite
Plus en détailSéance 0 : Linux + Octave : le compromis idéal
Séance 0 : Linux + Octave : le compromis idéal Introduction Linux est un système d'exploitation multi-tâches et multi-utilisateurs, basé sur la gratuité et développé par une communauté de passionnés. C'est
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 détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailOUTILS STATISTIQUES ET NUMÉRIQUES
UNIVERSITÉ D ORLEANS Année universitaire 211-212 UFR Sciences Master FAC et SAE, 2ème année OUTILS STATISTIQUES ET NUMÉRIQUES POUR LA MESURE ET LA SIMULATION T. Dudok de Wit Université d Orléans 16 septembre
Plus en détailSimulation : application au système bonus-malus en responsabilité civile automobile
Simulation : application au système bonus-malus en responsabilité civile automobile Robert Langmeier Travail de séminaire réalisé sous la supervision du professeur François Dufresne Ecole des HEC Université
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
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 détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
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 détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailLes algorithmes de base du graphisme
Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............
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 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 détailFig. 1 Le détecteur de LHCb. En bas à gauche : schématiquement ; En bas à droite: «Event Display» développé au LAL.
LHCb est l'une des expériences installées sur le LHC. Elle recherche la physique au-delà du Modèle standard en étudiant les mésons Beaux et Charmés. L accent est mis entre autres sur l étude de la violation
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 détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
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 détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailChapitre 4: Dérivée d'une fonction et règles de calcul
DERIVEES ET REGLES DE CALCULS 69 Chapitre 4: Dérivée d'une fonction et règles de calcul Prérequis: Généralités sur les fonctions, Introduction dérivée Requis pour: Croissance, Optimisation, Études de fct.
Plus en détailMaster IMA - UMPC Paris 6 RDMM - Année 2009-2010 Fiche de TP
Master IMA - UMPC Paris 6 RDMM - Année 2009-200 Fiche de TP Préliminaires. Récupérez l archive du logiciel de TP à partir du lien suivant : http://www.ensta.fr/~manzaner/cours/ima/tp2009.tar 2. Développez
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailCorrection du baccalauréat STMG Polynésie 17 juin 2014
Correction du baccalauréat STMG Polynésie 17 juin 2014 EXERCICE 1 Cet exercice est un Q.C.M. 4 points 1. La valeur d une action cotée en Bourse a baissé de 37,5 %. Le coefficient multiplicateur associé
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 détailAnalyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailDesigner d escalier GUIDE DE L UTILISATEUR. Stair Designer-1
Designer d escalier GUIDE DE L UTILISATEUR Stair Designer-1 Stair Designer-2 Designer d escalier Le Designer d escalier rend facile la réalisation et la mise en place d escaliers sur mesure dans votre
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 détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
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 détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailPrésentation du Master Ingénierie Informatique et du Master Science Informatique 2007-2008, Année 2 Université Paris-Est Marne-la-Vallée
Présentation du Master Ingénierie Informatique et du Master Science Informatique 2007-2008, Année 2 Université Paris-Est Marne-la-Vallée Responsable du Master Informatique : Marc Zipstein Responsable de
Plus en détailCentre d'etudes Nucléaires de Fontenay-aux-Roses Direction des Piles Atomiques Département des Etudes de Piles
CEA-N-1195 Note CEA-N-1195 Centre d'etudes Nucléaires de Fontenay-aux-Roses Direction des Piles Atomiques Département des Etudes de Piles Service d'etudes de Protections de Piles PROPAGATION DES NEUTRONS
Plus en détailAide - mémoire gnuplot 4.0
Aide - mémoire gnuplot 4.0 Nicolas Kielbasiewicz 20 juin 2008 L objet de cet aide-mémoire est de présenter les commandes de base pour faire rapidement de très jolis graphiques et courbes à l aide du logiciel
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 détail4 Exemples de problèmes MapReduce incrémentaux
4 Exemples de problèmes MapReduce incrémentaux 1 / 32 Calcul des plus courtes distances à un noeud d un graphe Calcul des plus courts chemins entre toutes les paires de noeuds d un graphe Algorithme PageRank
Plus en détailQuatrième partie IV. Test. Test 15 février 2008 1 / 71
Quatrième partie IV Test Test 15 février 2008 1 / 71 Outline Introduction 1 Introduction 2 Analyse statique 3 Test dynamique Test fonctionnel et structurel Test structurel Test fonctionnel 4 Conclusion
Plus en détailStatistiques avec la graph 35+
Statistiques avec la graph 35+ Enoncé : Dans une entreprise, on a dénombré 59 femmes et 130 hommes fumeurs. L entreprise souhaite proposer à ses employés plusieurs méthodes pour diminuer, voire arrêter,
Plus en détail3. SPÉCIFICATIONS DU LOGICIEL. de l'expression des besoins à la conception. Spécifications fonctionnelles Analyse fonctionnelle et méthodes
PLAN CYCLE DE VIE D'UN LOGICIEL EXPRESSION DES BESOINS SPÉCIFICATIONS DU LOGICIEL CONCEPTION DU LOGICIEL LA PROGRAMMATION TESTS ET MISE AU POINT DOCUMENTATION CONCLUSION C.Crochepeyre Génie Logiciel Diapason
Plus en détailRapport du projet CFD 2010
ISAE-ENSICA Rapport du projet CFD 2010 Notice explicative des différents calculs effectués sous Fluent, Xfoil et Javafoil Tanguy Kervern 19/02/2010 Comparaison des performances de différents logiciels
Plus en détailCorrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
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 détailDécouverte du tableur CellSheet
Découverte du tableur CellSheet l application pour TI-83 Plus et TI-84 Plus. Réalisé par Guy Juge Professeur de mathématiques et formateur IUFM de l académie de Caen Pour l équipe des formateurs T 3 Teachers
Plus en détailOptimisation Combinatoire et Colonies de Fourmis Nicolas Monmarche April 21, 1999 Sommaire Inspiration biologiques Ant Colony Optimization Applications TSP QAP Flow Shop Problemes dynamiques 1 Historique
Plus en détailhttp://cermics.enpc.fr/scilab
scilab à l École des Ponts ParisTech http://cermics.enpc.fr/scilab Introduction à Scilab Graphiques, fonctions Scilab, programmation, saisie de données Jean-Philippe Chancelier & Michel De Lara cermics,
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailCompression Compression par dictionnaires
Compression Compression par dictionnaires E. Jeandel Emmanuel.Jeandel at lif.univ-mrs.fr E. Jeandel, Lif CompressionCompression par dictionnaires 1/25 Compression par dictionnaire Principe : Avoir une
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailChapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique :
Chapitre Chapitre. Séries de Fourier Nous supposons connues les formules donnant les coefficients de Fourier d une fonction - périodique : c c a0 f x dx c an f xcosnxdx c c bn f xsinn x dx c L objet de
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 détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détail