Les Mathématiques de l'hérédité
|
|
- Quentin St-Louis
- il y a 7 ans
- Total affichages :
Transcription
1 Les Mathématiques de l'hérédité Mai 2011 LIESSE
2 Introduction Darwin (1859) dénissait l'évolution comme un processus de descendance avec modication En terme génétique, les organismes transmettent les allèles de leurs gènes à leurs descendants. Génétique des populations: Discipline qui étudie la variation des fréquences d'allèle dans les populations. Fondateurs: S. Wright, R. Fisher, J. Haldane, G. Malécot.
3 Lois de Mendel
4 Données de polymorphisme génétique Marqueurs alléliques (ex: microsatellites GATAGATAGATA) Séquences d'adn, haplotypes Puces à SNPs (Single Nucleotide Polymorphisms) Génomes complets
5 Applications Recherche de gènes impliqués dans les maladies (ou tout autre phénotype) : GWAS Genome-Wide Association Studies Médecine P4 : personnalisée, prédictive, préventive et participative. Compréhension des mécanismes moléculaires de l'adaptation Interprétation de la diversité et de la variation génétique au sein des populations
6 Objectifs de l'exposé Un modèle mathématique de la génétique d'une population : le modèle de Wright-Fisher Une vision rétrospective de la transmission de l'hérédité : le modèle de coalescence de Kingmann. Age de l'ancêtre commun le plus récent Des mutations dans les généalogies Estimation de la diversité génétique d'une population
7 La transmission des gènes
8 Arbres d'espèces
9 Arbres de populations
10 Histoire de l'espèce humaine
11 et des espèces s ures Green et al Science (2010)
12 Quelles mathématiques pour les modèles en Biologie? Outils analytiques traditionnels pour obtenir des formules explicites
13 Quelles mathématiques pour les modèles en Biologie? Qu'apportent les mathématiques que l'on ne peut pas explorer par la simulation informatique? Plusieurs représentations des objets étudiés, qui permettent ensuite des algorithmes de simulation ecaces pour l'exploration et l'inférence numériques.
14 Intro aux modèles : la dynamique de Wright-Fisher La population est de taille constante, notée N, Les générations sont non-chevauchantes, Le nombre de descendants de chaque gène est aléatoire, de loi de Poisson conditionnée à être plus petite que N. Dans le cas de reproduction sexuée nous supposons que les mariages se font au hasard.
15 Modèle de Wright-Fisher
16 Un modèle d'urne Théorème. Dans le modèle de Wright-Fisher, chaque descendant choisit un parent par un tirage avec remise dans une urne où sont placés les N parents. Preuve. Soit ν i le nombre d'enfants de i, i = 1,..., N. Par hypothèse, ν i suit la loi de Poisson de moyenne λ. Soit n 1,..., n N des entiers tels que i n i = N. Nous avons N Pr(ν 1 = n 1,..., ν N = n N ν i = N) = i=1 N! n 1! n N! ( ) N 1. N
17 Pourquoi c'est vrai Suite de la preuve. Soit ν i le nombre d'enfants de i, i = 1,..., N. Nous avons Pr(ν i = n i ) = λn i n i! e λ et Pr( N i=1 ν i = N) = (Nλ)N e Nλ. N!
18 Simulation : x = sample(x, replace = T)
19 Généalogies dans le modèle de Wright-Fisher
20 Temps de coalescence de 2 gènes Dénition. On appelle temps de coalescence, τ 2, de deux lignées le nombre de générations qu'il est nécessaire de remonter pour trouver le premier ancêtre commun des deux lignées.
21 Temps de coalescence Si l'unité de temps est une génération, alors la probabilité pour que τ 2 = 1 est 1/N et plus généralement Pr(τ 2 > k) = (1 1/N) k Si l'unité de temps est N générations, k = tn et τ 2 = T 2 N Pr(τ 2 > k) = Pr(T 2 > t) exp( t), N.
22 Le processus ancestral {A N n (k), k = 0, 1,..., } décrit le nombre d'ancêtres distincts d'un échantillon de n gènes à la génération k en remontant le temps. est une chaîne de Markov à valeurs dans {1,..., n} telle que A N n Pr(A N n (k + 1) = j A N n (k) = i) = S j i N(N 1)(N j + 1) N j, où j = 1,..., i et S j i est un nombre de Stirling de seconde espèce (nombre de manière de partitionner un ensemble de i éléments en j sous-ensemble non-vides).
23 L'approximation de Kingman : le coalescent(1981) Théorème. Supposons que l'unité de temps est N générations (k = tn ), alors A N n ( N. ) A n (.), N où {A n (t), t 0}, est un chaîne de Markov à temps continu telle que A n (0) = n. Les taux de transition sont
24 L'approximation de Kingman : le coalescent(1981) Les durées séparant les coalescences successives des lignées sont indépendantes, de loi exponentielle de moyennes respectives E[T j ] = 2 j(j 1) j = n,..., 2. Le processus est facile à simuler informatiquement (exemple de simulateur : le programme ms).
25 Variabilité des généalogies
26 Le temps écoulé depuis l'ancêtre commun le plus récent, T MRCA Dans la représentation limite de l'arbre de coalescence, la hauteur de l'arbre est égale à T MRCA = T T n où T j est de loi exponentielle de moyenne 2/j(j 1). La fonction de répartition de T MRCA se calcule de la manière suivante Pr(T MRCA t) = Pr(A n (t) = 1).
27 Le temps écoulé depuis l'ancêtre commun le plus récent, T MRCA Pour une chaîne de Markov, les probabilités Pr(A n (t) = j) sont solutions d'un système d'équations diérentielles linéaires. Nous trouvons Pr(A n (t) = 1) = n j=2 ( 1) j 1 (2j 1) n [j] n (j) e j(j 1)t/2 n [j] = n(n 1) (n j + 1) et n (j) = n(n + 1) (n + j 1).
28 Loi de T MRCA obtenue par simulation(n = 30) Histogram of tmrca Density tmrca
29 Quelques propriétés simples de T MRCA Espérance Variance E[T MRCA ] = n j=2 ( 2 j(j 1) = ) n Var[T MRCA ] = n j=2 4 j 2 (j 1) π2 12
30 Quelles conclusions pour les espèces Le temps T MRCA est exprimé en unité de la taille ecace de la population N, aussi notée N e Il faut donc estimer N ou N e. Pour cela, les données génétiques entrent en jeu.
31 Partie 2 Des mutations dans les gènes
32 Un modèle à innité d'allèles
33 Mutations On suppose que les mutations n'ont pas d'eet sélectif sur la séquence d'adn étudiée (ADN neutre). On note µ la probabilité de mutation de la séquence étudiée par génération. On mesure le temps en prenant pour unité N générations (N est la taille de la population) θ = 2µN Les mutations sont aléatoirement réparties dans la généalogie des n séquences selon un processus de Poisson de paramètre θ/2.
34 Spectre de fréquences On appelle spectre de fréquences le vecteur c = (c 1,..., c n ) où c i est le nombres d'allèles présents en i copies dans l'échantillon de n gènes. Nous avons c 1 + 2c nc n = n Le nombre d'allèles distincts présents dans l'échantillon est K n = c 1 + c c n.
35 Petit exemple On observe un échantillon de 10 allèles A 1, A 1, A 2, A 1, A 3, A 2, A 3, A 4, A 4, A 4 Le spectre est c = (0, 2, 2, 0, 0, 0, 0, 0, 0, 0) Le nombre d'allèles distincts présents dans l'échantillon est k = 4.
36 La formule d'ewens (1972) Théorème. Pour le modèle de mutation à innité d'allèles et un échantillon de taille n Pr(c) = n! n ( ) θ cj 1 θ (n) j c j! où θ (n) = θ(θ + 1) (θ + n 1). j=1
37 Le processus du restaurant chinois
38 Le processus du restaurant chinois Imaginons un restaurant avec un nombre inni de tables. Les n clients arrivent un par un, et choisissent leur table de la manière suivante. Le client j choisit une table inoccupée avec la probabilité θ j 1 + θ et une table occupée avec la probabilité n j j 1 + θ où n j est le nombre de personnes assises à la table en question.
39 Le processus du restaurant chinois Pr(c) = θ θ
40 Le processus du restaurant chinois Pr(c) = θ θ θ 1 + θ
41 Le processus du restaurant chinois Pr(c) = θ θ θ θ 2 + θ
42 Le processus du restaurant chinois Pr(c) = θ θ θ 1 + θ θ θ 3 + θ
43 Le processus du restaurant chinois Pr(c) = θ θ θ 1 + θ θ θ 3 + θ θ
44 Le processus du restaurant chinois Pr(c) = θ θ θ 1 + θ θ θ 3 + θ θ θ
45 Ewens au restaurant Théorème. La conguration c obtenue à l'issue de n étapes du processus appelé restaurant chinois obéit à la formule d'ewens.
46 Nombre d'allèles distincts Théorème. Pour le modèle de mutation à innité d'allèles et un échantillon de taille n Pr(K n = k) = θk θ (n) S k n où S k n est le coecient de θ k dans le développement de θ(θ + 1) (θ + n 1). S k n est appelé nombre de Stirling de première espèce et dénombre les permutations de n éléments ayant k cycles.
47 Nombre d'allèles distincts Preuve. Pour le modèle de mutation à innité d'allèles et un échantillon de taille n Pr(K n = k) = θk n ( ) cj n! 1 1. θ (n) j c j! c j : c j =k Par normalisation, le coecient orange est nécessairement le coecient de θ k dans le développement de θ (n). j=1 Remarque. Sn k = (n 1) S k k 1 n 1 + S n 1
48 Nombre de tables occupées au restaurant chinois Pr(c) = θ θ θ 1 + θ θ θ 3 + θ θ θ La probabilité Pr(c) est invariante par permutation des indices ( S k n possibilités) Elle est proportionnelle à θ k
49 Un autre représentation de la loi de K n Fonction génératrice. Pour le modèle de mutation à innité d'allèles et un échantillon de taille n G Kn (z) = n k=1 Pr(K n = k)z k = (θz) (n) θ (n). En explicitant cette relation, on obtient G Kn (z) = n j=1 G X j (z) où X j {0, 1} est une variable de Bernoulli Pr(X j = 1) = θ θ + j 1 (Initiation d'une table dans le restaurant chinois).
50 Quelques propriétés simples de K n (1972) Espérance Espérance E[K n ] = n E[X j ] = j=1 n j=1 θ θ + j 1 θ log n, n Var[K n ] = Var[X j ] = j=1 n j=1 θj (θ + j 1) 2 θ log n K n / log n est un estimateur de θ parfois appelé diversité génétique. Il converge en 1/ log n, avec une vitesse asymtotiquement optimale.
51 Une application à l'adn mitochondrial
52 Une application à l'adn mitochondrial Chez les mammifères, l'adn mitochondrial est transmis par la mère. Pour les études généalogiques, on séquence la boucle de contrôle D ( 500bp). On considère que la probabilité de mutation de cette séquence est µ 10 6 par génération par paire de base. Pour la tribu amérindienne Nuu-Chah-Nulth, on observe 8 allèles dans un échantillon de n = 55 séquences d'individus non apparentés.
53 Taille ecace de la population Nuu-Chah-Nulth Pour estimer la taille ecace de la population N e θ 2µL où θ 2.7 est solution de 8 = 55 j=2 θ θ + j 1 La taille ecace est N e 2700 individus. T MRCA ans!
54 Messages à ramener à la maison L'étude de l'hérédité est une discipline ayant une longue tradition mathématique Les mathématiciens ont proposé de nouvelles représentations des modèles manipulés par la génétique des populations, en particulier, rétrospectives. En retour, ces representations permettent de simuler ecacement le polymorphisme génétique au sein des populations
55 Pour aller plus loin Tavaré S (2004) Ancestral inference in population genetics, Springer NY. Durrett R (2006) Probability models of DNA sequence evolution, Springer NY.
56 Du temps pour une discussion Merci de votre attention!
Au-delà du coalescent : quels modèles pour expliquer la di
Au-delà du coalescent : quels modèles pour expliquer la diversité génétique? LPMA, Université Paris 6, CMAP Polytechnique 13 octobre 2009 A partir de travaux conjoints avec N. Berestycki, V. Limic, J.
Plus en détailMABioVis. Bio-informatique et la
MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID
Plus en détailGènes Diffusion - EPIC 2010
Gènes Diffusion - EPIC 2010 1. Contexte. 2. Notion de génétique animale. 3. Profil de l équipe plateforme. 4. Type et gestion des données biologiques. 5. Environnement Matériel et Logiciel. 6. Analyses
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailExamen 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 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 détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
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 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 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 détailGénétique et génomique Pierre Martin
Génétique et génomique Pierre Martin Principe de la sélections Repérage des animaux intéressants X Accouplements Programmés Sélection des meilleurs mâles pour la diffusion Index diffusés Indexation simultanée
Plus en détailCours (7) de statistiques à distance, élaboré par Zarrouk Fayçal, ISSEP Ksar-Said, 2011-2012 LES STATISTIQUES INFERENTIELLES
LES STATISTIQUES INFERENTIELLES (test de Student) L inférence statistique est la partie des statistiques qui, contrairement à la statistique descriptive, ne se contente pas de décrire des observations,
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailSur quelques applications des processus de branchement en biologie moléculaire
Sur quelques applications des processus de branchement en biologie moléculaire Didier Piau Exposés donnés les 3 et 4 novembre 2003 à l ÉNS dans le cadre de l atelier «Applications à la biologie et à la
Plus en détailTests 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 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 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 détailObjets Combinatoires élementaires
Objets Combinatoires élementaires 0-0 Permutations Arrangements Permutations pour un multi-ensemble mots sous-ensemble à k éléments (Problème du choix) Compositions LE2I 04 1 Permutations Supposons que
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 détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
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 détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailChapitre 7. Récurrences
Chapitre 7 Récurrences 333 Plan 1. Introduction 2. Applications 3. Classification des récurrences 4. Résolution de récurrences 5. Résumé et comparaisons Lectures conseillées : I MCS, chapitre 20. I Rosen,
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 détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
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 détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailBureau N301 (Nautile) benjamin@leroy-beaulieu.ch
Pre-MBA Statistics Seances #1 à #5 : Benjamin Leroy-Beaulieu Bureau N301 (Nautile) benjamin@leroy-beaulieu.ch Mise à niveau statistique Seance #1 : 11 octobre Dénombrement et calculs de sommes 2 QUESTIONS
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 détailCHAPITRE 3 LA SYNTHESE DES PROTEINES
CHAITRE 3 LA SYNTHESE DES ROTEINES On sait qu un gène détient dans sa séquence nucléotidique, l information permettant la synthèse d un polypeptide. Ce dernier caractérisé par sa séquence d acides aminés
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 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 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 détailALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE
ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du
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 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 détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
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 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 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 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 détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
Plus en détailDistribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités
Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements
Plus en détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
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 détailIntroduction 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 détail1 de 46. Algorithmique. Trouver et Trier. Florent Hivert. Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert
1 de 46 Algorithmique Trouver et Trier Florent Hivert Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert 2 de 46 Algorithmes et structures de données La plupart des bons algorithmes
Plus en détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en détailINF 162 Probabilités pour l informatique
Guy Melançon INF 162 Probabilités pour l informatique Licence Informatique 20 octobre 2010 Département informatique UFR Mathématiques Informatique Université Bordeaux I Année académique 2010-2011 Table
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 détailINFORMATION GÉNÉTIQUE et REPRODUCTION SEXUÉE
Partie 1, Chapitre 4 INFORMATION GÉNÉTIQUE et REPRODUCTION SEXUÉE Constat : à l'exception des jumeaux, chaque individu est unique. Ses caractères héréditaires dependent des info génétiques (allèles) portées
Plus en détailMaster de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant
Master de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant Parcours: Master 1 : Bioinformatique et biologie des Systèmes dans le Master
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 détailSERVICES DE SEQUENÇAGE
MARCH 16, 2014 SERVICES DE SEQUENÇAGE Centre d innovation Génome Québec et Université McGill Services de Validation et détection de SNP Technologie de Séquençage de Nouvelle Génération Guide de l utilisateur
Plus en détailGrandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test
Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite
Plus en détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en détailI. Cas de l équiprobabilité
I. Cas de l équiprobabilité Enoncé : On lance deux dés. L un est noir et l autre est blanc. Calculer les probabilités suivantes : A «Obtenir exactement un as» «Obtenir au moins un as» C «Obtenir au plus
Plus en détailValue at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
Plus en détailMIS 102 Initiation à l Informatique
MIS 102 Initiation à l Informatique Responsables et cours : Cyril Gavoille Catherine Pannier Matthias Robine Marc Zeitoun Planning : 6 séances de cours 5 séances de TD (2h40) 4 séances de TP (2h40) + environ
Plus en détailL informatique comme discipline au gymnase. Renato Renner Institut für Theoretische Physik ETH Zürich
L informatique comme discipline au gymnase Renato Renner Institut für Theoretische Physik ETH Zürich Comment puis-je transférer des fichiers de musique sur mon nouvel iphone? Comment puis-je archiver mes
Plus en détailIII- Raisonnement par récurrence
III- Raisonnement par récurrence Les raisonnements en mathématiques se font en général par une suite de déductions, du style : si alors, ou mieux encore si c est possible, par une suite d équivalences,
Plus en détailBig data et sciences du Vivant L'exemple du séquençage haut débit
Big data et sciences du Vivant L'exemple du séquençage haut débit C. Gaspin, C. Hoede, C. Klopp, D. Laborie, J. Mariette, C. Noirot, MS. Trotard bioinfo@genopole.toulouse.inra.fr INRA - MIAT - Plate-forme
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 détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailCours de Probabilités et de Statistique
Cours de Probabilités et de Statistique Licence 1ère année 2007/2008 Nicolas Prioux Université Paris-Est Cours de Proba-Stat 2 L1.2 Science-Éco Chapitre Notions de théorie des ensembles 1 1.1 Ensembles
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 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 détailIntroduction au Calcul des Probabilités
Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Bât. M2, F-59655 Villeneuve d Ascq Cedex Introduction au Calcul des Probabilités Probabilités à Bac+2 et plus
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailLa gestion de données dans le cadre d une application de recherche d alignement de séquence : BLAST.
La gestion de données dans le cadre d une application de recherche d alignement de séquence : BLAST. Gaël Le Mahec - p. 1/12 L algorithme BLAST. Basic Local Alignment Search Tool est un algorithme de recherche
Plus en détailTESTS D'HYPOTHESES Etude d'un exemple
TESTS D'HYPOTHESES Etude d'un exemple Un examinateur doit faire passer une épreuve type QCM à des étudiants. Ce QCM est constitué de 20 questions indépendantes. Pour chaque question, il y a trois réponses
Plus en détailGroupe symétrique. Chapitre II. 1 Définitions et généralités
Chapitre II Groupe symétrique 1 Définitions et généralités Définition. Soient n et X l ensemble 1,..., n. On appelle permutation de X toute application bijective f : X X. On note S n l ensemble des permutations
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 détailVI. Tests non paramétriques sur un échantillon
VI. Tests non paramétriques sur un échantillon Le modèle n est pas un modèle paramétrique «TESTS du CHI-DEUX» : VI.1. Test d ajustement à une loi donnée VI.. Test d indépendance de deux facteurs 96 Différentes
Plus en détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailL E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun
9 L E Ç O N Marches aléatoires Niveau : Terminale S Prérequis : aucun 1 Chaînes de Markov Définition 9.1 Chaîne de Markov I Une chaîne de Markov est une suite de variables aléatoires (X n, n N) qui permet
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
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 détail3: Clonage d un gène dans un plasmide
3: Clonage d un gène dans un plasmide Le clonage moléculaire est une des bases du génie génétique. Il consiste à insérer un fragment d'adn (dénommé insert) dans un vecteur approprié comme un plasmide par
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 détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en détailChapitre 3 : INFERENCE
Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage
Plus en détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
Plus en détailPerrothon Sandrine UV Visible. Spectrophotométrie d'absorption moléculaire Étude et dosage de la vitamine B 6
Spectrophotométrie d'absorption moléculaire Étude et dosage de la vitamine B 6 1 1.But et théorie: Le but de cette expérience est de comprendre l'intérêt de la spectrophotométrie d'absorption moléculaire
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 détailCouplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites
Couplage efficace entre Optimisation et Simulation stochastique Application à la maintenance optimale d une constellation de satellites Benoît Beghin Pierre Baqué André Cabarbaye Centre National d Etudes
Plus en détailModélisation des risques
2 Modélisation des risques 2. Introduction L objectif de ce chapitre est de présenter les modèles de base utilisés pour décrire le comportement aléatoire d un risque en actuariat pour une période xe. Les
Plus en détailMaîtrise universitaire ès sciences en mathématiques 2012-2013
1 / 6 Remarques liminaires : Ce master à (3 semestres) permet 2 orientations distinctes : - Un master général : "Mathématiques, Systèmes dynamiques et phénomènes d'évolution" - Un master qui permet de
Plus en détail