Prédire le Passé : Évolution, Hasard et Mathématiques
|
|
- Rémi St-Cyr
- il y a 7 ans
- Total affichages :
Transcription
1 Prédire le Passé : Évolution, Hasard et Mathématiques Amaury Lambert Journée Mathématiques en Mouvement, 5 juin 2013
2 Plan 1 La modélisation probabiliste de l Évolution 2 Le paradigme neutraliste 3 Génétique des populations 4 La reconstruction phylogénétique 5 Les processus de diversification des espèces
3 SMILE : un groupe interdisciplinaire au CIRB CIRB = Centre Interdisciplinaire de Recherche en Biologie (Collège de France) SMILE = Stochastic Models for the Inference of Life Evolution
4 Comprendre les grands patrons de la biodiversité Pourquoi y a-t-il tant d espèces sous les tropiques? Pourquoi y a-t-il si peu d espèces dans les océans? Pourquoi y a-t-il des groupes taxonomiques tellement plus riches que d autres? Mais surtout : retrouver les processus qui ont généré ces patrons
5 Modélisation probabiliste de l Évolution (1) Pour quoi faire? Les processus évolutifs ne peuvent pas être répliqués Seul leur résultat est connu La modélisation probabiliste aide à identifier quelles caractéristiques des données observées auraient pu survenir par chance et lesquelles requièrent une explication biologique décider si un processus donné en comparaison avec un autre est responsable des données observées (sélection de modèle, estimation de paramètres).
6 L expression «taux» en probabilités Dire que des événements arrivent à taux θ, c est dire que... En tout temps s, t A 3 P(Un événement dans l intervalle [s, s + h]) = θ h + o(h) A Les temps inter-événements A 1,A 2,A 3,... sont 2 indépendants, de loi exponentielle de paramètre θ 0 A 1 Nb d événements durant [0,t] Poisson de paramètre θt En particulier E(Nb d événements durant [0,t]) = θt.
7 Plan 1 La modélisation probabiliste de l Évolution 2 Le paradigme neutraliste 3 Génétique des populations 4 La reconstruction phylogénétique 5 Les processus de diversification des espèces
8 Le paradigme neutraliste Un cadre de référence à falsifier Théorie neutraliste de l évolution moléculaire (Kimura 1983) : à l échelle moléculaire, la cause principale de variabilité est la fixation de mutants sélectivement neutres mutants avantageux fixés rapidement et mutants délétères purgés rapidement action lente de la dérive génétique Avatar en écologie : théorie neutraliste de la biodiversité (Hubbell 2001)
9 La redondance du code génétique Un exemple d évolution neutre
10 Hypothèses classiques typiques Échelle moléculaire : les séquences évoluent de manière neutre Échelle populationnelle : les individus sont échangeables (et les populations sont de taille constante) Échelle spécifique : les espèces sont échangeables (et diversifient indépendamment) Compromis réalisme vs simplicité/parcimonie? Mais existence d objets limites universels...
11 Plan 1 La modélisation probabiliste de l Évolution 2 Le paradigme neutraliste 3 Génétique des populations 4 La reconstruction phylogénétique 5 Les processus de diversification des espèces
12 Le modèle de Cannings Population asexuée de taille fixe N Les nombres de descendants (X 1,...,X N ) à chaque génération sont échangeables Exemple du processus de Wright Fisher : Chaque individu de la génération t + 1 choisit indépendamment sa mère et uniformément dans la génération t (avec remise)
13 Objet limite : généalogie d un échantillon Random genealogy : total population and sample
14 Objet limite : généalogie d un échantillon Population asexuée de taille constante N Échantillon de n individus dans cette population Généalogie de cet échantillon il y a Nt unités de temps Objet limite N : coalescent de Kingman (Kingman 1982) où le temps d attente T(k) de k à k 1 lignées est exponentiel de paramètre k(k 1)/2.
15 Objet limite : généalogie avec mutations Population de taille constante N Mutations à la naissance avec probabilité θ/n Objet limite N : coalescent de Kingman avec mutations à taux θ Nombre d haplotypes A n, de sites polymorphes S n dans un n-échantillon? (Ewens 1972) Si les données s écartent trop des prédictions : présence de sélection?
16 Un arbre avec mutations poissoniennes Les sites a and g ne sont pas polymorphiques. Sites polymorphiques : S n =? Haplotypes distincts : A n =? gc gc gch gche gch gch gbf gbfd gbfd c h e f b d g Haplotype of individual 3 Haplotype of individual 6 a a b b c c d d e e f f g g h h
17 Ewens Sampling Formula Pour le coalescent de Kingman d un échantillon de taille n, avec taux de mutation θ, lorsque n, S n θ ln(n) et A n θ ln(n), avec taux de convergence ln(n). De plus, lim n S n(k) P = θ k et lim A n (k) L = Y k, n où Y k désigne une variable de Poisson de paramètre θ/k.
18 Plan 1 La modélisation probabiliste de l Évolution 2 Le paradigme neutraliste 3 Génétique des populations 4 La reconstruction phylogénétique 5 Les processus de diversification des espèces
19 Séquences homologues Retrouver l arbre à partir de l alignement
20 Horloge moléculaire : modèles Modèle de Jukes Cantor : α = taux de substitution par nucléotide, par exemple P(A G entre t et t + dt ) = α dt taux de substitution par site θ = 3α Modèle de Kimura : α = taux de subst d une purine par une purine (A,G) ou d une pyrimidine par une pyrimidine (C,T) = transition, β = taux de subst d une purine par une pyrimidine ou vice versa = transversion, par exemple P(A G entre t et t + dt ) = α dt taux de substitution θ = α + 2β P(A T entre t et t + dt ) = β dt
21 Distance entre deux séquences T = temps de divergence entre 2 séq distance entre 2 séquences k = 2θT p(t) = probabilité d observer une substitution en t unités de temps ṗ(t) = 4αp(t)+3α = p(t) = 3 4 ( 1 e 4αt ) Datation des divergences à partir de ˆp = proportion de différences observées k = (3/4)ln(1 4ˆp/3).
22 Plan 1 La modélisation probabiliste de l Évolution 2 Le paradigme neutraliste 3 Génétique des populations 4 La reconstruction phylogénétique 5 Les processus de diversification des espèces
23 Inférence par les phylogénies Une fois l arbre phylogénétique reconstruit d après alignement Nous cherchons à inférer les processus de diversification qui l ont généré En calculant la probabilité de la phylogénie sous certains modèles
24 Modèle général d arbre phylogénétique Ici t = temps, a = âge, i = type t les espèces se comportent indépendamment les espèces ont des types taux d extinction d = d(t,a,i) taux de spéciation b = b(t)
25 Résultat mathématique 0 T H 1 H 3 H 4 H H 1 H2 H 3 H 4 L arbre reconstruit vu de T est un processus de coalescence ponctuel = les temps de coalescence H 1,H 2,... forment une suite de variables aléatoires indépendantes et de même loi, arrêtée à sa première valeur supérieure à T.
26 Processus ponctuel de coalescence T H 4 H 1 H 3 H 2 H 5 H 6 Probabilité de l arbre recontruit avec temps de coalescences (t i ) n 1 L(t 1,...,t n 1 ;T) = F(T) f T (t i ), où f T ( ) = densité de probabilité commune de ces temps. i=1
27 Morlon et al, PNAS 2012 (1) Taux paramétrés par des exponentielles en fonction du temps Les 4 familles de cétacés les + riches (Balaenopteridae, Phoconidae, Ziphiidae, Delphinidae) = 61/87 espèces, sont toutes en expansion Ces familles masquent le signal des extinctions de cétacés (fossiles) En permettant aux taux d être taxon-spécifiques, Morlon et al ont inféré hausse de la diversité des autres cétacés Ma pic à plus de 140 espèces 10 Ma chute brutale aux 16 espèces existantes
28 Morlon et al, PNAS 2012 (2)
29 Stadler, PNAS 2012 (1) Taux constants par morceaux Pas plus de diversif pendant les périodes plus chaudes : Ma (début Éocène) et Ma (milieu Miocène) Pic de diversif Ma, après refroidissement de la Terre (glaciation Antarctique, expansion des prairies) Changement de taux le plus significatif 3.3 Ma, haute activité tectonique = moins de diversification Comparer avec Morlon et al : pic div pour les cétacés 8 Ma
30 Stadler, PNAS 2012 (2)
31 Remerciements Stochastic Models for the Inference of Life Evolution (SMILE) Center for Interdisciplinary Research in Biology Collège de France Stochastics & Biology group Laboratoire de Probabilités et Modèles Aléatoires UPMC University Paris 06 ANR Modèles Aléatoires en Écologie, Génétique, Évolution (MANEGE)
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 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 détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
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 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 détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
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 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 détailBACCALAURÉAT GÉNÉRAL SESSION 2012 OBLIGATOIRE MATHÉMATIQUES. Série S. Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE
BACCALAURÉAT GÉNÉRAL SESSION 2012 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont autorisées, conformément à la
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 détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
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 détailCBBC Canadian Business & Biodiversity Council
CBBC Canadian Business & Biodiversity Council Centre de la Science de la Biodiversité du Québec 72 chercheurs et 350 étudiants en thèse distribués sur un réseau de 8 partenaires universitaires et 2 institutions.
Plus en détailFinance, Navier-Stokes, et la calibration
Finance, Navier-Stokes, et la calibration non linéarités en finance 1 1 www.crimere.com/blog Avril 2013 Lignes directrices Non-linéarités en Finance 1 Non-linéarités en Finance Les équations de Fokker-Planck
Plus en détailIntroduction au pricing d option en finance
Introduction au pricing d option en finance Olivier Pironneau Cours d informatique Scientifique 1 Modélisation du prix d un actif financier Les actions, obligations et autres produits financiers cotés
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 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 détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailÉVALUATION FORMATIVE. On considère le circuit électrique RC représenté ci-dessous où R et C sont des constantes strictement positives.
L G L G Prof. Éric J.M.DELHEZ ANALYSE MATHÉMATIQUE ÉALUATION FORMATIE Novembre 211 Ce test vous est proposé pour vous permettre de faire le point sur votre compréhension du cours d Analyse Mathématique.
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 détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
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 détailO, i, ) ln x. (ln x)2
EXERCICE 5 points Commun à tous les candidats Le plan complee est muni d un repère orthonormal O, i, j Étude d une fonction f On considère la fonction f définie sur l intervalle ]0; + [ par : f = ln On
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 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 détailLE MONITORING DE LA BIODIVERSITE EN SUISSE. Hervé LETHIER, EMC2I
LE MONITORING DE LA BIODIVERSITE EN SUISSE Hervé LETHIER, EMC2I INTRODUCTION OBJECTIFS L INSTRUMENT LES INDICATEURS UN PREMIER BILAN INTRODUCTION OBJECTIF De simples inventaires spécialisés et ciblés Combler
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 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 détailPeut-on imiter le hasard?
168 Nicole Vogel Depuis que statistiques et probabilités ont pris une large place dans les programmes de mathématiques, on nous propose souvent de petites expériences pour tester notre perception du hasard
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 détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailLes calottes polaires Isostasie Champ de température
1 M2R STUE / Cours «Neige et Glace» Les calottes polaires Isostasie Champ de température F. Parrenin Laboratoire de Glaciologie et Géophysique de l'environnement Grenoble 2 L'isostasie sous-glaciaire Rigidité
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 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 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 détailL approche de régression par discontinuité. Thomas Lemieux, UBC Atelier de formation du Congrès de l ASDEQ Le 18 mai 2011
L approche de régression par discontinuité Thomas Lemieux, UBC Atelier de formation du Congrès de l ASDEQ Le 18 mai 2011 Plan de la présentation L approche de régression par discontinuité (RD) Historique
Plus en détailTarif et modifications tarifaires dans la loi sur l assurance-maladie (LAMal)
Tarif et modifications tarifaires dans la loi sur l assurance-maladie (LAMal) Extrait d un exposé du Dr Willy Oggier, Gesundheitsökonomische Beratungen AG, Küsnacht Structure Comment les négociations tarifaires
Plus en détailLogistique, Transports
Baccalauréat Professionnel Logistique, Transports 1. France, juin 2006 1 2. Transport, France, juin 2005 2 3. Transport, France, juin 2004 4 4. Transport eploitation, France, juin 2003 6 5. Transport,
Plus en détailCorrection du baccalauréat S Liban juin 2007
Correction du baccalauréat S Liban juin 07 Exercice. a. Signe de lnx lnx) : on fait un tableau de signes : x 0 e + ln x 0 + + lnx + + 0 lnx lnx) 0 + 0 b. On afx) gx) lnx lnx) lnx lnx). On déduit du tableau
Plus en détailCorrigé du baccalauréat S Pondichéry 12 avril 2007
Corrigé du baccalauréat S Pondichéry 1 avril 7 EXERCICE 1 Commun à tous les candidats 4 points 1 a Les vecteurs AB et AC ont pour coordonnées AB ; ; ) et AC 1 ; 4 ; 1) Ils ne sont manifestement pas colinéaires
Plus en détailEconomie de l Incertain et des Incitations
Economie de l Incertain et des Incitations CHAPITRE 2 Eléments de théorie des jeux en information symétrique et asymétrique Equilibres Bayesiens - Université de Tours - M1 AGE - Arnold Chassagnon - Automne
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 détailINTRODUCTION. 1 k 2. k=1
Capes externe de mathématiques : session 7 Première composition INTRODUCTION L objet du problème est l étude de la suite (s n n définie par : n, s n = Dans une première partie, nous nous attacherons à
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 détailSéquence 4. Comment expliquer la localisation des séismes et des volcans à la surface du globe?
Sommaire Séquence 4 Tu as constaté que les séismes et les éruptions volcaniques se déroulaient toujours aux mêmes endroits. Tu vas maintenant chercher à expliquer ce phénomène. Problématique : Comment
Plus en détailTechniques de Lyapunov en contrôle quantique pour le couplage dipolaire et polarisabilité
Techniques de Lyapunov en contrôle quantique pour le couplage dipolaire et polarisabilité Andreea Grigoriu avec Jean-Michel Coron, Cătălin Lefter and Gabriel Turinici CEREMADE-Université Paris Dauphine
Plus en détailPROGRAMMES DONT LES UNIVERSITES PARTENAIRES SONT DIPLOMANTES. N.B : DIPLOME DE TECHNICIEN SUPERIEUR(DTS) : équivaut au BAC+2
PROGRAMMES DONT LES UNIVERSITES PARTENAIRES SONT DIPLOMANTES 1. MAHATMA GANDHI UNIVERSITY 2. INSTITUT SUPERIEUR DE BURKINAFASO N.B : DIPLOME DE TECHNICIEN SUPERIEUR(DTS) : équivaut au BAC+2 PROGRAMMES
Plus en détailCHAPITRE 6 : LE RENFORCEMENT DU MODELE PAR SON EFFICACITE PREDICTIVE
1 CHAPITRE 6 : LE RENFORCEMENT DU MODELE PAR SON EFFICACITE PREDICTIVE Quels sont les arguments qui permettent de renforcer le modèle? 2 3 I. UNE CONFIRMATION DE L EXPANSION DU PLANCHER OCÉANIQUE A.LES
Plus en détailEVALUATION DE LA QUALITE DES SONDAGES EN LIGNE : CAS D UN SONDAGE D OPINION AU BURKINA FASO
EVALUATION DE LA QUALITE DES SONDAGES EN LIGNE : CAS D UN SONDAGE D OPINION AU BURKINA FASO Auteur Baguinébié Bazongo 1 Ingénieur Statisticien Economiste Chef de l Unité de recherche à l Institut national
Plus en détailEPREUVES AU CHOIX DU CANDIDAT. Durée : De 09 h 00 à 12 h 00 (Heure de Yaoundé, TU + 1)
1 CYCLE MST-A 30 JUIN 2010 10 ème Promotion 2010 / 2012 CONCOURS D ENTREE A L IIA DROIT EPREUVES AU CHOIX DU CANDIDAT Durée : De 09 h 00 à 12 h 00 (Heure de Yaoundé, TU + 1) Le candidat traitera au choix
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 détailUne application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
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 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 détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailProcessus de validation des coûts à l appui de l attestation par l DPF
ASSISTANT DEPUTY MINISTER (FINANCE AND CORPORATE SERVICES) SOUS-MINISTRE ADJOINT (FINANCES ET SERVICES DU MINISTÈRE) Processus de validation des coûts à l appui de l attestation par l DPF Allan Weldon!
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 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 détailCorrection de l épreuve CCP 2001 PSI Maths 2 PREMIÈRE PARTIE ) (
Correction de l épreuve CCP PSI Mths PREMIÈRE PARTIE I- Soit t u voisinge de, t Alors ϕt t s = ϕt ρt s ρs Pr hypothèse, l fonction ϕt ϕt est lorsque t, il en est donc de même de ρt s ρt s ρs cr ρ s est
Plus en détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détailLes macroinvertébrés: des bioindicateurs incontournables pour le monitoring des cours d eau en CH
Les macroinvertébrés: des bioindicateurs incontournables pour le monitoring des cours d eau en CH 4 e Rencontres de l eau 20 mars 2015, UNIL Nathalie Menétrey Hydrobiologiste Bureau d étude aquatique et
Plus en détailModèles et simulations informatiques des problèmes de coopération entre agents
Modèles et simulations informatiques des problèmes de coopération entre agents Bruno Beaufils LIFL Axe CIM Équipe SMAC Laboratoire d'informatique Plan 1. Motivations 2. Dilemme itéré du prisonnier 3. Simulations
Plus en détailExo7. Probabilité conditionnelle. Exercices : Martine Quinio
Exercices : Martine Quinio Exo7 Probabilité conditionnelle Exercice 1 Dans la salle des profs 60% sont des femmes ; une femme sur trois porte des lunettes et un homme sur deux porte des lunettes : quelle
Plus en détailEXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG
Exploitations pédagogiques du tableur en STG Académie de Créteil 2006 1 EXPLOITATIONS PEDAGOGIQUES DU TABLEUR EN STG Commission inter-irem lycées techniques contact : dutarte@club-internet.fr La maquette
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 détailProbabilités conditionnelles Exercices corrigés
Terminale S Probabilités conditionnelles Exercices corrigés Exercice : (solution Une compagnie d assurance automobile fait un bilan des frais d intervention, parmi ses dossiers d accidents de la circulation.
Plus en détailBase de données bibliographiques Pubmed-Medline
Chapitre 1 ; Domaine 1 ; Documentation ; Champs référentiels 1.1.1, 1.1.2 et 1.1.3 Base de données bibliographiques Pubmed-Medline D r Patrick Deschamps,, 30 mai 2007 PLAN C2i métiers de la santé Introduction
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 détailIndexmed : Le big data en écologie? Pas encore disent certains. Pas si sûr! Avec IndexMed. Relevons ce challenge!
Indexmed : Le big data en écologie? Pas encore disent certains Pas si sûr! Avec IndexMed Relevons ce challenge! Origine du consortium L état des lieux (source : séminaire Allenvie, séminaire Indexmed1)
Plus en détailThierry DELZESCAUX. «biopicsel» group, URA CNRS-CEA 2210 Service MIRCen, I²BM, CEA Fontenay-aux-Roses, France. Thierry.Delzescaux@cea.
Thierry DELZESCAUX «biopicsel» group, URA CNRS-CEA 2210 Service MIRCen, I²BM, CEA Fontenay-aux-Roses, France Thierry.Delzescaux@cea.fr Thierry DELZESCAUX Ingénieur chercheur CEA Experience Since 2008:
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 détailÉCOLE SUPÉRIEURE D INGÉNIEURS DE LUMINY - MARSEILLE
ÉCOLE SUPÉRIEURE D INGÉNIEURS DE LUMINY - MARSEILLE former des ingénieurs spécialistes des hautes technologies Créée en 1993, l École Supérieure d Ingénieurs de Luminy a pour vocation de former des professionnels
Plus en détailCours d électricité. Introduction. Mathieu Bardoux. 1 re année. IUT Saint-Omer / Dunkerque Département Génie Thermique et Énergie
Cours d électricité Introduction Mathieu Bardoux mathieu.bardoux@univ-littoral.fr IUT Saint-Omer / Dunkerque Département Génie Thermique et Énergie 1 re année Le terme électricité provient du grec ἤλεκτρον
Plus en détailIMMUNOLOGIE. La spécificité des immunoglobulines et des récepteurs T. Informations scientifiques
IMMUNOLOGIE La spécificité des immunoglobulines et des récepteurs T Informations scientifiques L infection par le VIH entraîne des réactions immunitaires de l organisme qui se traduisent par la production
Plus en détailSPORT ET PERSONNALITE
BILAN DES RECHERCHES MICHEL LE HER Le concept de personnalité et son DEFINITIONS DE DEPART évolution Guilford : «le patron de traits d une personne» Maddi : «Une série de caractéristiques et de tendances
Plus en détailPRÉCIS DE SIMULATION
PRÉCIS DE SIMULATION P. Del Moral Centre INRIA Bordeaux Sud-Ouest & Institut de Mathématiques de Bordeaux Université Bordeaux I, 351, cours de la Libération 33405 Talence, France Table des matières 1
Plus en détailIdentification de nouveaux membres dans des familles d'interleukines
Identification de nouveaux membres dans des familles d'interleukines Nicolas Beaume Jérôme Mickolajczak Gérard Ramstein Yannick Jacques 1ère partie : Définition de la problématique Les familles de gènes
Plus en détailCorrection Code nécessaire à la compilation : let bs ="\\" let nl = "\n" ;; let appliquer = List.map ;; (* affichage d'un noeud *)
Correction Code nécessaire à la compilation : let bs ="\\" let nl = "\n" let appliquer = List.map (* affichage d'un noeud *) let (noeud_vers_ch : int -> string) = function n -> "fib(" ^ (string_of_int
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 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 détailEXERCICES : MECANISMES DE L IMMUNITE : pages 406 407 408 409 410
EXERCICES : MECANISMES DE L IMMUNITE : pages 406 407 408 409 410 EXERCICE 1 PAGE 406 : EXPERIENCES A INTERPRETER Question : rôles respectifs du thymus et de la moelle osseuse dans la production des lymphocytes.
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 détailChapitre 6 : les groupements d'étoiles et l'espace interstellaire
Chapitre 6 : les groupements d'étoiles et l'espace interstellaire - Notre Galaxie - Amas stellaires - Milieu interstellaire - Où sommes-nous? - Types de galaxies - Interactions entre galaxies Notre Galaxie
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 détailFès. Licences Fondamentales. Filière SMC : Sciences de la Matière Chimie Coordonnateur : Pr. Mohammed KHALDI
Université Sidi Mohammed Ben Abdellah Faculté des Sciences Dhar El Mahraz Fès LICENCES FONDAMENTALES Licences Fondamentales Filière SMC : Sciences de la Matière Chimie Coordonnateur : Pr. Mohammed KHALDI
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 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 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 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 détaile-science : perspectives et opportunités pour de nouvelles pratiques de la recherche en informatique et mathématiques appliquées
Emilie MANON, Joanna JANIK, Gabrielle FELTIN e-science : perspectives et opportunités pour de nouvelles pratiques de la recherche en informatique et mathématiques appliquées 1 Introduction : La recherche
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 détailLe taux d'actualisation en assurance
The Geneva Papers on Risk and Insurance, 13 (No 48, July 88), 265-272 Le taux d'actualisation en assurance par Pierre Devolder* Introduction Le taux d'actualisation joue un role determinant dans Ia vie
Plus en détailIndexmed : Le big data en écologie? Pas encore disent certains. Pas si sûr! Avec IndexMed. Relevons ce challenge!
Indexmed : Le big data en écologie? Pas encore disent certains Pas si sûr! Avec IndexMed Relevons ce challenge! Origine du consortium L état des lieux (source : séminaire Allenvie, séminaire Indexmed1)
Plus en détailValorisation d es des options Novembre 2007
Valorisation des options Novembre 2007 Plan Rappels Relations de prix Le modèle binomial Le modèle de Black-Scholes Les grecques Page 2 Rappels (1) Définition Une option est un contrat financier qui confère
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 détailProjet Pédagogique Conférence interactive HUBERT REEVES Vendredi 13 mars 2015-14 H
Projet Pédagogique Conférence interactive HUBERT REEVES Vendredi 13 mars 2015-14 H Page 1 DES CONFERENCES QUI ENRICHISSENT LES PROGRAMMES SCOLAIRES : Objectifs principaux : Acquérir et approfondir des
Plus en détailOptimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie
Optimisation multi-critère pour l allocation de ressources sur Clouds distribués avec prise en compte de l énergie 1 Présenté par: Yacine KESSACI Encadrement : N. MELAB E-G. TALBI 31/05/2011 Plan 2 Motivation
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 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 détail