Réseaux causaux possibilistes pour le traitement des interventions
|
|
- Caroline Thomas
- il y a 8 ans
- Total affichages :
Transcription
1 Les modèles graphiques probabilistes Réseaux causaux possibilistes pour le traitement des interventions Salem ENFERHT CRIL, Lens Outils importants pour la représentation et l analyse des informations incertaines dans les systèmes de base de connaissances 2 Réseaux ayésiens Composante «symbolique» Structure graphique Graphe acyclique orienté (DG) Influence et Indépendance Composante quantitative distributions de probabilités Incertitude Indépendance Réseaux bayésiens (R) Noeuds représentent Les variables Graphe acyclique orienté Liens représentent les relations causales + Distributions de probabilité conditionnelles locales 3 4 1
2 Dépendance Observations vs. Interventions Si on observe que le est mouillé P(= «mouillé»)=1 est-ce que P() ou? Oui 6 Causalité Intervention: interne ou externe? Une intervention est d origine externe On mouille le P(= «mouillé»)=1 est-ce que P() ou? Non 7 8 2
3 Réseau bayésien causal Réseau bayésien causal Réseau bayésien causal (RC) est : un réseau bayésien, mais : Un arc X Y existe ssi X est une cause directe de Y rc Lien de causalité P(X Y) signifie que non seulement il existe une relation entre X et Y mais que Y est une cause X 10 Réseau bayésien causal Intervention Un réseau bayésien causal prend un sens uniquement si on effectue des interventions. «Le est mouillé» => observation => conditionnement probabiliste: P(ω) P(ω =a) «On mouille le» => intervention ou action Comment modéliser les interventions dans un R? Pearl (1992): Une action qui force à prendre la valeur a est notée do(=a) ou do(a). P(ω) P(ω do(=a))
4 près intervention sur rroseur (), Intervention Les croyances sur les causes directes de ne doivent pas être changées P(=«on»)? rroseur Saison do(=«mouillé») Représentation de l intervention (1): «Mutilation du graphe» Supprimer les liens vers le nœud concerné Toutes les causes autres que celle de l intervention sont exclues Conditionnement sur le graphe modifié (mutilé). do(c=c) C E D 13 Les croyances sur et ne changent pas 14 Représentation de l intervention (1): «Mutilation du graphe» Calcul de l effet d une action Saison Saison rroseur rroseur Cas : pas de variables non-observées (non-mesurées) ction simple do(=a i ') Effet de l intervention sur la jointe est: P(a j u j ) si a i = a i ', P(a 1,,a i,, a n do(a i '))= 0 sinon Observation : =«On» Conditionnement classique ction : do(=«on») - supprimer les arcs entrant vers - Conditionnement dans le nouveau graphe
5 Calcul de l effet d une action Saison Saison rroseur rroseur P(SPH)= P(S) P( S) P(P S) P(H P) P(SPH)= P(S) P(P S) P(H P) utres représentations équivalents des interventions lgo de propagation sur les interventions = lgo de propagation sur les observations 17 Représentation de l intervention (2): «ugmentation du graphe» Exemple = graphe augmenté Do(=a ) Pour toute variable où il peut y avoir interventions, ajouter un nœud parent DO DO est une variable qui prend valeur dans {do(=a ),rien} pour tout a instance de. «rien» signifie «pas d actions». U {U DO } oui 0,8 non 0,2 DO DO C C DO P(a u )= P(a u ) si DO =rien 1 si DO =do(a') et a'=a 0 si DO =do(a') et a' a Gazon Herbe mouillé oui 0,9 mouillé non 0,3 sec oui 0,1 sec non 0,
6 ? rien do(mouillée) do(sèche) DO H Exemple = graphe augmenté oui 0,8 non 0,2 Exemple = graphe augmenté Si il y a intervention do(=mouillé) rien 0 do(mouillée) 1 do(sèche) 0 DO H oui 0,8 non 0,2 Gazon DO_H Herbe,DO_H mouillé oui rien 0,9 mouillé oui do(mouillé) 1 mouillé oui do(sec) 0 mouillé non rien 0,3 mouillé non do(mouillé) 1 mouillé non do(sec) 0 sec oui rien 0,1 sec oui do(mouillé) 1 sec oui do(sec) 0 sec non rien 0,7 sec non do(mouillé) 1 sec non do(sec) 0 21 on obtient: Gazon DO_H P(Herbe,,DO_H) mouillé oui rien 0 mouillé oui do(mouillé) 0,8 mouillé oui do(sec) 0 mouillé non rien 0 mouillé non do(mouillé) 0,2 mouillé non do(sec) 0 sec oui rien 0 sec oui do(mouillé) 0 sec oui do(sec) 0 sec non rien 0 sec non do(mouillé) 0 sec non do(sec) 0 Gazon DO_H Herbe,DO_H mouillé oui rien 0,9 mouillé oui do(mouillé) 1 mouillé oui do(sec) 0 mouillé non rien 0,3 mouillé non do(mouillé) 1 mouillé non do(sec) 0 sec oui rien 0,1 sec oui do(mouillé) 0 sec oui do(sec) 1 sec non rien 0,7 sec non do(mouillé) 0 sec non do(sec) 1 22 Graphe augmenté Graphe augmenté: propagation Objectif : Graphe augmenté rbre de jonction Inférence sur interventions Problème : quelle distribution a priori attribuer aux nœuds DO i (à l état initial)? Ce que l on veut exprimer est: Par défaut il n y a pas d intervention Qui peut-être remise en cause s il y a intervention
7 Graphe augmenté: propagation Graphe augmenté: propagation Par défaut il n y a pas d intervention si on attribue 1 à P(DO i =«rien») On ne peut plus après avoir DO i =«a i» (on est en présence d événement impossible) Donc il faut faire une initialisation avec des probabilité positive sur chacune des instance de DO i Par exemple, la solution de distribution uniforme sur la variable DO i P(DO i =«rien»)=1/k+1 Pour tout ai, P(DO i =a i )=1/k Exemple : probabilité Exemple : probabilité Observation =b1 b2 0 rien 0,333 do(a1) 0,333 do(a2) 0,333 DO b2 0 P() a1 b1 0,6 a1 b2 0 a2 b1 0,4 a2 b2 0 a1 b1 0,6 a1 b2 0,3 a2 b1 0,4 a2 b2 0,7 DO P(,,DO) a1 b1 rien 0,2 a1 b1 do(a1) 0,333 a1 b2 rien 0 a1 b2 do(a1) 0 a2 b1 rien 0,133 a2 b1 do(a2) 0,333 a2 b2 rien 0 DO,DO a1 b1 rien 0,6 a1 b1 do(a1) 1 a1 b2 rien 0,3 a1 b2 do(a1) 1 a2 b1 rien 0,4 a2 b1 do(a2) 1 a2 b2 rien 0,7 a2 b2 do(a2) 1 P(=a1)=0.6 P(=a2)=0.4 a2 b2 do(a2) 0 P(=a1)= P(=a2)= => P() =/= P G ()
8 Exemple : probabilité Exemple : probabilité rien 0,333 do(a1) 0,333 do(a2) 0,333 DO b2 0 rien 1 do(a1) 0 do(a2) 0 DO b2 0 Pas d intervention DO,DO Pas d intervention DO,DO a1 b1 rien 0,6 a1 b1 rien 0,6 DO P(,,DO) a1 b1 rien 0,2 a1 b1 do(a1) 0,333 a1 b2 rien 0 a1 b2 do(a1) 0 a2 b1 rien 0,133 a1 b1 do(a1) 1 a1 b2 rien 0,3 a1 b2 do(a1) 1 a2 b1 rien 0,4 a2 b1 do(a2) 1 a2 b2 rien 0,7 a2 b2 do(a2) 1 DO P(,,DO) a1 b1 rien 0,6 a1 b1 do(a1) 0 a1 b2 rien 0 a1 b2 do(a1) 0 a2 b1 rien 0,4 a1 b1 do(a1) 1 a1 b2 rien 0,3 a1 b2 do(a1) 1 a2 b1 rien 0,4 a2 b1 do(a2) 1 a2 b2 rien 0,7 a2 b2 do(a2) 1 a2 b1 do(a2) 0,333 a2 b1 do(a2) 0 a2 b2 rien 0 a2 b2 rien 0 a2 b2 do(a2) 0 a2 b2 do(a2) 0 P(=a1)= P(=a2)= => P() =/= P G () P(=a1)= 0.6 P(=a2)= 0.4 => P() = P G () Graphe augmenté: propagation On peut faire une étape de transformation vers arbre de jonction, mais avant de propager, il faut connaître toutes les interventions. Réseaux causaux possibilistes Solutions possibles dans d autres cadres de l incertain
9 Motivations L opérateur de base «do» a été introduit dans le cadre des OCF (Fonctions Conditionnelles Ordinales) La notion de causalité a été motivée en utilisant uniquement la structure de graphe Ex: Une intervention sur une variable ne doit pas changer nos croyances sur ses causes directes. Il est clair que l intervention et l observation ne doivent pas être confondues. => donc il est important d avoir un cadre qui permet, en théorie de possibilité, de modéliser les interventions. Réseau causal possibiliste Réseau causal possibiliste (RCP) est: un réseau possibiliste, mais : Un arc X Y existe ssi X est une cause directe de Y rc Lien de causalité π(x Y) signifie que non seulement il existe une relation entre X et Y mais que Y est une cause de X Un réseau bayésien causal prend un sens uniquement si on effectue des interventions Représentation de l intervention (1): «Mutilation du graphe» Supprimer les liens vers le nœud concerné Toutes les causes autres que celle de l intervention sont exclues Conditionnement sur le graphe modifié (mutilé) selon le type de réseaux (basés sur le min ou sur le produit) Représentation de l intervention (2): «ugmentation du graphe» Do(=a ) Pour toute variable où il peut y avoir interventions, ajouter un nœud parent DO DO est une variable qui prend valeur dans {do(=a ),rien} pour tout a instance de. «rien» signifie «pas d actions». DO U {U DO } DO do(c=c) C E D Les croyances sur et ne changent pas: π()=π ()=π( do(c=c)) π()=π ()=π( do(c=c)) π ( a u) ' π( a u) = 1 0 sido = rien DO C ' ' sido = do( a )et a = a ' ' sido = do( a )et a a C
10 Graphe augmenté: avantages Graphe augmenté : propagation rien? do(a1)? do(a2)? DO Problème: quelle distribution a priori attribuer aux nœuds DO (à l état initial)? Ce que l on veut exprimer est: - pas d intervention par défaut - possibilité de la remise en cause s il y a intervention b2 0,4 DO,DO a1 b1 rien 1 a1 b1 do(a1) 1 a1 b2 rien 0,6 a1 b2 do(a1) 1 a2 b1 rien 0,5 a2 b1 do(a2) 1 a2 b2 rien 1 a2 b2 do(a2) 1 En probabilité: Pas d intervention par défaut => i, P(DO i =«rien»)=1 On ne peut plus après avoir DO i =«a i» (évènement impossible) Par exemple, la solution de distribution uniforme sur la variable DO i P(DO i =«rien»)=1/ D i +1 a i, P(DO i =a i )=1/ D i Graphe augmenté possibiliste: propagation Solution: cadre possibiliste i, distributions de possibilité locales au niveau de DO i : π(do i =rien) 1 a i instance de i, π(do i =do(ai )) ε où α est le plus bas degré de possibilité attribué (toutes variables considérées) ε min ai (π(a i u i )) i, DO i =rien est considérée par défaut comme étant la situation la plus normale a i, DO i =do(ai ) est considérée comme étant l évènement le moins normal et le moins préféré dans le graphe évitant ainsi d influencer nos connaissances initiales sur le reste des variables Graphe augmenté possibiliste: propagation Distributions par défaut équivalentes sur les variables de base ω Π G (ω)= π(ω) En absence d intervention, la distribution de possibilité associée au graphe augmenté est égale à la distribution de possibilité associée au grahe initial
11 rbres de jonction augmentés Les nœuds ajoutés DO i au graphe initial G sont aussi ajoutés à l arbre de jonction J Construction de J à partir du graphe augmenté G : problématique! Nbre de nœuds = Nbre nœuds dans G+Nbre nœuds ajoutés Solution: jouter les nœuds DO i lors de l étape d initialisation de J rbres de jonction augmentés Initialisation: Pour chaque clique C i dans J: ω, π Ci (ω) 1 Pour chaque i dans G, choisir une clique C i contenant i U i Si i est un nœud qui peut être concerné par une intervention: jouter le nœud DO i à C i π Ci π Ci. π(a i u i,do i ). π(do i ) Sinon π Ci π Ci. π(a i u i ) rbres de jonction augmentés La jointe résultante dans J est équivalente à celle du graphe augmenté G: ω,do i, π J (ω,do i )=π G (ω,do i ) Représentation de l intervention (2): «ugmentation du graphe» où do i est une instance quelconque des nœuds DO i 43 11
12 Représentation de l intervention (2): «ugmentation du graphe» Pour toute variable où il peut y avoir interventions, ajouter un nœud parent DO DO est une variable qui prend valeur dans {do(=a ),rien} pour tout a instance de. «rien» signifie «pas d interventions». U {U DO } DO DO π ( a u) ' π( a u) = 1 0 sido = rien DO C ' ' sido = do( a )et a = a ' ' sido = do( a )et a a C Inférence dans des graphes augmentés possibilistes : Problème de constructions d arbres de jonction pour chaque intervention Inférence dans les réseaux possibilistes Observation C=c Effet de cette observation sur V\{C}? π( C=c), π( C=c), => Inférence Propagation sans intervention dans les RP R simplement connectés : polynomial R à connexions multiples : NP-complet Transformation graphique : graphe initial en un arbre de jonction (moralisation - triangulation) E D C C C CD C 1 S 12 C 2 S D 23 Variables en commun (séparateur) C 3 clique DE
13 Graphe augmenté: retour en probabilités Graphe augmenté : propagation rien? do(a1)? do(a2)? DO Problème: (ignorance sur la présence ou non d interventions) quelle distribution a priori attribuer aux nœuds DO (à l état initial)? Ce que l on veut exprimer est: - pas d intervention par défaut - possibilité de la remise en cause s il y a intervention b2 0,4 DO,DO a1 b1 rien 1 a1 b1 do(a1) 1 a1 b2 rien 0,6 a1 b2 do(a1) 1 a2 b1 rien 0,5 a2 b1 do(a2) 1 a2 b2 rien 1 a2 b2 do(a2) 1 49 En probabilité: Pas d intervention par défaut => i, P(DO i =«rien»)=1 On ne peut plus après avoir DO i =«a i» (évènement impossible) La solution de distribution uniforme sur la variable DO i n est pas satisfaisante non plus. P(DO i =«rien»)=1/ D i +1 a i, P(DO i =a i )=1/ D i Graphe augmenté (probabilités) Graphe augmenté (probabilités) Observation =b1 b2 0 rien 0,333 do(a1) 0,333 do(a2) 0,333 DO b2 0 Distribution jointe P P() a1 b1 0,6 a1 b2 0 a2 b1 0,4 a2 b2 0 P(=a1)=0.6 P(=a2)=0.4 a1 b1 0,6 a1 b2 0,3 a2 b1 0,4 a2 b2 0,7 Pas d intervention Distribution jointe P G DO P(,,DO) a1 b1 rien 0,2 a1 b1 do(a1) 0,333 a1 b2 rien 0 a1 b2 do(a1) 0 a2 b1 rien 0,133 a2 b1 do(a2) 0,333 a2 b2 rien 0 a2 b2 do(a2) 0 P(=a1)= P(=a2)= DO,DO a1 b1 rien 0,6 a1 b1 do(a1) 1 a1 b2 rien 0,3 a1 b2 do(a1) 1 a2 b1 rien 0,4 a2 b1 do(a2) 1 a2 b2 rien 0,7 a2 b2 do(a2) 1 => P() P G ()
14 Graphe augmenté possibiliste: propagation 2 ème solution: π(do i =rien) 1 a i instance de i, π(do i =do(ai )) α où α est le plus bas degré de possibilité attribué (toutes variables considérées) i, DO i =rien est considérée par défaut comme étant la situation la plus normale a i, DO i =do(ai ) est considérée comme étant l évènement le moins normal et le moins préféré dans le graphe évitant ainsi d influencer nos connaissances initiales sur le reste des variables FIN
Raisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailAPPORT DES RESEAUX BAYESIENS DANS LA PREVENTION DE LA DELINQUANCE
SûretéGlobale.Org La Guitonnière 49770 La Meignanne Téléphone : +33 241 777 886 Télécopie : +33 241 200 987 Portable : +33 6 83 01 01 80 Adresse de messagerie : c.courtois@sureteglobale.org APPORT DES
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 de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Plus en détailThéorie des Graphes Cours 3: Forêts et Arbres II / Modélisation
IFIPS S7 - informatique Université Paris-Sud 11 1er semestre 2009/2010 Théorie des Graphes Cours 3: Forêts et Arbres II / 1 Forêts et arbres II Théorème 1.1. Les assertions suivantes sont équivalentes
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 détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailGestion de données incertaines et de leur provenance
Gestion de données incertaines et de leur provenance Pierre Senellart Séminaire INSERM & Institut TELEOM 7 octobre 2008 P. Senellart (TELEOM ParisTech) Données incertaines et provenance 07/10/2008 1 /
Plus en détailObjectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)
Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter
Plus en détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailMaster d Informatique M1 Université Paris 7 - Denis Diderot Travail de Recherche Encadré Surf Bayesien
Master d Informatique M1 Université Paris 7 - Denis Diderot Travail de Recherche Encadré Surf Bayesien Denis Cousineau Sous la direction de Roberto di Cosmo Juin 2005 1 Table des matières 1 Présentation
Plus en détailLa NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of
Plus en détailIncertitude et variabilité : la nécessité de les intégrer dans les modèles
Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre
Plus en 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 détailLes Réseaux Bayesiens
Les Réseaux Bayesiens A quoi sert un réseau bayésien? à représenter la connaissance d un système technique Le "système" dont on représente la connaissance au moyen d'un réseau bayésien peut être aussi
Plus en détailRéseaux bayésiens. 3 e édition Patrick Naïm, Pierre-Henri Wuillemin, Philippe Leray, Olivier Pourret, Anna Becker
Réseaux bayésiens 3 e édition Patrick Naïm, Pierre-Henri Wuillemin, Philippe Leray, Olivier Pourret, Anna Becker Avec la contribution de Bruce G. Marcot, Carmen Lacave et Francisco J. Díez Groupe Eyrolles,
Plus en détailAPPROCHE DE MODELISATION DE LA PROPAGATION DE L INCENDIE DANS UN EDIFICE ET SON INTEGRATION DANS UN SYSTEME DECISIONNEL
APPRCHE DE MDELISATIN DE LA PRPAGATIN DE L INCENDIE DANS UN EDIFICE ET SN INTEGRATIN DANS UN SYSTEME DECISINNEL Sanae KHALI ISSA (*), Abdellah AZMANI (*), Karima ZEJLI (**) sanaeissa@gmail.com, abdellah.azmani@gmail.com,
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 détailProgrammation Par Contraintes
Programmation Par Contraintes Cours 2 - Arc-Consistance et autres amusettes David Savourey CNRS, École Polytechnique Séance 2 inspiré des cours de Philippe Baptiste, Ruslan Sadykov et de la thèse d Hadrien
Plus en détailBACCALAUREAT GENERAL MATHÉMATIQUES
BACCALAUREAT GENERAL FEVRIER 2014 MATHÉMATIQUES SERIE : ES Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) 7(spe ES) Les calculatrices électroniques de poche sont autorisées, conformement à la
Plus en détailProbabilités. C. Charignon. I Cours 3
Probabilités C. Charignon Table des matières I Cours 3 1 Dénombrements 3 1.1 Cardinal.................................................. 3 1.1.1 Définition............................................. 3
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 détailIndépendance Probabilité conditionnelle. Chapitre 3 Événements indépendants et Probabilités conditionnelles
Chapitre 3 Événements indépendants et Probabilités conditionnelles Indépendance Indépendance Probabilité conditionnelle Definition Deux événements A et B sont dits indépendants si P(A B) = P(A).P(B) Attention
Plus en détailSystèmes d information et bases de données (niveau 1)
Systèmes d information et bases de données (niveau 1) Cours N 1 Violaine Prince Plan du cours 1. Bibliographie 2. Introduction aux bases de données 3. Les modèles 1. Hiérarchique 2. Réseau 3. Relationnel
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
Plus en détailRéseaux bayésiens : Apprentissage et diagnostic de systemes complexes
Réseaux bayésiens : Apprentissage et diagnostic de systemes complexes Ph. Leray To cite this version: Ph. Leray. Réseaux bayésiens : Apprentissage et diagnostic de systemes complexes. Modeling and Simulation.
Plus en détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
Plus en détailIntelligence Artificielle Planification
Intelligence Artificielle Planification Bruno Bouzy http://web.mi.parisdescartes.fr/~bouzy bruno.bouzy@parisdescartes.fr Licence 3 Informatique UFR Mathématiques et Informatique Université Paris Descartes
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 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 détailTout ce qu il faut savoir en math
Tout ce qu il fut svoir en mth 1 Pourcentge Prendre un pourcentge t % d un quntité : t Clculer le pourcentge d une quntité pr rpport à une quntité b : Le coefficient multiplicteur CM pour une ugmenttion
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 détailJade. Projet Intelligence Artificielle «Devine à quoi je pense»
Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges
Plus en détailSDLV120 - Absorption d'une onde de compression dans un barreau élastique
Titre : SDLV120 - Absorption d'une onde de compression dan[...] Date : 09/11/2011 Page : 1/9 SDLV120 - Absorption d'une onde de compression dans un barreau élastique Résumé On teste les éléments paraxiaux
Plus en détailAPPROCHE SEMI-MARKOVIENNE POUR LA MODÉLISATION DE STRATÉGIES DE MAINTENANCE : APPLICATION À LA PRÉVENTION DE RUPTURE DU RAIL
7 e Conférence Francophone de MOdélisation et SIMulation - MOSIM 08 - du 31 mars au 2 avril 2008 - Paris - France «Modélisation, Optimisation et Simulation des Systèmes : Communication, Coopération et
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 détailCOURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION. Jean-Loup Guillaume
COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION Jean-Loup Guillaume Le cours Enseignant : Jean-Loup Guillaume équipe Complex Network Page du cours : http://jlguillaume.free.fr/www/teaching-syrres.php Évaluation
Plus en détailExemples de problèmes et d applications. INF6953 Exemples de problèmes 1
Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation
Plus en détailIntroduction à la théorie des graphes. Solutions des exercices
CAHIERS DE LA CRM Introduction à la théorie des graphes Solutions des exercices Didier Müller CAHIER N O 6 COMMISSION ROMANDE DE MATHÉMATIQUE 1 Graphes non orientés Exercice 1 On obtient le graphe biparti
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 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 détailSEANCE 4 : MECANIQUE THEOREMES FONDAMENTAUX
SEANCE 4 : MECANIQUE THEOREMES FONDAMENTAUX 1. EXPERIENCE 1 : APPLICATION DE LA LOI FONDAMENTALE DE LA DYNAMIQUE a) On incline d un angle α la table à digitaliser (deuxième ou troisième cran de la table).
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailCours de Génie Logiciel
Cours de Génie Logiciel Sciences-U Lyon Diagrammes UML (2) http://www.rzo.free.fr Pierre PARREND 1 Avril 2005 Sommaire Les Diagrammes UML Diagrammes de Collaboration Diagrammes d'etats-transitions Diagrammes
Plus en détailGOL502 Industries de services
GOL502 Industries de services Conception d un service Partie IIb Version 2013 Introduction Conception d un service partie IIb Nous verrons dans ce chapitre Modélisation d un service; Langage de modélisation
Plus en détailARBRES BINAIRES DE RECHERCHE
ARBRES BINAIRES DE RECHERCHE Table de symboles Recherche : opération fondamentale données : éléments avec clés Type abstrait d une table de symboles (symbol table) ou dictionnaire Objets : ensembles d
Plus en détailLES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN
LES OUTILS D ALIMENTATION DU REFERENTIEL DE DB-MAIN Les contenues de ce document sont la propriété exclusive de la société REVER. Ils ne sont transmis qu à titre d information et ne peuvent en aucun cas
Plus en détailINSTALLATION DE CEGID BUSINESS VERSION 2008 Edition 4 (CD-Rom du 16/07/2009) SUR UN POSTE AUTONOME SOMMAIRE
INSTALLATION DE CEGID BUSINESS VERSION 2008 Edition 4 (CD-Rom du 16/07/2009) SUR UN POSTE AUTONOME D'après un document de Francis VANDERMOERE et Serge VIAL membres du CRCF de Grenoble. Mis à jour version
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailLA MESURE DE PRESSION PRINCIPE DE BASE
Page 1 / 6 LA MESURE DE PRESSION PRINCIPE DE BASE 1) Qu est-ce qu un sensor de pression? Tout type de sensor est composé de 2 éléments distincts : Un corps d épreuve soumit au Paramètre Physique φ à mesurer
Plus en détailDomaine Name Service ( DNS )
Domaine Name Service ( DNS ) DOMAINE NAME SERVICE ( DNS )...2 1.) Qu'est ce qu un Service de Nom de Domaine?...2 1.1) Pourquoi utiliser un DNS...2 Historique...2 Dans quel cas l utiliser...2 1.2) Fonctionnement
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
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 détailAlgorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication. Philippe Robert INRIA Paris-Rocquencourt
Algorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication Philippe Robert INRIA Paris-Rocquencourt Le 2 juin 2010 Présentation Directeur de recherche à l INRIA Institut
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 détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailCréer et modifier un fichier d'importation SAU avec Excel
Créer et modifier un fichier d'importation SAU avec Excel Manuel d'utilisation Date : 26.03.2015 Version: 1.0 Collaborateur /-trice : Urs Matti Statut : en cours d élaboration validé Classification : public
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
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 détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
Plus en détailEN BLANC AVANT IMPRESSION»»»
Ce modèle doit se trouver sous le répertoire C:\Users\toto\AppData\Roaming\Microsoft\Templates EN BLANC AVANT IMPRESSION»»» Version : 1.0.54 Date du livrable : Mars 2015. Pour rafraîchir le numéro de version,
Plus en détailPropagation sur réseau statique et dynamique
Université de la Méditerranée UFR Sciences de Luminy Rapport de stage informatique pour le Master 2 de Physique, Parcours Physique Théorique et Mathématique, Physique des Particules et Astroparticules.
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 détailBIG DATA : PASSER D UNE ANALYSE DE CORRÉLATION
BIG DATA : PASSER D UNE ANALYSE DE CORRÉLATION À UNE INTERPRÉTATION CAUSALE Arthur Charpentier Professeur d actuariat à l Université du Québec, Montréal Amadou Diogo Barry Chercheur à l Institut de santé
Plus en détailStratégie de recherche adaptative en programmation par contrainte
Université Paul Sabatier École Nationale de l Aviation Civile Master 2 Recherche Informatique et Télécommunication parcours Intelligence Artificielle Simon Marchal Stratégie de recherche adaptative en
Plus en détailTutorial NL220. Objectifs : Fournir un guide utilisateur pour NL220. Présenter une méthodologie efficace pour la création de projet
Tutorial NL220 Objectifs : Fournir un guide utilisateur pour NL220 Présenter une méthodologie efficace pour la création de projet Newron System http://www.newron-system.com Objectifs :... 1 1. Créer un
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 détailRC Professionnelle. Comment vous protéger en tant que médecin?
RC Professionnelle Comment vous protéger en tant que médecin? Protectas SA FSMA 16896A www.protectas.be TVA: BE0423.039.170 Votre responsabilité en tant que médecin Principe Si on est responsable, on doit
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détailMesurer les performances (CPU) sous Linux
Titre : Mesurer les performances (CPU) sous Linux Date : 22/07/2015 Page : 1/7 Mesurer les performances (CPU) sous Linux Résumé : Il existe des outils permettant de tracer les temps CPU utilisés (profiling).
Plus en détailChafa Azzedine - Faculté de Physique U.S.T.H.B 1
Chafa Azzedine - Faculté de Physique U.S.T.H.B 1 Définition: La cinématique est une branche de la mécanique qui étudie les mouements des corps dans l espace en fonction du temps indépendamment des causes
Plus en détailSEO Campus 2009 : Pagerank et optimisation
SEO Campus 2009 : Pagerank et optimisation Sylvain Peyronnet http://sylvain.berbiqui.org http://www.kriblogs.com/syp 04/02/2009 04/02/2009 SEO Campus 2009 : Pagerank et optimisation 1 / 21 PageRank : la
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 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 détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailLes arbres binaires de recherche
Institut Galilée Année 2010-2011 Algorithmique et arbres L2 TD 6 Les arbres binaires de recherche Type en C des arbres binaires (également utilisé pour les ABR) : typedef struct noeud_s { struct noeud_s
Plus en détailCréer et modifier un fichier d'import des coordonnées approximatives avec Excel
Créer et modifier un fichier d'import des coordonnées approximatives avec Excel Manuel d'utilisation Date: 26.03.2015 Version: 1.0 Auteur: Christoph Rüfenacht Statut: En cours Libéré Classification: publique
Plus en détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détailIntelligence artificielle appliquée à l automatique
Intelligence artificielle appliquée à l automatique par Sylviane GENTIL Professeur à l École nationale supérieure d ingénieurs électriciens Institut national polytechnique de Grenoble 1. Définitions et
Plus en détailUn modèle de réseau bayésien pour la gestion des risques dans la gouvernance d un centre de services informatiques. par.
Un modèle de réseau bayésien pour la gestion des risques dans la gouvernance d un centre de services informatiques par Cristian Chirca essai présenté au CeFTI en vue de l obtention du grade de maître en
Plus en détailConférence de l Arson club du 16 avril 2008 sur la répétibilité des honoraires de l avocat (loi du 21/4/2007).
Conférence de l Arson club du 16 avril 2008 sur la répétibilité des honoraires de l avocat (loi du 21/4/2007). 1. Le contexte historique Notre Cour de Cassation a longuement considéré que les frais et
Plus en détailAlarme intrusion filaire AEI HA-981 6 zones
Alarme intrusion filaire AEI HA-981 6 zones Lycée de l Aa Page 1 sur 11 1) Mise en situation Vous devez assurer une protection périmétrique et volumétrique de la maison de M r X. Le schéma architectural
Plus en détailAfin d accéder à votre messagerie personnelle, vous devez vous identifier par votre adresse mail et votre mot de passe :
1 CONNEXION A LA MESSAGERIE ZIMBRA PAR LE WEBMAIL Ecran de connexion à la messagerie Rendez vous dans un premier temps sur la page correspondant à votre espace webmail : http://webmailn.%votrenomdedomaine%
Plus en détailt 100. = 8 ; le pourcentage de réduction est : 8 % 1 t Le pourcentage d'évolution (appelé aussi taux d'évolution) est le nombre :
Terminale STSS 2 012 2 013 Pourcentages Synthèse 1) Définition : Calculer t % d'un nombre, c'est multiplier ce nombre par t 100. 2) Exemples de calcul : a) Calcul d un pourcentage : Un article coûtant
Plus en détailDéveloppement mobile MIDP 2.0 Mobile 3D Graphics API (M3G) JSR 184. Frédéric BERTIN fbertin@neotilus.com
Développement mobile MIDP 2.0 Mobile 3D Graphics API (M3G) JSR 184 Frédéric BERTIN fbertin@neotilus.com Présentaion : Mobile 3D Graphics API JSR 184 M3G :présentation Package optionnel de l api J2ME. Prend
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 détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailBases de données. Chapitre 1. Introduction
Références : Bases de données Pierre Wolper Email : pw@montefiore.ulg.ac.be URL : http : //www.montefiore.ulg.ac.be/~pw/ http : //www.montefiore.ulg.ac.be/ ~pw/cours/bd.html Henry F. Korth, Abraham Silberschatz,
Plus en détailUn modèle stochastique du taux d intérêt implicite en microcrédit
Un modèle stochastique du taux d intérêt implicite en microcrédit PHEAKDEI MAUK, MARC DIENER LABORATOIRE J.A. DIEUDONNÉ Dixième colloque des jeunes probabilistes et statisticiens CIRM Marseille 16-20 avril
Plus en détailBaccalauréat professionnel GESTION ADMINISTRATION
Baccalauréat professionnel GESTION ADMINISTRATION 1 Ouvrir un compte Google Appuyer sur le bouton connexion de la page d accueil de Google. Appuyer ensuite sur le bouton. Remplir le formulaire d inscription.
Plus en détailI. Le déterminant Il détermine le nom. Le déterminant indique le genre, le
I. Le déterminant Il détermine le nom. Le déterminant indique le genre, le nombre et le degré de détermination du nom. 1. L article le, la, les, l, d, au, aux, du, des, un, une, des, du, de l, de la, des.
Plus en détailInitiation à LabView : Les exemples d applications :
Initiation à LabView : Les exemples d applications : c) Type de variables : Créer un programme : Exemple 1 : Calcul de c= 2(a+b)(a-3b) ou a, b et c seront des réels. «Exemple1» nom du programme : «Exemple
Plus en détailContrainte de flot pour RCPSP avec temps de transfert
Contrainte de flot et x-rcpsc T 1 Contrainte de flot pour RCPSP avec temps de transfert PS temp, s ij Cmax BENOIST Thierry BOUYGUES/e-Lab DIAMANTINI Maurice ENSTA/LMA Contrainte de flot et x-rcpsc T Présentation
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 détailÀ l attention des parents (Le conseil étudiant travaillera à produire un questionnaire pour les élèves de l école.)
À l attention des parents (Le conseil étudiant travaillera à produire un questionnaire pour les élèves de l école.) REMETTRE CE DOCUMENT AU SECRÉTARIAT DE L ÉCOLE OU NOUS LE FAIRE PARVENIR PAR COURRIEL
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 détailCREATION D UNE EVALUATION AVEC JADE par Patrick RUER (www.mathenvideo.comuv.com)
TABLE DES MATIERES I) Le logiciel JADE 2 II) Etablissements 3 1) Configuation de l établissement 3 2) Importation des classes avec SCONET 4 3) Les groupes d élèves 6 4) Les variables supplémentaires 6
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 détailDidacticiel de mise à jour Web
Didacticiel de mise à jour Web Copyright 1995-2012 Esri All rights reserved. Table of Contents Didacticiel : Création d'une application de mise à jour Web.................. 0 Copyright 1995-2012 Esri.
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 détail