7 Mai Amour, Mémoire & Modélisation. Pablo Crotti. Rappels de Probabilité. Théorie des graphes. Le modèle Coello- Crotti. Le modèle du Memory
|
|
- Adélaïde Mélançon
- il y a 6 ans
- Total affichages :
Transcription
1 Modélisation Modélisation Département de Mathématiques Université de Fribourg 7 Mai / 33
2 Plan de la présentation Modélisation / 33
3 Plan de la présentation Modélisation / 33
4 Plan de la présentation Modélisation / 33
5 Plan de la présentation Modélisation / 33
6 Rappel Modélisation Définition Un processus stochastique (X t) t I est une une chaîne de Markov ou (Markovien) si t 1< t 2<...<t n, t i I i 1,...,i n E (M) Définition P(X tn = i n X tn 1 = i n 1,...,X t1 = i 1) = P(X tn = i n X tn 1 = i n 1) Soit (X t) t I une chaîne de Markov. Les expressions p i,j(s, t) = P(X t = j X s = i), 0 s<t, i, j E sont les probabilités de transition de la chaîne. Sous forme matricielle nous avons qu on appel matrice de transition. P(s, t) =. p i,j(s, t). 3 / 33
7 Répartitions finies propriété de semi-groupe Modélisation Répartitions finies : P(X tn = in,..., X t1 = i 1 ) (M) = P(X tn = in X tn 1 = i n 1,...,X t1 = i 1 )P(X tn 1 = i n 1,..., X t1 = i 1 ) En écrivant P(X t1 = i 1 ) Proba.totale = = P(X tn = in X tn 1 = i n 1 )P(X tn 1 = i n 1,..., X t1 = i 1 ) =... = P(X t1 = i 1 )p i1,i 2 (t 1, t 2 )...p in 1,in (t n 1, tn) P(X 0 = i)p(x t1 = i 1 X 0 = i) = P(X 0 = i)p i,i1 (0, t 1 ) i E en définissantπ i (0) := P(X 0 = i) (qu on appel loi initiale processus) on obtient P(X tn = i n,...,x t1 = i 1 ) = π i (0)p i,i1 (0, t 1 )p i1,i 2 (t 1, t 2 )...p in 1,i n (t n 1, t n). i E i E 4 / 33
8 Répartitions finies propriété de semi-groupe Modélisation On considére chaînes de Markov dîtes homogènes (ou stationnaires), i.e : P(X t = j X s = i) = P(X t s = j X 0 = i). Pour une chaîne de Markov donnée, l équation de Chapman-Kolmogorov p i,j (s, t) = p i,k (s, u)p k,j (u, t), s< u< t, k E perm de montrer que (dans le cas homogène) P(s + t) = P(s)P(t). En connaissant notre loi initiale de la chaîne ainsi que notre matrice de transition, nous pouvons déterminer la probabilité de se trouver dans un état après un temps t par π(t) = P t π(0), P := P(1) 5 / 33
9 Loi stationnaire Modélisation Définition Soit (X t ) t I une chaîne de Markov de matrice de transition P πune mesure de probabilité sur E. On dit queπest stationnaire sir πp =π 6 / 33
10 Graphes connexes Modélisation Définition Un graphe G = (E, V ) est un ensemble où E est l ensemble somms V l ensemble arrêtes. On dit que le graphe est orienté si les arrêtes sont dirigées. Définition On dit que le graphe est connexe quand tous ses somms sont interconnectés. Un graphe peut avoir plusieurs composantes connexes. 7 / 33
11 Lien entre chaînes de Markov Modélisation On considère l ensemble E (appelé ensemble états) d une CM fini. On représente la chaîne sous forme graphique. Les somms représentent les états de la chaîne les arrêtes représentent les probabilités de transition. Exemple Si nous avons E ={a, b}, que la probabilité de passer de a à b (ou de b à a) est la probabilité de rester en a ou b est aussi, la matrice de transition sera 2 ( 1 ) P = le graphe associé 1/2 1/2 B 1/2 A 1/2 8 / 33
12 Lien entre chaînes de Markov Modélisation Définition On dit qu une châine est irréctible si son graphe associé ne possède qu une composante connexe. Définition On dit que T i est le temps de premier passage dans l état i si T i = inf{n 1; X n = i}. Le temps moyen de premier rour en i (si on est partit de l état i) est défini comme E i (T i ). On dira qu une chaîne est positivement récurrente si pour tous les états i on a la propriété suivante E i (T i )<. Theorem Une chaîne de Markov irréctible est positivement récurrente si seulement si elle possède une unique loi stationnaire 9 / 33
13 Lien entre chaînes de Markov Modélisation CM avec unique loi stationnaire le graphe de la CM ne possède qu une composante connexe 10 / 33
14 Modélisation 11 / 33
15 Présentation modèle Algorithme de rencontres Modélisation Présentation Modèle permtant de déterminer le "taux de bonheur" ou le taux de satisfaction de la population suisse. Nous utilisons les statistiques de l OFSS sur la population : Algorithme de rencontres Âge % Population 0-19 ans ans ans ans Déterminer une catégorie d âge prendre un rendez-vous. 2 Après le rendez-vous (RDV), deux issues possibles : Bon RDV ou Mauvais RDV. 3 Si c est un Mauvais RDV, rour en point 1. Si c est un bon RDV, le schéma passe en point 4. 4 Dans une relation, il y a hauts bas, donc on peut passer de Bon à Mauvais continuer longtemps ou alors rourner au point / 33
16 Graphe associé Modélisation Graphe de transition associé à la chaîne de Markov donnée par l algorithme de rencontres 2/3 2/3 Bon 1/3 Mauvais DEPART Mauvais 2/6 1/3 1/2 1/2 1/2 1/2 4/6 4/ /6 Bon Bon /6 4/ /2 1/2 1/2 1/2 1/3 2/6 Mauvais Mauvais Bon 2/6 1/3 2/3 2/3 13 / 33
17 Propriétés modèle Modélisation Connexité irréctibilité En appliquant un algorithme de vérification, nous voyons que notre graphique représentant notre chaîne possède une unique composante connexe. Ceci nous informe de l irréctibilité de la chaîne que nous avons créée. Récurrence positive, Loi stationnaire L ensemble états ne posséde pas d état absorbant est fin. La chaîne est positivement récurrente. Nous pouvons donc dire que notre modèle possède une unique loi stationnaire. Il s agit maintenant de déterminer cte loi. 14 / 33
18 Résultats numériques Modélisation Détermination de la loi stationnaire en utilisant MATLAB. Modèle avec 13 états matrice de transition P [0, 1] Après une vingtaine d itérations de la matrice, celle-ci reste inchangée : , , ,, , ,,,, / 33
19 Résultats numériques Modélisation On considère qu une personne est heureuse lorsqu elle est en couple. Il y a 4 catégories d âges permtant d être en couple. On obtient les probabilités suivantes : Âge % Bonheur 0-19 ans ans ans ans En sommant les probabilités nous obtenons le pourcentage de chance de bonheur pour un Suisse. Cte somme correspond à %. L OFSS a enregistré en 2006 un taux de 71.31%... Tout ceci laisse songeur! 16 / 33
20 Modélisation 17 / 33
21 Présentation problème Modélisation But La mémoire spatiale est un élément important de la mémoire épisodique. Elle perm la mémorisation d éléments dans un temps défini. Sans elle, certaines personnes peuvent se rrouver très handicapées avoir problèmes à gérer leur vie au quotidien. Le but de ce modèle est de "quantifier" cte mémoire chez chacun à l aide d une chaîne de Markov. Pour se faire, le modèle est basé sur le jeu. Le Jeu Ce jeu consiste à disposer N paires de cartes devant soit, face contre terre puis de les mélanger. Une fois ceci fait, le joueur tire deux cartes consécutives, si celles-ci sont identiques il les rires jeu sinon il les rems en place recommence avec d autres cartes. Le but étant de sortir toutes les cartes jeu en un minimum de coups. 18 / 33
22 Données de base données recherchées Modélisation Pour commencer, nous devons connaître certaines informations de bases : Le nombre N de paires de cartes dans le jeu. La nombre L de cartes que le joueur peut mémoriser. Une fois ces informations recueillies, nous pouvons créer un modèle markovien donnant la probabilité de finir le jeu en k étapes sachant que le joueur a une mémoire L. Nous définissons donc chaque état de la chaîne par : avec k : le nombre d essais au total. X N,L k n : le nombre de paires restantes. l : le nombre de cartes mémorisées. = (n, l, ) = d : les cartes mémorisées sont distinctes. = p : il y a une paire parmi les cartes mémorisées. De cte manière, à chaque pas (i.e chaque paire rournée) le joueur change son état dans la chaîne. 19 / 33
23 Stratégie joueur Modélisation Le joueur peut opter pour plusieurs stratégies dans le jeu. En eff, tout dépend cartes qu il a en mémoire. On peut schématiser le comportement de la manière suivante : Le joueur a cartes distinctes en mémoire 1 Il peut obtenir une paire par mémorisation. 2 Il peut obtenir une paire par hasard. 3 Il peut mémoriser une paire. 4 Il peut mémoriser cartes distinctes. Le joueur a une paire en mémoire 1 Il obtient une paire. 20 / 33
24 Stratégie joueur Modélisation Exemple Si on considère que le joueur a 2 cartes distinctes en mémoire qu il reste 8 paires, il se trouve dans l état (8, 2, d). Les états suivants possibles, sont : 1 Aller à l état (7, 1, d) avec probabilité Aller à l état (7, 2, d) avec probabilité Aller à l état (8, 4, p) avec probabilité Aller à l état (8, 4, d) avec probabilité / 33
25 Stratégie joueur Modélisation On explique les cas 1 à 4 en utilisant les principes de combinatoire. Dans le premier cas, le joueur a 2 cartes distinctes en mémoire. Pour former une paire il faut trouver au moins une deux autres cartes dans le jeu. Sachant qu il y a 8 paires au total (i.e 16 cartes) qu il connait déjà 2 cartes il ne reste plus que 14 cartes inconnues dans le jeu. Il y a 2 cartes inconnues dans le jeu, favorables à la formation d une paire. Ainsi, la probabilité de former une nouvelle paire est Dans le second cas (i.e le joueur a trouvé une paire il enregistre une nouvelle carte distinctes), il a découvert une nouvelle carte ( 12, car il connaît déjà deux cartes) ET il 14 1 choisit une autre carte parmi les 13 restantes, i.e,. On procède de cte manière 13 pour calculer les probabilités de transition de chaque état. 22 / 33
26 Stratégie joueur Modélisation Graphe de transition (8,1,d) (8,2,d) (8,3,d) (8,4,d) (8,3, p) (8,3, p) (7,1,d) (7,2,d) (7,3,d) (7,4,d) (7,3, p) (7,3, p) 23 / 33
27 Calcul de la matrice de transition Modélisation On définit notre espace états par Ω N,l 1 avec Λ L,d n Ω N,L k N = n=k ΛL n où Λ L n = ΛL,d n Λ L,p n ={n} {0, 1,...,L} {d} Λ L,p j ={j} {0, 1,...,L} {p} Pour L 1 on définit Λ L,p n =. Cte décomposition est exactement celle faite dans le cas modèle. L espace états est "découpé" en plusieurs couches, Λ L n (comme le montre le figure de l exemple) chaque couche est séparée en deux ( ce sont les Λ L,d n Les états où nous avons paires. Les états avec cartes distinctes en mémoires. Λ L,p n ) : Ce découpage de l ensemble états est en fait utilisé pour créer la matrice de transition A N,L. Pour se faire, on définit ses sous-matrices suivantes : Rn L contenant les transitions où aucune paire n est trouvée. Pn L contenant les transitions où une paire a été trouvée. 24 / 33
28 Calcul de la matrice de transition Modélisation La matrice finale a donc la forme suivante A N,L RN L P L N RN 1 L PN 1 L R2 L P2 L R1 L Les composantes sous-matrices sont calculées en utilisant à nouveau la combinatoire. 25 / 33
29 Durée jeu probabilité de le finir en k pas Modélisation Nous voulons maintenant déterminer la probabilité que le jeu se termine après un certain nombre de pas k. Pour cela nous définissons le temps d arrêt T N,L = inf{k X N,L k Λ L 1 }. Après calcul, la probabilité de finir le jeu en k pas est donnée par P L (T N,L = k) = P(X N,L k 1 ΛL 2, X N,L k Λ L 1 ) où R := (2L 1)(N 2) e T 1 = e T 1 Ak 1 N,L ( 1 3 e R e R+2 + e R+3 + e R+L+2 ) le vecteur de la base canonique standard. 26 / 33
30 Modèle Statistique Modélisation Le jeu étant modélisé, il faut maintenant déterminer un test statistique permtant de déterminer la mémoire L joueur. On connait les "densités" de probabilité de finir le jeu en un certain nombres de pas en connaissant (de manière théorique) la mémoire. Question : Comment déterminer si le joueur possède une mémoire L = 1, 2, 3,...? 27 / 33
31 Modèle Statistique Modélisation Exemple On considère un jeu avec N = 12 paires de cartes on suppose que le joueur a une mémoire L = 4. Quelle est la probabilité que le joueur finisse le jeu en 36 pas? Probabilité Probabilité de finir le jeu pour N=12, L= Nombre de pas On voit sur le graphique que la probabilité d un tel événement est trop faible pour accepter l hypothèse que le joueur finisse après 36 pas ait une mémoire L = / 33
32 Modèle Statistique Modélisation Exemple Considérons maintenant le cas où le joueur fini le jeu en 26 pas. Probabilité de finir le jeu pour N=12, L=3, L=3 L= Probabilité Nombre de pas On voit que la probabilité est grande pour une mémoire de 4. Mais si on regarde la densité dans le cas d une mémoire L = 3 on voit que la probabilité de finir en 26 pas, est mieux adaptée. C exemple nous montre bien, qu il faut faire attention à la densité choisie! 29 / 33
33 Test Statistique Modélisation H 0 : L = L 0 K : L L 0 Pour permtre d avoir de bons résultats, le joueur doit jouer un nombre M de fois pour ne pas avoir d interférence sur le test (fatigue, inatention..c.). Ainsi, pour chaque joueur il y aura un échantillon de M jeux T 1,...,T M A chaque essai, le joueur effectue k pas pour finir le. Nous cherchons la densité la plus appropriée en fonction de ce nombre de pas. Pour cela, il nous faut le likelihood. Chaque jeu étant indépendant autres, le calcul de celui-ci est simplement : P L (T1,...,T M ) = P L (T 1 ) P L (T M ) Connaissant les densités pour notre hypothèse H, on calcul le likelihood ratio R(L 0 T 1 T M ) = max{l L 0 P L (T 1,...,T M )} P L0 (T 1,...,T M ) 30 / 33
34 Acception/Rej de H 0 Modélisation Acceptation ou Rej de l hypothèse H 0 Rej de H 0 en faveur de l hypothèse K lorsque que R(L 0 T 1 T M ) est plus grand qu un certain niveau α donné. On calcul ce niveau en utilisant simulations de Monte-Carlo dans lesquels nous avons choisit une certaine p-value. On utilise aussi les statistiques Bayesienne avec la probabilité aposteriorie définie par P(L T 1,...,T M ) = P(P; T 1,...,T M ) P(T 1,...,T M )) Ainsi, nous pouvons obtenir d autres densités de probabilités. = P L (T 1,...,T M ) L P L (T 1,...,T M ) En général la probabilité aposteriorie le likelihood ratio correspondent bien. 31 / 33
35 Améliorations Modélisation Actuellement le modèle fonctionne parfaitement. Il a été décidé d améliorer le modèle de manière à diminuer le nombre d essais par joueur (pour réire le temps total de l expérience). Il faut aussi déterminer une manière d enlever "la chance débutant", i.e, trouver une paire par hasard plusieurs fois de suite (ce qui fausse le résultat statistique). 32 / 33
36 Modélisation Modélisation de problèmes réels facilitée par les chaînes de Markov la théorie. Modèles concluants (i.e, Jeu ). Création de nouveaux modèles en modifiant les anciens. Banta Lavenex P., Lavenex P., Mazza C., Pasquier J. (2009) Estimation of human spatial memory capacity in egocentric and allocentric coordinates, Preprint 33 / 33
Modèles 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 détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
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 détailJean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux
Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailOptimisation Combinatoire et Colonies de Fourmis Nicolas Monmarche April 21, 1999 Sommaire Inspiration biologiques Ant Colony Optimization Applications TSP QAP Flow Shop Problemes dynamiques 1 Historique
Plus en 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 détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
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 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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détail6. Les différents types de démonstrations
LES DIFFÉRENTS TYPES DE DÉMONSTRATIONS 33 6. Les différents types de démonstrations 6.1. Un peu de logique En mathématiques, une démonstration est un raisonnement qui permet, à partir de certains axiomes,
Plus en détailDurée de L épreuve : 2 heures. Barème : Exercice n 4 : 1 ) 1 point 2 ) 2 points 3 ) 1 point
03 Mai 2013 Collège Oasis Durée de L épreuve : 2 heures. apple Le sujet comporte 4 pages et est présenté en livret ; apple La calculatrice est autorisée ; apple 4 points sont attribués à la qualité de
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailCentre d'etudes Nucléaires de Fontenay-aux-Roses Direction des Piles Atomiques Département des Etudes de Piles
CEA-N-1195 Note CEA-N-1195 Centre d'etudes Nucléaires de Fontenay-aux-Roses Direction des Piles Atomiques Département des Etudes de Piles Service d'etudes de Protections de Piles PROPAGATION DES NEUTRONS
Plus en 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 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 détailRaisonnement 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 détailÉquations d amorçage d intégrales premières formelles
Équations d amorçage d intégrales premières formelles D Boularas, A Chouikrat 30 novembre 2005 Résumé Grâce à une analyse matricielle et combinatoire des conditions d intégrabilité, on établit des équations
Plus en détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
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 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 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 détailCarrotAge, un logiciel pour la fouille de données agricoles
CarrotAge, un logiciel pour la fouille de données agricoles F. Le Ber (engees & loria) J.-F. Mari (loria) M. Benoît, C. Mignolet et C. Schott (inra sad) Conférence STIC et Environnement, Rouen, 19-20 juin
Plus en détailFaceBook aime les Maths!
FaceBook aime les Maths! Michel Rigo http://www.discmath.ulg.ac.be/ http://orbi.ulg.ac.be/ Réseaux Visualizing my Twitter Network by number of followers. Michael Atkisson http://woknowing.wordpress.com/
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 détailTechniques d interaction dans la visualisation de l information Séminaire DIVA
Techniques d interaction dans la visualisation de l information Séminaire DIVA Zingg Luca, luca.zingg@unifr.ch 13 février 2007 Résumé Le but de cet article est d avoir une vision globale des techniques
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 détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailModule 7: Chaînes de Markov à temps continu
Module 7: Chaînes de Markov à temps continu Patrick Thiran 1 Introduction aux chaînes de Markov à temps continu 1.1 (Première) définition Ce module est consacré aux processus à temps continu {X(t), t R
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 détailCommunications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes
Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction
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 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 détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
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 détailContrôle stochastique d allocation de ressources dans le «cloud computing»
Contrôle stochastique d allocation de ressources dans le «cloud computing» Jacques Malenfant 1 Olga Melekhova 1, Xavier Dutreilh 1,3, Sergey Kirghizov 1, Isis Truck 2, Nicolas Rivierre 3 Travaux partiellement
Plus en détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailAtelier Transversal AT11. Activité «Fourmis» Pierre Chauvet. pierre.chauvet@uco.fr
Atelier Transversal AT11 Activité «Fourmis» Pierre Chauvet pierre.chauvet@uco.fr Ant : un algorithme inspiré de l éthologie L éthologie Etude scientifique des comportements animaux, avec une perspective
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 détailNouveau Barème W.B.F. de points de victoire 4 à 48 donnes
Nouveau Barème W.B.F. de points de victoire 4 à 48 donnes Pages 4 à 48 barèmes 4 à 48 donnes Condensé en une page: Page 2 barèmes 4 à 32 ( nombre pair de donnes ) Page 3 Tous les autres barèmes ( PV de
Plus en détailEléments de Théorie des Graphes et Programmation Linéaire
INSTITUT NATIONAL POLYTECHNIQUE DE LORRAINE Ecole Nationale Supérieure d Electricité et de Mécanique Eléments de Théorie des Graphes et Programmation Linéaire Didier Maquin Professeur à l INPL Version
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 détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailOptimisation for Cloud Computing and Big Data
1 / 23 Optimisation for Cloud Computing and Big Data Olivier Beaumont, Lionel Eyraud-Dubois 2 / 23 Aujourd hui Problèmes de fiabilité on va oublier la dynamicité Placement de VMs en programmation par contraintes
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en 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 détailChapitre 2. Matrices
Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce
Plus en détailUNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS
UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP20-9717 Pointe-à-Pitre Cedex CONTRAT 2010-201 LE MASTER NOM DU DOMAINE STS Mention : Mathématiques Implantation : Guadeloupe FICHES DESCRIPTIVES
Plus en détailEteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques :
MTH EN JEN 2013-2014 Elèves de seconde, première et terminale scientifiques : Lycée Michel Montaigne : HERITEL ôme T S POLLOZE Hélène 1 S SOK Sophie 1 S Eteindre Lycée Sud Médoc : ROSIO Gauthier 2 nd PELGE
Plus en détailEstimation: intervalle de fluctuation et de confiance. Mars 2012. IREM: groupe Proba-Stat. Fluctuation. Confiance. dans les programmes comparaison
Estimation: intervalle de fluctuation et de confiance Mars 2012 IREM: groupe Proba-Stat Estimation Term.1 Intervalle de fluctuation connu : probabilité p, taille de l échantillon n but : estimer une fréquence
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailProbabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1
Introduction Probabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1 L auteur remercie Mme Sylvie Gervais, Ph.D., maître
Plus en 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 détailAnalyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe
Analyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe des n n groupes quantiques compacts qui ont la théorie
Plus en détailAmphi 3: Espaces complets - Applications linéaires continues
Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite
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 détailAC AB. A B C x 1. x + 1. d où. Avec un calcul vu au lycée, on démontre que cette solution admet deux solutions dont une seule nous intéresse : x =
LE NOMBRE D OR Présentation et calcul du nombre d or Euclide avait trouvé un moyen de partager en deu un segment selon en «etrême et moyenne raison» Soit un segment [AB]. Le partage d Euclide consiste
Plus en détailils entretiennent entre eux des flux, ils partagent des perceptions sur l environnement
Les modèles de Flux Introduction L analyse systémique fournie une modélisation de l organisation échangeant et transformant des flux Cette modélisation du S.I. reste trop générale Il faut découper l organisation
Plus en détailCompter à Babylone. L écriture des nombres
Compter à Babylone d après l article de Christine Proust «Le calcul sexagésimal en Mésopotamie : enseignement dans les écoles de scribes» disponible sur http://www.dma.ens.fr/culturemath/ Les mathématiciens
Plus en détailEmploi du temps prévisionnel
1 Emploi du temps prévisionnel 1. Séances de cours et d exercices Nous aurons cours ensemble : tous les mercredis matins du 28 septembre au 7 décembre inclus, à l exception du mercredi 2 novembre, libéré
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 détailQuantification des Risques
Quantification des Risques Comment considérer les aléas dans une projection financière? PragmaRisk met à disposition des solutions et des méthodes permettant de considérer les aléas dans vos projections
Plus en détailDécision Markovienne appliquée à un jeu de stop ou encore : Pickomino (Heckmeck Am Bratwurmeck)
Décision Markovienne appliquée à un jeu de stop ou encore : Pickomino (Heckmeck Am Bratwurmeck) Stéphane Cardon Nathalie Chetcuti-Sperandio Fabien Delorme Sylvain agrue CRI - Université d Artois {cardon,chetcuti,delorme,lagrue}@cril.univ-artois.fr
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 détailITIL Gestion de la capacité
ITIL Sommaire 1 GENERALITES 3 2 PERIMETRE DE LA GESTION DES CAPACITES 3 3 ACTIVITES ET LIVRABLES DE LA GESTION DES CAPACITES 4 3.1 ACTIVITES ITERATIVES OU GESTION DE PERFORMANCES : 4 3.2 GESTION DE LA
Plus en détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
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 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 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 indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
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 détailComment démontrer des formules sans effort? exposé de maîtrise
Comment démontrer des formules sans effort? exposé de maîtrise Marc Mezzarobba Sam Zoghaib Sujet proposé par François Loeser Résumé Nous exposons un ensemble de méthodes qui permettent d évaluer «en forme
Plus en détailCondition de stabilité d'un réseau de les d'attente à deux stations et N classes de clients 1
General Mathematics Vol. 18, No. 4 (2010), 85108 Condition de stabilité d'un réseau de les d'attente à deux stations et N classes de clients 1 Faiza Belarbi, Amina Angelika Bouchentouf Résumé Nous étudions
Plus en détailL exclusion mutuelle distribuée
L exclusion mutuelle distribuée L algorithme de L Amport L algorithme est basé sur 2 concepts : L estampillage des messages La distribution d une file d attente sur l ensemble des sites du système distribué
Plus en 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 détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
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 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 détailCours 9 : Plans à plusieurs facteurs
Cours 9 : Plans à plusieurs facteurs Table des matières Section 1. Diviser pour regner, rassembler pour saisir... 3 Section 2. Définitions et notations... 3 2.1. Définitions... 3 2.2. Notations... 4 Section
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 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 détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailProbabilités conditionnelles Loi binomiale
Fiche BAC ES 05 Terminale ES Probabilités conditionnelles Loi binomiale Cette fiche sera complétée au fur et à mesure Exercice n 1. BAC ES. Centres étrangers 2012. [RÉSOLU] Un sondage a été effectué auprès
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 détailUne nouvelle approche de détection de communautés dans les réseaux sociaux
UNIVERSITÉ DU QUÉBEC EN OUTAOUAIS Département d informatique et d ingénierie Une nouvelle approche de détection de communautés dans les réseaux sociaux Mémoire (INF 6021) pour l obtention du grade de Maîtrise
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 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 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 détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
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 détail