Estimation de la probabilité de détection dans les mesures par contrôle non destructif
|
|
- Gabin Chabot
- il y a 6 ans
- Total affichages :
Transcription
1 Estimation de la probabilité de détection dans les mesures par contrôle non destructif Merlin KELLER, Nicolas BOUSQUET Rochebrune / 38
2 Contexte But : Estimer la distribution de la taille des défauts d un composant industriel Deux sources de données : données d expertise : mesures en laboratoire, supposées parfaites données d IS : mesures lors d inspections en service (IS), caractérisées par la probabilité de détection (POD) d un défaut, étant donnée sa taille Hypothèses basées sur l expertise : Egalité en loi des hauteurs de défauts d expertise et d IS Connaissance préalable du modèle de bruit et de la probabilité de détection des données d IS Question : comment estimer la distribution voulue sur la base des données disponibles? 2 / 38
3 Plan 1 Loi de la taille des défauts Approche classique Résultats sur données simulées 2 Estimation classique de la POD Résultats sur données simulées 3 Approche bayésienne Echantillonnage a posteriori Résultats sur données simulées 3 / 38
4 1 Loi de la taille des défauts 2 Estimation classique de la POD 3 Approche bayésienne 4 / 38
5 1 Loi de la taille des défauts Approche classique Résultats sur données simulées 2 Estimation classique de la POD Résultats sur données simulées 3 Approche bayésienne Echantillonnage a posteriori Résultats sur données simulées 5 / 38
6 Estimation à partir des données d expertise True density MLE Data histogram x (mm) Données d expertise x = (x 1,..., x ne ) vues comme un échantillon de la loi de la taille des défauts, décrite par f (x θ) θ estimable par maximum de vraisemblance : ˆθ = arg max θ n i=1 f (x i θ) 6 / 38
7 Probabilité de détection (POD) Pod(x) x (mm) On suppose que chaque défaut X détecté lors d une IS l est avec une certaine probabilité, dépendant de sa taille. On note : D {0, 1} la variable indiquant si X est détectée ou non ; G(x) = P(D = 1 X = x) la probabilité de détection, supposée connue (liée aux caractéristiques des instruments de mesure) 7 / 38
8 Densité d un défaut détecté avec bruit multiplicatif Densité d un défaut sachant qu il est détecté (cf. Bayes) : p(x = x θ, D = 1) = G(x)f (x θ) ; P d (θ) P d (θ) = G(x)f (x θ)dx taux de détection Hypothèse : on observe Y = X E, E bruit multiplicatif de densité f ɛ, supposée connue (liée aux instruments de mesure) Densité de Y p(y = y θ) = G(x)f (x θ)fɛ (y/x)dx/x ; P d (θ) Loi de Y simulable par acceptation-rejet Intégrales définissant la densité calculables par quadrature 8 / 38
9 MLE avec données tronquées et bruitées MLE MLE (expertise) Data histogram Parametric model data 0.25 MLE MLE (expertise) 0.20 Data histogram Smooth truncation model data Si l on dispose en plus de x d un échantillon y = (y 1,..., y nis ) de réalisations de Y, on peut aussi estimer θ en maximisant : l(x, y θ) = n E i=1 n IS f (x i θ) p(y = y j θ) j=1 9 / 38
10 1 Loi de la taille des défauts Approche classique Résultats sur données simulées 2 Estimation classique de la POD Résultats sur données simulées 3 Approche bayésienne Echantillonnage a posteriori Résultats sur données simulées 10 / 38
11 Modélisation de la taille des défauts β = 1, η = 1 β = 2, η = 1 β = 2, η = 3 β = 4, η = On choisit pour décrire la distribution de la taille X d un défaut la loi de Weibull, de densité f (x η, β) = β/η (x/η) β 1 exp( (x/η) β )1 {x>0} On note θ = (η, β) IR 2 + le vecteur de paramètres à estimer 11 / 38
12 Principe Simulation des données x : n E = 198 réalisations de la loi de Weibull (β = 1.8, η = 3.1) y : n IS = 341 réalisations bruitées, et détectées selon la POD : G(x) = Φ (q(log(x/x 0 ))), x 0 = 6, q = 20 Bruit Gamma de moyenne 1, d écart-type 20% Quantités d intérêt Estimation de θ = (β, η), P d (θ), F (t θ) = P(X t θ) Calcul d intervalles de confiance à 95% Comparaison des estimations MLE : Basée sur les données complètes (x, y) Basée sur le seul échantillon x de la loi de Weibull 12 / 38
13 Estimation de θ, P d (θ) 7 IC 95 % Vraie Estimation Complete data 7 IC 95 % Vraie Estimation Parametric model sample β η P f(θ) β η P f(θ) 100 Gauche : Estimation sur données complètes (x, y) Droite : Estimation sur échantillon Weibull x seulement Optimisation numérique par algorithme du simplexe, intervalles de confiance par bootstrap et Delta-méthode 13 / 38
14 Estimation de la fonction de répartition F (t θ) 1.0 True CDF Estimated CDF 95 % bounds Complete data 1.0 Parametric model sample True CDF Estimated CDF 95 % bounds Gauche : Estimation sur données complètes Droite : Estimation sur échantillon Weibull seulement 14 / 38
15 Premières conclusions Bonne estimation de θ, grâce au grand nombre de données disponibles Les données tronquées bruitées n améliorent pas significativement l estimation... Mais permettent de valider les hypothèses du modèle (via un test d adéquation) : Choix d une POD Modèle de bruit f ɛ Loi paramétrique (Weibull) 15 / 38
16 Conclusions sur les données réelles Bonne adéquation de Weibull aux données d expertise Inadéquation du modèle aux données d IS. Explications possibles : 1 Mauvaise connaissance de la POD et du bruit d observation 2 Non prise en compte de l arrondi dans les données 16 / 38
17 1 Loi de la taille des défauts 2 Estimation classique de la POD 3 Approche bayésienne 17 / 38
18 Principe Les données d expertise suffisent à estimer la loi de la taille des défauts On peut alors estimer la POD à partir des données d IS, en supposant une forme paramétrique G(x) = G(x η), par plug-in : ˆη = arg max η n IS G(x η)f (x ˆθ)f ɛ (y j /x)dx/x j=1 P d (η, ˆθ) Permet de confirmer l égalité en loi entre données d expertise et d IS, d estimer le nombre moyen de défauts non détectés, leur loi, / 38
19 Mise à jour des hypothèses Données d IS arrondies à l entier le plus proche (censure par intervalle), bruit gaussien additif La log-vraisemblance (conditionelle à ˆθ) des données d IS s écrit alors : L(y η) = n IS log P d (η, ˆθ) + { z=k+ 1 2 n k log k y n k = {y j = k} z=k 1 2 x G(x η)f (x ˆθ)f ɛ (z x)dxdz On se limite dans la suite à une POD log-normal : η = (x 0, q) } 19 / 38
20 1 Loi de la taille des défauts Approche classique Résultats sur données simulées 2 Estimation classique de la POD Résultats sur données simulées 3 Approche bayésienne Echantillonnage a posteriori Résultats sur données simulées 20 / 38
21 Données simulées Parametric model data Density Data histogram Density Data histogram Smooth truncation model data / 38
22 Estimation de x 0, q, P d (η, θ) IC 95 % Vraie Estimation /q x 0 Pf (θ) 100 θ estimé sur échantillon Weibull x seulement puis, POD log-normale (η = (x 0, q)) estimée sur y (filtrées, bruitées, arrondies) Optimisation numérique par algorithme du simplexe, intervalles de confiance par bootstrap et Delta-méthode 22 / 38
23 Estimation de la fonction POD True POD Estimated POD 95 % bounds Estimation peu-précise, due à l incertitude sur l étalement q Intervalles de confiance erronés : approche fréquentiste peut-être non adaptée 23 / 38
24 Estimation de la CDF Empirical CDF True CDF Estimated CDF 95 % bounds Bon encadrement des CDF réelle et empirique, malgré la mauvaise estimation de la POD : Peut indiquer le caractère peu identifiable du modèle 24 / 38
25 Vraisemblance de q log(y θ) /q Vraisemblance de q, conditionnellement à la vraie valeur de x 0 Explique l incertitude sur ce paramètre / 38
26 Bilan sur les données réelles Grande incertitude sur la POD (en particulier, sur q) : approche par maximum de vraisemblance peu adaptée Évaluation erronée des incertitudes par les intervalles de confiance bootstrap... Et si on essayait le bayésien??? [1] : Estimation bayésienne du modèle à POD fixée, introduction des défauts non détectés comme variables latentes 26 / 38
27 1 Loi de la taille des défauts 2 Estimation classique de la POD 3 Approche bayésienne 27 / 38
28 1 Loi de la taille des défauts Approche classique Résultats sur données simulées 2 Estimation classique de la POD Résultats sur données simulées 3 Approche bayésienne Echantillonnage a posteriori Résultats sur données simulées 28 / 38
29 Algorithme de Metropolis-Hastings On redéfinit η = (x 0, q) comme η = (log x 0, q 2 ) := (µ, τ) But : Simuler π(η y) π(η)l(y η) À l étape t, η t = (µ t, τ t ). Mise à-jour alternée de µ puis τ : (marche aléatoire) µ t+1 = µ c := µ t + σz, Z N (0; 1) avec proba { min 1; π(µc, τ t )L(y µ c }, τ t ) π(η t )L(y η t ) sinon µ t+1 = µ t (loi uniforme) τ t+1 = τ c := τ t U, U U[1 ɛ; 1 + ɛ] avec proba { min 1; π(µ t+1, τ c )L(y µ t+1, τ c } )τ t π(µ t+1, τ t )L(y µ t+1, τ t )τ c sinon τ t+1 = τ t 29 / 38
30 Calibration adaptative But : Eviter un taux d acceptation trop fort (pas d exploration) ou trop faible (blocage de la chaîne) Idée : toutes les K = 30 itérations, mettre à jour σ et ɛ en fonction des taux d acceptations A µ et A τ si A µ (resp. A τ ) >.8, on multiplie σ (resp. ɛ) par 1.1 si A µ (resp. A τ ) <.2, on multiplie σ (resp. ɛ) par 0.9 sinon on conserve les valeurs courantes taux d acceptations calculés sur toutes les itérations : stabilisation asymptotique Nécessite une calibration fine, sans doute dépendante des données 30 / 38
31 1 Loi de la taille des défauts Approche classique Résultats sur données simulées 2 Estimation classique de la POD Résultats sur données simulées 3 Approche bayésienne Echantillonnage a posteriori Résultats sur données simulées 31 / 38
32 Choix des lois a priori On utilise pour π(µ, τ) une loi informative (Gamma-Gaussienne), pour compenser le manque d information apporté par les données : π(µ τ) = N (µ µ ; 1/(10τ)) π(τ) = G(τ 1; τ ) On utilise ici les vraies valeurs (µ, τ ) à remplacer ultérieurement (e.g. par le MLE). 32 / 38
33 Convergence de la chaîne x /q Bon comportement global des deux chaînes Distribution sur τ non centrée sur τ 33 / 38
34 Densités marginales a posteriori 10 8 prior posterior true prior posterior true x /q Apport visible d information par les données Distribution sur τ non centrée sur τ 34 / 38
35 Estimation de x 0, q, P d (η, θ) cred. int. 98 % True Posterior mean x 0 q P d / 38
36 Estimation de la fonction POD True POD Estimated POD 98 % bounds Estimation bien plus précise que par le MLE la vraie POD est bien encadrée par les intervalles de crédibilité 36 / 38
37 Estimation de la CDF 1.0 True CDF Estimated CDF 98 % bounds Estimation bien plus précise que par le MLE la vraie CDF est bien encadrée par les intervalles de crédibilité 37 / 38
38 Discussion Résultats L approche bayésienne est bien adaptée pour le modèle POD Premiers résultats encourageants sur données simulées... mais tout reste à faire! Perspectives Construction d une vraie loi a priori Initialisation de l algo ailleurs qu en les vraies données (e.g. le MLE) Résultats sur données réelles Estimation conjointe de (θ, η) sur la base des données totales Modélisation non paramétrique de la POD 38 / 38
39 G. Celeux, M. Persoz, J.N. Wandji, F. Perrot Using Markov Chain Monte Carlo methods to solve full Bayesian modeling of PWR vessel flaw distributions. Reliability Engineering and System Safety, 66 : , / 38
Méthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
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 détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
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 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 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 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 détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
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 détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
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 détailALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en 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 détailSommaire Chapitre 1 Chapitre 2 Chapitre 3 Chapitre 4 Chapitre 5 Chapitre 6 Chapitre 7. ARC EPS Eco-microbiologie Prévisionnelle Statistique
ARC EPS Eco-microbiologie Prévisionnelle Statistique 1 Objectifs de l ARC EPS 2 Partenaires 3 Moyens 4 Problématique Microbiologique 5 Démarche et Résultats 6 Perspectives 7 Valorisation LES OBJECTIFS
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 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 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 détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en 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 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 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 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 détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
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 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 détailEconométrie et applications
Econométrie et applications Ecole des Ponts ParisTech Département Sciences Economiques Gestion Finance Nicolas Jacquemet (nicolas.jacquemet@univ-paris1.fr) Université Paris 1 & Ecole d Economie de Paris
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailStatistique Bayésienne
Statistique Bayésienne Éléments de Culture Générale Lionel RIOU FRANÇA INSERM U669 Mai 2009 Lionel RIOU FRANÇA (INSERM U669) Statistique Bayésienne Mai 2009 1 / 139 Sommaire Sommaire 1 Approche Bayésienne
Plus en détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
Plus en détailModélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr
Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr Le concept de Mesure Virtuelle mesure virtuelle résultat d un modèle visant
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 détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en 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 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 détailFormation des enseignants. Le tensiomètre. Objet technique modélisable issu de l environnement des élèves
Le tensiomètre Objet technique modélisable issu de l environnement des élèves Un peu d'histoire C'est en 1628 que W. Harvey découvrit la circulation du sang. C'est pourtant seulement en 1730 que la pression
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 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 détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #12 ARTHUR CHARPENTIER 1 Une compagnie d assurance modélise le montant de la perte lors d un accident par la variable aléatoire continue X uniforme sur l intervalle
Plus en détailEstimation des charges. «Le travail se dilate jusqu à remplir le temps disponible»
«Le travail se dilate jusqu à remplir le temps disponible» Le savoir faire du chef de projet Pas d excès d optimisme Retour sur expérience Toujours garder de la marge Identifier les points à risque Ne
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 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 détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailThéorie de l estimation et de la décision statistique
Théorie de l estimation et de la décision statistique Paul Honeine en collaboration avec Régis Lengellé Université de technologie de Troyes 2013-2014 Quelques références Decision and estimation theory
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 détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en 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 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 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 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 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 détailDétection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux
Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en
Plus en détailStatistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014
Tests du χ 2 Statistiques Décisionnelles L3 Sciences Economiques & Gestion Faculté d économie, gestion & AES Université Montesquieu - Bordeaux 4 2013-2014 A. Lourme http://alexandrelourme.free.fr Outline
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 détailAnalyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 L analyse de variance à un facteur permet de vérifier, moyennant certaines hypothèses, si un facteur (un critère de classification,
Plus en détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
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 détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
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 détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailApplications en imagerie cérébrale (MEG/EEG)
EEG : mesure du potentiel électrique Ordre de grandeur : qq µ-volts Capteurs : électrodes MEG : mesure du champ magnétique Ordre de grandeur : 10 13 Tesla Capteurs SQUID couplés à des bobines VI. Applications
Plus en détailIntelligence artificielle et les défis en robotique mobile et autonome
Intelligence artificielle et les défis en robotique mobile et autonome Éric Beaudry http://planiart.usherbrooke.ca/~eric/ Étudiant au doctorat en informatique Laboratoires Planiart et Laborius 13 février
Plus en détailDétection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique
Détection de têtes dans un nuage de points 3D à l aide d un modèle de mélange sphérique Denis Brazey & Bruno Portier 2 Société Prynɛl, RD974 290 Corpeau, France denis.brazey@insa-rouen.fr 2 Normandie Université,
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailChapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Plus en détailComplexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation
Complexité Objectifs des calculs de complexité : - pouvoir prévoir le temps d'exécution d'un algorithme - pouvoir comparer deux algorithmes réalisant le même traitement Exemples : - si on lance le calcul
Plus en détailCours d introduction à la théorie de la détection
Olivier J.J. MICHEL Département EEA, UNSA v1.mars 06 olivier.michel@unice.fr Laboratoire LUAN UMR6525-CNRS Cours d introduction à la théorie de la détection L ensemble du document s appuie très largement
Plus en détailL analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :
La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.
Plus en détailUne approche non paramétrique Bayesienne pour l estimation de densité conditionnelle sur les rangs
Une approche non paramétrique Bayesienne pour l estimation de densité conditionnelle sur les rangs Carine Hue, Marc Boullé France Télécom R & D; 2, avenue Pierre Marzin; 22307 Lannion cedex Carine.Hue@orange-ftgroup.com;
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 détailInférence d un réseau bayésien augmenté visant à confronter :
Inférence d un réseau bayésien augmenté visant à confronter : un modèle complexe d analyse quantitative du risque microbiologique des données de vieillissement Clémence RIGAUX (1) En collaboration avec
Plus en détailchoisir H 1 quand H 0 est vraie - fausse alarme
étection et Estimation GEL-64943 Hiver 5 Tests Neyman-Pearson Règles de Bayes: coûts connus min π R ( ) + ( π ) R ( ) { } Règles Minimax: coûts connus min max R ( ), R ( ) Règles Neyman Pearson: coûts
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 détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailApplication 1- VBA : Test de comportements d'investissements
Application 1- VBA : Test de comportements d'investissements Notions mobilisées Chapitres 1 à 5 du cours - Exemple de récupération de cours en ligne 1ère approche des objets (feuilles et classeurs). Corps
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailSimulation : application au système bonus-malus en responsabilité civile automobile
Simulation : application au système bonus-malus en responsabilité civile automobile Robert Langmeier Travail de séminaire réalisé sous la supervision du professeur François Dufresne Ecole des HEC Université
Plus en 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 détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
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 détailEpargne, Retraite, Prévoyance et Santé
L offre FOBA Des outils d aide à la vente Budget Retraite Augmenter la vente des différentes solutions retraite ANI Générer des rendez-vous qualifiés et réduire le délai de décision pour la souscription
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 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 détailEquation LIDAR : exp 2 Equation RADAR :
Contexte scientifique Systèmes LIDAR/RADAR Equation LIDAR : exp Equation RADAR : p (r) : puissance rétrodiffusée r : altitude ou profondeur. C : constante instrumentale. β : coefficient de rétrodiffusion
Plus en détailBio-Rad Laboratories CONTRÔLE DE QUALITÉ. Le logiciel de Bio-Rad pour une gestion experte du contrôle de qualité
Bio-Rad Laboratories CONTRÔLE DE QUALITÉ Le logiciel de Bio-Rad pour une gestion experte du contrôle de qualité CONTRÔLE DE QUALITÉ 1 Unity Real Time 2.0 Unity Real Time 2.0 est un logiciel pour la gestion
Plus en détailNouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge julien.jorge@univ-nantes.fr Laboratoire d Informatique de Nantes Atlantique,
Plus en détailVARIABLES LATENTES ET MODÉLISATION STATISTIQUE EN ASSURANCE
VARIABLES LATENTES ET MODÉLISATION STATISTIQUE EN ASSURANCE A. MONFORT CNAM et CREST-INSEE 1 1. INTRODUCTION. Les variables latentes, ou inobservables, jouent un rôle de plus en plus important dans la
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 détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détail1. Structure d un programme C. 2. Commentaire: /*..texte */ On utilise aussi le commentaire du C++ qui est valable pour C: 3.
1. Structure d un programme C Un programme est un ensemble de fonctions. La fonction "main" constitue le point d entrée pour l exécution. Un exemple simple : #include int main() { printf ( this
Plus en détailANALYSE QUANTITATIVE DE RISQUE MICROBIOLOGIQUE EN ALIMENTATION
ANALYSE QUANTITATIVE DE RISQUE MICROBIOLOGIQUE EN ALIMENTATION QUAND LE GESTIONNAIRE DE LA SECURITE ALIMENTAIRE A-T-IL BESOIN D UTILISER UNE APPROCHE ANALYSE DE RISQUE? En concertation avec le groupe de
Plus en détail