Statistique avec des petits échantillons
|
|
- Ève Landry
- il y a 6 ans
- Total affichages :
Transcription
1 Statistique avec des petits échantillons Gilles Celeux Select, Inria Saclay, Université Paris-Sud Gilles Celeux (Inria) Petits échantillons 1 / 40
2 Plan 1 Modélisation statistique Estimation du maximum de vraisemblance Choix de modèles 2 Problèmes statistiques à information faible 3 Inférence bayésienne Traduction des informations a priori en lois a priori Approximation de la loi a posteriori Illustration pour une loi de Weibull très censurée Sélection bayésienne de modèles Gilles Celeux (Inria) Petits échantillons 2 / 40
3 Inférence statistique Des données x = (x 1,..., x n ) dans R d sont issues d une loi de probabilité inconnue de densité f (x). Les données sont utilisées pour tirer de l information sur cette densité f (x). Modèle paramétrique : on suppose que f (x) = f (x; θ), avec θ paramètre inconnu à estimer à partir de (x 1,..., x n ). Gilles Celeux (Inria) Petits échantillons 3 / 40
4 Exemple : la loi normale Les données (x 1,..., x n ) représentent le poids de n objets fabriqués en série. On suppose que ces poids suivent une loi normale de moyenne µ et de variance σ 2 : f (x; θ) = Le paramètre à estimer est θ = (µ, σ 2 ). 1 (x µ)2 exp( (2π)σ σ 2 ). Gilles Celeux (Inria) Petits échantillons 4 / 40
5 Exemple : la loi de Weibull Les données (x 1,..., x n ) représentent les durées de vie de n matériels. Une loi couramment utilisée pour modéliser des durées de vie est la loi de Weibull. Elle utilise un paramètre d échelle η et un paramètre de forme β : f (x; θ) = β( x η )β 1 exp(( x η )β ) Le paramètre à estimer est θ = (η, β). Gilles Celeux (Inria) Petits échantillons 5 / 40
6 Estimation du maximum de vraisemblance La vraisemblance du paramètre θ associé aux données s écrit L(θ) = n f (x i ; θ). i=1 La vraisemblance contient toute l information apportée par (x 1,..., x n ) sur le paramètre θ. La méthode du maximum de vraisemblance consiste à estimer θ par ˆθ = arg max L(θ). θ Cet estimateur jouit de bonnes propriétés lorsque n est grand devant la dimension de θ. Gilles Celeux (Inria) Petits échantillons 6 / 40
7 Exemples d estimateurs du MV Cas gaussien ˆσ 2 = 1 n ˆµ = 1 n n i=1 x i n (x i ˆµ) 2. i=1 Cas de Weibull. Les équations de vraisemblance sont 1 n ˆβ + i=1 log(x n i) i=1 x i ˆβ log(x i ) n n i=1 x ˆβ = 0. i et ˆη = [ n i=1 x ˆβ i 1/ ] ˆβ. n Gilles Celeux (Inria) Petits échantillons 7 / 40
8 Test du rapport de vraisemblance Pour choisir entre deux modèles M 0 et M 1 dont les espaces des paramètres sont emboîtés, on dispose du test de rapport de vraisemblance. Λ = L(ˆθ 0 ) L(ˆθ 1 ) Sous l hypothèse que les données sont issues de la loi f (x; θ 0 ), 2 log Λ suit asymptotiquement une loi du χ 2 à dim θ 1 - dim θ 0 degrés de liberté. Gilles Celeux (Inria) Petits échantillons 8 / 40
9 Critères de vraisemblance pénalisée Les critères de vraisemblance pénalisé sont utilisés pour choisir un modèle parmi des modèles non nécessairement emboîtés. AIC(M) = 2 log L(ˆθ M ) + 2dim(θ M ) BIC(M) = 2 log L(ˆθ M ) + dim(θ M ) log(n) Ces critères sont obtenus sous des arguments asymptotiques et jouissent de propriétés asymptotiques optimales. Gilles Celeux (Inria) Petits échantillons 9 / 40
10 Plan 1 Modélisation statistique Estimation du maximum de vraisemblance Choix de modèles 2 Problèmes statistiques à information faible 3 Inférence bayésienne Traduction des informations a priori en lois a priori Approximation de la loi a posteriori Illustration pour une loi de Weibull très censurée Sélection bayésienne de modèles Gilles Celeux (Inria) Petits échantillons 10 / 40
11 Petits échantillons La taille d un échantillon n est à comparer au nombre ν de paramètres à estimer. Typiquement, pour une distribution dans R avec 2 paramètres à estimer les problèmes peuvent commencer avec n<20. Les problèmes deviennent sérieux lorsque ν n... Les statisticiens sont de plus en plus confrontés à des tailles n plus petites que la dimension d des données. Gilles Celeux (Inria) Petits échantillons 11 / 40
12 Donnés censurées Il arrive fréquemment que des données de durées de vie soient censurées. Données censurées à droite : une durée de vie x est censuré à droite en c si l on sait juste que x > c. Données censurées à gauche : une durée de vie x est censuré à gauche en c si l on sait juste que x < c. Données censurées par intervalle : une durée de vie x est censuré par intervalle si l on sait juste que a < x < b. Gilles Celeux (Inria) Petits échantillons 12 / 40
13 Modèles à structure manquante Il existe de nombreuses situations où les données générées par un phénomène ne sont pas toutes disponibles. Exemple : modèles de durées de vie à risques concurrents. Soit un matériel constitué de k composants C 1,..., C k montés en série. Les données complètes sont de la forme (x i, z i ), i = 1,..., n, x i étant la durée de vie du matériel i et z i le numéro du composant ayant causé la panne. Mais souvent les z i sont manquants,... Gilles Celeux (Inria) Petits échantillons 13 / 40
14 Dangers des petits échantillons Forte variabilité des estimations Forte sensibilité aux valeurs atypiques Exagération des contrastes Gilles Celeux (Inria) Petits échantillons 14 / 40
15 Attitudes devant de petits échantillons Renoncer à l analyse Régulariser les estimations Apporter de l information extérieure aux données, ce qui conduit à l inférence bayésienne Contourner la difficulté (contexte de l apprentissage statistique ou de la fouille de données) Gilles Celeux (Inria) Petits échantillons 15 / 40
16 Plan 1 Modélisation statistique Estimation du maximum de vraisemblance Choix de modèles 2 Problèmes statistiques à information faible 3 Inférence bayésienne Traduction des informations a priori en lois a priori Approximation de la loi a posteriori Illustration pour une loi de Weibull très censurée Sélection bayésienne de modèles Gilles Celeux (Inria) Petits échantillons 16 / 40
17 Le paradigme bayésien Le paramètre θ associé au modèle statistique f (x; θ) est considéré lui-même aléatoire de loi a priori Π(θ). Sachant les données x, θ suit une loi a posteriori Π(θ/x): Π(θ/x) = L(θ/x)Π(θ) L(θ/x)Π(θ)dθ. L inférence statistique se conduit sur la base de cette loi a posteriori. Gilles Celeux (Inria) Petits échantillons 17 / 40
18 La loi a priori La loi a priori Π(θ) résume l information préalable à l obtention des données que l on possède sur le paramètre θ. Elle résume également l incertitude sur la valeur de cette information. Elle fournit un cadre cohérent et contrôlable pour quantifier les connaissances et les opinions d expert. Grâce au théorème de Bayes, elle donne naissance à la loi a posteriori Π(θ/x) qui tire toute l information des données et de la loi a priori. Gilles Celeux (Inria) Petits échantillons 18 / 40
19 La loi a posteriori Une fois la loi a posteriori établie ou approché, on en déduit un estimateur ponctuel de θ qui peut être la moyenne a posteriori le mode a posteriori la médiane a posteriori. Potentiellement, la loi a posteriori contient les éléments pour évaluer l incertitude de cet estimateur ponctuel. Gilles Celeux (Inria) Petits échantillons 19 / 40
20 Un exemple: la moyenne d une loi normale Soit le modèle gaussien f (x; θ) = N (θ, σ 2 ) avec σ 2 connu. Loi a priori : Π(θ) = N (µ, τ 2 ), µ et τ 2 étant des hyperparamètres fixés par un expert. Loi a posteriori : Π(θ/x) = N ( σ2 µ+nτ 2 x σ 2 +nτ 2, σ 2 τ 2 σ 2 +nτ 2 ), où x = 1 n n x i. i=1 L estimateur bayésien de θ est θ = σ2 µ + nτ 2 x σ 2 + nτ 2. Gilles Celeux (Inria) Petits échantillons 20 / 40
21 Un exemple: loi exponentielle Soit le modèle exponentiel f (x; η) = 1 η exp( x η ), x 0. Loi a priori : Π(η) = Gamma(a, b), de moyenne a/b et de variance a/b 2, les hyperparamètres étant a et b. Loi a posteriori : Π(θ/x) = Gamma(a + n x, b + n), où x = 1 n n x i. i=1 Un estimateur bayésien de η est η = a + n x b + n. Gilles Celeux (Inria) Petits échantillons 21 / 40
22 Difficultés de l approche bayésienne Traduction des informations a priori : choix des lois a priori, détermination des hyperparamètres. Que faire en l absence d information a priori? Lois a priori non informatives. Difficultés analytiques de détermination de la loi a posteriori à cause de l intégrale L(θ/x)Π(θ)dθ. Difficultés numériques et algorithmiques pour calculer des approximations de cette loi a priori : méthodes de Monte Carlo. Gilles Celeux (Inria) Petits échantillons 22 / 40
23 Traduction des informations a priori en lois a priori La première tâche consiste à choisir une forme de loi a priori. Ce n est pas la tâche la plus sensible. Le plus important est de bien choisir les hyperparamètres de la loi a priori. Typiquement, pour un paramètre scalaire, on dispose de deux hyperparamètres. Cela permet de rentrer l information en moyenne sur le paramètre (point de vue de l expert terrain), L incertitude que l on a sur cette information (point de vue de l expert statisticien). Des études de sensibilité sont indispensables pour un réglage fiable de ces hyperparamètres. Gilles Celeux (Inria) Petits échantillons 23 / 40
24 Lois a priori conjuguées Pour beaucoup de modèles classiques, il existe des lois a priori conjuguées : Ce sont des lois a priori qui assurent que la loi a posteriori est de même forme paramétrique que la loi a priori. Exemples : modèle de Poisson, lois a priori Gamma modèle gaussien univarié, loi a priori normale pour la moyenne et inverse Gamma pour la variance modèle gaussien multivarié, loi a priori normale pour la moyenne et loi de Wishart pour la matrice variance modèle exponentiel, loi a priori Gamma modèle binomiale, loi a priori Bêta. Mais la loi de Weibull n admet pas de lois a priori conjuguées,... Gilles Celeux (Inria) Petits échantillons 24 / 40
25 Exemples de choix d hyperparamètres Soit un matériel dont la durée de vie est modélisée par une loi exponentielle f (x; η) = 1 η exp( x η ), x 0. Loi a priori : Π(η) = Gamma(a, b), de moyenne a/b et de variance a/b 2, Les hyperparamètres à déterminer sont a et b. Point de vue de l expert terrain : on choisit le rapport a/b de sorte à tenir compte de son avis sur la durée de vie moyenne du matériel. Point de vue de l expert statisticien : On choisit ensuite b suffisamment petit pour assurer une variance suffisamment grande de la loi a priori. Gilles Celeux (Inria) Petits échantillons 25 / 40
26 Lois a priori non informatives Ce sont des lois intégrant l ignorance sur les paramètres du modèle : elles ne doivent pas dépendre de la paramétrisation. La solution de Jeffreys consiste à prendre une loi proportionnelle à deti(θ) 1/2, où I(θ) est l information de Fisher de θ: Exemples : I(θ) = E θ [ 2 i j log f (x; θ)]. loi normale N (µ, σ 2 ), alors Π(θ) 1/σ 2 loi de Weibull W(η, β), alors Π(θ) 1/(ηβ) Gilles Celeux (Inria) Petits échantillons 26 / 40
27 Approximation de la loi a posteriori La loi a posteriori Π(θ/x) = L(θ/x)Π(θ) L(θ/x)Π(θ)dθ. doit souvent être approximée. Les approches possibles sont l intégration numérique les méthodes de simulation de Monte-Carlo Les méthodes MCMC (Monte Carlo Markov Chains) l échantillonnage préférentiel (Importance Sampling) Gilles Celeux (Inria) Petits échantillons 27 / 40
28 Chaînes de Markov de Monte-Carlo Le principe de ces méthodes est de simuler une chaîne de Markov dont la loi limite est la loi a posteriori visée. La méthode la plus populaire est l échantillonnage de Gibbs, cas particulier de l algorithme général d Hasting-Metropolis. Les problèmes des méthodes MCMC concernent le contrôle de la convergence : à partir de combien d itérations chaîne de Markov a-t-elle atteint son régime limite? Combien d itérations sont ensuite nécessaires pour obtenir une bonne approximation de la loi a posteriori visée? Gilles Celeux (Inria) Petits échantillons 28 / 40
29 Échantillonnage de Gibbs On part d un choix au hasard θ (0) = (θ (0) 1,..., θ(0) d ) Étant donné θ (i), l échantillonnage de Gibbs consiste en simulation de θ (i+1) 1 Π(θ 1 θ (i) 2,..., θ(i) d, x) simulation de θ (i+1) 2 π(θ 2 θ (i+1) 1, θ (i) 3,..., θ(i) d, x). simulation de θ (i+1) d π(θ d θ (i+1) 1,..., θ (i+1) d 1, x) La suite θ (l+1),..., θ (M+l) est la réalisation de la loi limite de la chaîne de Markov. Et pour toute fonction d intérêt h 1 M M+l i=l+1 h(θ (i) ) p.s. E Π (h(θ)). Gilles Celeux (Inria) Petits échantillons 29 / 40
30 Échantillonnage préférentiel L échantillonnage préférentiel comporte deux étapes et peut être complété par une troisème étape à partir d une loi instrumentale ρ 1 simulation de m réalisations indépendantes (θ 1,..., θ M ) de la loi ρ; 2 calcul des poids d importance w i Π(θ i /x)/ρ(θ i ) et des probabilités p i = w i / M j=1 w j; 3 tirage de (θ 1,..., θ l ) échantillon indépendant parmi (θ 1,..., θ M ) selon la loi (p i ) i=1,...,m. Il est important que ρ ait un support plus grand que celui de la loi a posteriori visée. Gilles Celeux (Inria) Petits échantillons 30 / 40
31 Exemple : loi de Weibull censurée Simulations de Monte- Carlo pour des lois de W(β, η) avec η = 100 et β = 0.5; 1.2; 2; 3. On considère des échantillons de taille n = 25 avec un temps de censure à droite c = 40. Chaque situation est répétée 50 fois. Le nombre moyen de défaillances observées fut de 12 pour la W(0.5, 100), 7 pour la W(1.2, 100), 4 pour la W(2, 100) et 2 pour la W(3, 100). Gilles Celeux (Inria) Petits échantillons 31 / 40
32 Maximum de vraisemblance pour Weibull censuré On note n le nombre d observations et m n le nombre de défaillances. L estimateur du maximum de vraisemblance ˆβ du paramètre de forme β est solution de 1 m [ ] β + i=1 log(t n i) i=1 tβ i log(t i ) m n = 0 i=1 tβ i et ˆη = [ n i=1 ] 1ˆβ t ˆβ i /m. Ces estimateurs ( ˆβ, ˆη) sur données censurées sont biaisés même pour n grand. Gilles Celeux (Inria) Petits échantillons 32 / 40
33 Lois a priori choisies Les connaissances a priori β est supposé être dans [β l = 0.5, β r = 5]. η est supposé être dans [η l = 50, η r = 300], et sa valeur est évaluée à 120. Les lois a priori La loi pour le paramètre de forme est une loi Bêta sur [β l, β r ]: π(β) (β β l) p 1 (β r β) q 1 (β r β l ) p+q 1 I [βl,β r ](β) avec p = q = 1.5. La loi pour le paramètre d échelle est une loi Gamma de moyenne a/b = 120 et telle que 99% de sa masse soit concentrée sur [50, 300]. ( π(η) η a 1 exp η ), η > 0 b Ce qui conduit à prendre a = 52 et b = 0.43 Gilles Celeux (Inria) Petits échantillons 33 / 40
34 Une procédure d échantillonnage préférentiel : WLB Elle s apparente à une procédure bootstrap : 1 simulation d un vecteur de poids ω j = ( ω j 1,..., ωj N ) selon une loi P(ω 1,..., ω N ), (typiquement une distribution uniforme de Dirichlet) et normaliser ces poids pour qu ils soient de somme 1. 2 Utiliser ces poids pour calculer l estimateur de maximum de vraisemblance pondéré (procédure de type bootstrap). En répétant ces étapes M fois, on obtient (θ 1,..., θ M ). On en tire une densité ˆρ par une méthode de lissage de type "noyaux" qui est au final utilisée comme densité instrumentale pour mener l échantillonnage préférentiel. Gilles Celeux (Inria) Petits échantillons 34 / 40
35 Une autre procédure d échantillonnage préférentiel : BRM Elle tire parti de la structure à données manquantes en 3 étapes : (B) simulation de θ selon la loi a priori Π(θ); (R) simulations des défaillances manquantes au-delà des censures selon leur loi conditionelle sachant les données et le paramètre θ obtenu à l étape B; (M) Calcul de θ maximisant la vraisemblance de l échantillon complété. En répétant ces étapes M fois, on obtient (θ 1,..., θ M ). On en tire une densité ˆρ par une méthode de lissage de type "noyaux" qui est au final utilisée comme densité instrumentale pour mener l échantillonnage préférentiel. Gilles Celeux (Inria) Petits échantillons 35 / 40
36 Comparaison maximum de vraisemblance et inférence bayésienne ML WLB-IS BRM-IS E (Std) E (Std) E (Std) β = (0.196) (0.096) (0.098) η = ( ) (8.244) (21.108) β = (2.540) (2.534) (0.325) η = ( ) (14.517) (6.505) β = (2.738) (2.774) (0.284) η = ( ) (24.281) (4.932) β = (20.783) (0.180) (0.176) η = ( ) (28.502) (3.898) Gilles Celeux (Inria) Petits échantillons 36 / 40
37 Modèles à risques concurrents Soit 100 données fortement censurés issues d un système à deux risques concurrents. On compare les performances d une version stochastique de l algorithme EM et de l échantillonneur de Gibbs. La loi a priori choisi est une loi Bêta sur [1, 3] pour β 1, une loi Bêta sur [2, 4] pour β 2, et une loi non informative proportionnelle à 1/η pour η 1 et η 2. β 1 = 2 η 1 = 50 β 2 = 3 η 2 = 100 Mean Std Mean Std Mean Std Mean Std c=50 SEM Bayes c=30 SEM Bayes Gilles Celeux (Inria) Petits échantillons 37 / 40
38 Le facteur de Bayes La vraisemblance intégrée d un modèle m s écrit f(x m) = f(x θ m )Π(θ m )dθ m, Cette vraisemblance intégrée est un critère prédictif pour comparer deux modèles dénommé le facteur de Bayes B 21 : f(m 2 x) f(m 1 x) = f(x m 2) p(m 2 ) f(x m 1 ) p(m 1 ) Pour n assez grand, le logarithme de cette vraisemblance intégrée peut être approximé par le critère BIC. Gilles Celeux (Inria) Petits échantillons 38 / 40
39 Approximation du facteur de Bayes La vraisemblance intégrée d un modèle m s écrit f(x m) = f(x θ m)π(θ m ) Π(θ x) On peut tirer profit le fait que le terme de droite ne dépende pas de θ pour choisir une "bonne" valeur de θ pour approximer cette vraisemblance intégrée. Un choix naturel est de prendre θ, le mode a posteriori obtenu sur les réalisations d un algorithme MCMC: f(x θ ˆf(x m) = m)π(θm) Π(θ. x) Gilles Celeux (Inria) Petits échantillons 39 / 40
40 Les sujets non traités Dans cette présentation, il n a pas été question des techniques de régularisation de la statistique prévisionnelle multivarié avec de nombreuses variables (d > n,... ) Régresssion linéaire : ridge regression, méthodes Lasso, Elastic Net,... Classification supervisée : Support Vector Machine, techniques de régularisation des matrices variance Merci pour votre attention... Σ Σ + λi... Gilles Celeux (Inria) Petits échantillons 40 / 40
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 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 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 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 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 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 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 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 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 détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en 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 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 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 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 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 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 détailPierre Thérond pierre@therond.fr. Année universitaire 2013-2014
http://www.therond.fr pierre@therond.fr Institut de Science Financière et d Assurances - Université Lyon 1 Année universitaire 2013-2014 Plan du cours 1 Chapitre 1 - Introduction 2 3 4 Bibliographie principale
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en 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 détailRenforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.
Master Mathématiques et Applications Spécialité : Ingénierie mathématique et modélisation Parcours : Mathématique et Informatique : Statistique, Signal, Santé (MI3S) 2015-2016 RÉSUMÉ DES COURS : (dernière
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 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 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 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 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 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 détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailCorrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailLa problématique des tests. Cours V. 7 mars 2008. Comment quantifier la performance d un test? Hypothèses simples et composites
La problématique des tests Cours V 7 mars 8 Test d hypothèses [Section 6.1] Soit un modèle statistique P θ ; θ Θ} et des hypothèses H : θ Θ H 1 : θ Θ 1 = Θ \ Θ Un test (pur) est une statistique à valeur
Plus en détailReprésentation géométrique d un nombre complexe
CHAPITRE 1 NOMBRES COMPLEXES 1 Représentation géométrique d un nombre complexe 1. Ensemble des nombres complexes Soit i le nombre tel que i = 1 L ensemble des nombres complexes est l ensemble des nombres
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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en 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 détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
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 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 détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en 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 détailProjet Etienne Marceau Méthodes statistiques en assurance non vie
Trinôme : Carine Sauser, Mélanie Groisne, Xavier Milhaud Projet Etienne Marceau Méthodes statistiques en assurance non vie Méthodes statistiques pour la finance et l assurance ISFA - Décembre 2007 Table
Plus en détailApprentissage non paramétrique en régression
1 Apprentissage non paramétrique en régression Apprentissage non paramétrique en régression Résumé Différentes méthodes d estimation non paramétriques en régression sont présentées. Tout d abord les plus
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 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 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 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 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 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 détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
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 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 détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailDonnées longitudinales et modèles de survie
ANALYSE DU Données longitudinales et modèles de survie 5. Modèles de régression en temps discret André Berchtold Département des sciences économiques, Université de Genève Cours de Master ANALYSE DU Plan
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
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 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 détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailChap 4. La fonction exponentielle Terminale S. Lemme : Si est une fonction dérivable sur R telle que : = et 0! = 1 alors ne s annule pas sur R.
Lemme : Si est une fonction dérivable sur R telle que : = et 0! = 1 alors ne s annule pas sur R. Démonstration : Soit la fonction %:& %&!= &!, elle est dérivable sur R et & R, %. &!= &! = &! = %&! gaelle.buffet@ac-montpellier.fr
Plus en détailModule d Electricité. 2 ème partie : Electrostatique. Fabrice Sincère (version 3.0.1) http://pagesperso-orange.fr/fabrice.sincere
Module d Electricité 2 ème partie : Electrostatique Fabrice Sincère (version 3.0.1) http://pagesperso-orange.fr/fabrice.sincere 1 Introduction Principaux constituants de la matière : - protons : charge
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 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 détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
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 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 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 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 détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en 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 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 détailClassification non supervisée
AgroParisTech Classification non supervisée E. Lebarbier, T. Mary-Huard Table des matières 1 Introduction 4 2 Méthodes de partitionnement 5 2.1 Mesures de similarité et de dissimilarité, distances.................
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 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 détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en 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 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 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 détailLa nouvelle planification de l échantillonnage
La nouvelle planification de l échantillonnage Pierre-Arnaud Pendoli Division Sondages Plan de la présentation Rappel sur le Recensement de la population (RP) en continu Description de la base de sondage
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
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 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 détailModélisation de la dépendance entre les garanties applicables en assurance automobile
RICHARD VERMETTE Modélisation de la dépendance entre les garanties applicables en assurance automobile Mémoire présenté à la Faculté des études supérieures de l Université Laval dans le cadre du programme
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 détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détailCalculs de probabilités conditionelles
Calculs de probabilités conditionelles Mathématiques Générales B Université de Genève Sylvain Sardy 20 mars 2008 1. Indépendance 1 Exemple : On lance deux pièces. Soit A l évènement la première est Pile
Plus en détailContributions à l apprentissage statistique en grande dimension, adaptatif et sur données atypiques
Université Paris 1 Panthéon Sorbonne Mémoire présenté par Charles BOUVEYRON pour l obtention de l Habilitation à Diriger des Recherches Spécialité : Mathématiques Appliquées Contributions à l apprentissage
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
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 détail1 de 46. Algorithmique. Trouver et Trier. Florent Hivert. Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert
1 de 46 Algorithmique Trouver et Trier Florent Hivert Mél : Florent.Hivert@lri.fr Page personnelle : http://www.lri.fr/ hivert 2 de 46 Algorithmes et structures de données La plupart des bons algorithmes
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détail!-.!#- $'( 1&) &) (,' &*- %,!
0 $'( 1&) +&&/ ( &+&& &+&))&( -.#- 2& -.#- &) (,' %&,))& &)+&&) &- $ 3.#( %, (&&/ 0 ' Il existe plusieurs types de simulation de flux Statique ou dynamique Stochastique ou déterministe A événements discrets
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 détailListe des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone...
Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailExercices M1 SES 2014-2015 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 2015
Exercices M1 SES 214-215 Ana Fermin (http:// fermin.perso.math.cnrs.fr/ ) 14 Avril 215 Les exemples numériques présentés dans ce document d exercices ont été traités sur le logiciel R, téléchargeable par
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 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 détailQuelques tests de primalité
Quelques tests de primalité J.-M. Couveignes (merci à T. Ezome et R. Lercier) Institut de Mathématiques de Bordeaux & INRIA Bordeaux Sud-Ouest Jean-Marc.Couveignes@u-bordeaux.fr École de printemps C2 Mars
Plus en détail