e t a s s i m i l a t i o n d e d o n n é e s s é q u e n t i e l l e Fabien Campillo
|
|
- Yvonne Germain
- il y a 6 ans
- Total affichages :
Transcription
1 filtrage particulaire e t a s s i m i l a t i o n d e d o n n é e s s é q u e n t i e l l e Fabien Campillo
2 filtrage non linéaire [filtrage non linéaire [Kalman [particulaire [EnKF 2/28
3 le modèle l évolution de l état est modélisée par x k = f k (x k 1 ) + w k w k iid N(0, Q w k) l observation est décrite par y k = h k (x k ) + v k v k iid N(0, Q v k) w k, v k, x 0 sont [filtrage non linéaire [Kalman [particulaire [EnKF 3/28
4 le problème on veut calculer récursivement la loi conditionnelle π k de l état x k sachant les observations présentes et passées y 1:k = {y 1,...,y k } π k (dx) = P(x k dx y 1:k ) loi(x k y 1:k ) π k (dx) = P(x k dx y 1:k 1 ) loi(x k y 1:k 1 ) la loi conditionnelle π k représente tout ce que l on sait sur x k sachant le modèle a priori et les observations y 1:k [filtrage non linéaire [Kalman [particulaire [EnKF 4/28
5 le filtre non linéaire méthode récursive pour calculer π k à partir de π k 1 et y k : prédiction: calculer π k à partir de π k 1 est du modèle d état π k (dx ) = π k 1 Q k (dx) déf = x π k 1 (dx) Q k (x, dx ) noyau markovien Q k (x, dx ) = P(x k dx x k 1 = x) correction: calculer π k à partir de π k et de y k (formule de Bayes) π k (dx) }{{} posteriori ψ k (x) }{{} vraisemblance π k (dx) }{{} priori ψ k (x) = ψ k (x,y k ) et ψ k (x, y) dy = P(y k dy x k = x) équation non linéaire (coef. de normalisation ψ k (x)π k (dx)) [filtrage non linéaire [Kalman [particulaire [EnKF 5/28
6 le filtre non linéaire (suite) ici Q k (x, dx ) = N(f k (x), Q w k ) ψ k (x) exp( 1 2 [y k h k (x)] [Q v k ] 1 [ ] ) [filtrage non linéaire [Kalman [particulaire [EnKF 6/28
7 en pratique le FNL est une équation dans un espace infini dimensionnel à chaque itération: intégrales peu d intérêt en pratique: peut se résoudre comme une EDP différences finies méthodes multigrilles [filtrage non linéaire [Kalman [particulaire [EnKF 7/28
8 filtre de Kalman et extensions [filtrage non linéaire [Kalman [particulaire [EnKF 8/28
9 modèle linéaire/gaussien c est le seul cas où (1) la solution est connue explicitement (2) elle peut être calculée à l aide d un algorithme x k = F k x k 1 + w k y k = H k x k + v k alors π k (dx ) = N(ˆx k, P k ) et π k (dx ) = N(ˆx k, P k ) avec ˆx k = F k ˆx k 1 P k = F k P k 1 Fk + Q w k K k = P k Hk [H k P k Hk + Q v k] 1 ˆx k = ˆx k + K k [y k H k ˆx k ] P k = [I K k H k ] P k [filtrage non linéaire [Kalman [particulaire [EnKF 9/28
10 filtre de Kalman étendu linéariser les fonctions autour des estimées courantes et supposer que toutes les lois sont gaussiennes on obtient avec π k (dx ) N(ˆx k, P k ), π k (dx ) N(ˆx k, P k ) ˆx k = f k (ˆx k 1 ) P k = F k P k 1 F k + Q w k où F k = f k (ˆx k 1 ) K k = P k H k [H k P k H k + Q v k] 1 ˆx k = ˆx k + K k [y k h k (ˆx k )] P k = [I K k H k ] P k où H k = h k (ˆx k ) [filtrage non linéaire [Kalman [particulaire [EnKF 10/28
11 Unscented Kalman filter but: ne pas calculer de gradient. Idée: transformation non linéaire de formules de quadrature Julier, J. Uhlmann. A general method for approximating nonlinear transformations of probability distributions, Technical report, University of Oxford, Julier, Uhlmann, Durrant-Whyte. A new method for the nonlinear transformation of means and covariances in filters and estimators, IEEE Transactions on Automatic Control, Julier, Uhlmann. Unscented filtering and nonlinear estimation. IEEE Review, [filtrage non linéaire [Kalman [particulaire [EnKF 11/28
12 Unscented transform on dispose d une formule de quadrature (ω i, x i ) i=1:n au second ordre pour x, i.e. n ω i x i = Ex i=1 n ω i (x i Ex) (x i Ex) = cov(x) i=1 then (ω i, y i ) i=1:n with y i = f(x i ) can be used for a quadrature formula for y = f(x). les auteurs proposent une méthode simple de calcul des σ points x i E(x) + [ (d + λ) cov(x) ω ]i i 1 2(d+λ) i = 1 d x i+d E(x) [ ] (d + λ) cov(x) ω i+d 1 2(d+λ) i = 1 d x 2d+1 E(x) ω 2d+1 λ d+λ (λ paramètre d échelle libre) [filtrage non linéaire [Kalman [particulaire [EnKF 12/28 i
13 Unscented Kalman filter σ k 1 = (ω i k 1, xi k 1 ) σ points pour N(ˆx k 1, P k 1 ) ˆx k = σ k 1 ω i k 1 f k(x i k 1 ) P k = σ k 1 ω i k 1 [f k(x i k 1 ) ˆx k ][ ] + Q w k σ k = (ω i k, x i k ) σ points pour N(ˆx k, P k ) ŷ k = σ k ω i k h k (x i k ) S k = σk ω i k [h k (x i k ) ŷ k ] [ ] + Q v k U k = σ k ω i k [x i k ˆx k ][h k (x i k ) ŷ k ] ˆx k = ˆx k + U k [S k ] 1 [y k ŷ k ] P k = P k U k [S k ] 1 [U k ] [filtrage non linéaire [Kalman [particulaire [EnKF 13/28
14 approximation particulaire [filtrage non linéaire [Kalman [particulaire [EnKF 14/28
15 approximation particulaire méthode de Monte Carlo séquentielle biblio Gordon, Salmond, Smith. Novel approach to nonlinear/non Gaussian Bayesian state estimation, IEE Proceedings, Doucet, de Freitas, Gordon (eds). Sequential Monte Carlo Methods in Practice. Springer-Verlag, [filtrage non linéaire [Kalman [particulaire [EnKF 15/28
16 Monte Carlo Eφ(x) 1 N N φ(ξ i ) où ξ 1:N iid loi(x) i=1 valable pour tout φ loi(x) 1 N N i=1 δ ξ i convergence assez lente (en 1 N ) mais ne dépend pas de la dimension comment faire évoluer un échantillon en temps? [filtrage non linéaire [Kalman [particulaire [EnKF 16/28
17 Monte Carlo séquentiel supposons que l on dispose d un N échantillon ξk 1 1:N loi(x k 1 y 1:k 1 ), i.e. de la π k 1 π N k 1 = 1 N N i=1 δ ξ i k 1 prédiction: on simule indépendamment ξk i Q k (ξk 1, i dx) = N(f k (ξk 1), i Q w k) i.e. ξk i = f k (ξk 1 i ) + [Qw k ]1/2 randn(), et N π k π N k = 1 N i=1 δ ξ i k [filtrage non linéaire [Kalman [particulaire [EnKF 17/28
18 Monte Carlo séquentiel (suite) correction: on pondère les particules en fonction de leur vraisemblance ω i k ψ k (ξ i k ) = exp( 1 2 [y k h k (ξ i k )] [Q v k] 1 [ ] ) (et N i=1 ωi k = 1) ré échantillonage: ξ 1:N k iid N i=1 ω i k δ ξ i k éviter la dégénérescences des poids implémentation spécifique [filtrage non linéaire [Kalman [particulaire [EnKF 18/28
19 Monte Carlo séquentiel (suite) on doit +/- savoir simuler l équation d état calculer la vraisemblance utiliser une procédure de rééchantillonnage efficace avantages simple à développer et à mettre en œuvre (intuitif) beaucoup de variations réellement non linéaire inconvénient peut-être lent (beaucoup de particules) [filtrage non linéaire [Kalman [particulaire [EnKF 19/28
20 filtres de Kalman d ensemble [filtrage non linéaire [Kalman [particulaire [EnKF 20/28
21 biblio Evensen. Sequential data assimilation with a nonlinear quasi geostrophic model using Monte Carlo methods to forecast error statistics, Journal of Geophysical Research, Burgers, van Leeuwen, Evensen. On the Analysis Scheme in the Ensemble Kalman Filter, Monthly Weather Review, Evensen. The ensemble Kalman filter: theoretical formulation and practical implementation, Ocean Dynamics, Pham. Stochastic methods for sequential data assimilation in strongly nonlinear systems, Monthly Weather Review, [filtrage non linéaire [Kalman [particulaire [EnKF 21/28
22 acquisition de données prévision d ensemble prévision météo avec 1 seule simulation: impossible on génère plusieurs simulation issues de conditions initiales différente interprétation probabiliste: fréquence relative des évènements acquisition de données c est un problème de filtrage (prévision/prédiction + analyse/correction) dimension de l espace d état très grande [filtrage non linéaire [Kalman [particulaire [EnKF 22/28
23 Kalman étendu système x k = f k (x k 1 ) + w k et y k = h k (x k ) + v k FKE ˆx k = f k (ˆx k 1 ) P k = F k P k 1 F k + Q w k où F k = f k (ˆx k 1 ) K k = P k H k [H k P k H k + Q v k] 1 ˆx k = ˆx k + K k [y k H k ˆx k ] P k = [I K k H k ] P k deux problèmes concernant la covariance place mémoire calcul prédiction/correction [filtrage non linéaire [Kalman [particulaire [EnKF 23/28
24 représentation d ensemble représentation de la loi loi(x k y 1:k ) ξ 1:N k moyenne empirique: µ(ξk 1:N ) = 1 N N i=1 ξi k covariance empirique: Γ(ξ 1:N k ) = 1 N 1 on dispose de N états : attention N est petit N i=1 [ξi k µ(ξ1:n k )] [ ] [filtrage non linéaire [Kalman [particulaire [EnKF 24/28
25 prévision (prédiction) on se donne un ensemble d état à l instant k 1: ξ 1:N k 1 dans l étape de prévision: Monte Carlo ξk i = f k (ξk 1) i +w i k i = 1 N }{{} code de simu [filtrage non linéaire [Kalman [particulaire [EnKF 25/28
26 analyse (correction) on s inspire de ˆx k = ˆx k + P k H k [H k P k H k + Q v k] 1 [y k H k ˆx k ] ensemble de mesures analyse ξ 1:N k = ξ 1:N k + Γ(ξ 1:N k ) H k y i k = y k + v i k [ ] 1 [ ] H k Γ(ξk 1:N ) H k + Γ(vk 1:N ) yk 1:N H k ξk 1:N [filtrage non linéaire [Kalman [particulaire [EnKF 26/28
27 analyse (correction) (suite) l inversion de M = H k Γ(ξ 1:N k ) H k + Γ(v 1:N k ) décomposition M = Z Λ Z (Λ matrice diagonale) le rang de M est N, donc moins de N termes sont non nuls dans Λ on ne conserve en mémoire que les N premières colonnes de Z [filtrage non linéaire [Kalman [particulaire [EnKF 27/28
28 Pham échantillonnage au second ordre: w 1:N iid N(0, Q) tels que { µ(w 1:N ) = 0 Γ(w 1:N ) = Q (réduire le nombre de particules sans dégrader les performances) [filtrage non linéaire [Kalman [particulaire [EnKF 28/28
Sommaire 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 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 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 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 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 détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailSécurité par compression! ReSIST 2010. Gilles RICHARD IRIT www.irit.fr/bite www.bite.ac.uk
Sécurité par compression! ReSIST 2010 Gilles RICHARD IRIT www.irit.fr/bite www.bite.ac.uk Introduction Sécurité.. intrusion réseau, attaques (DoS,DDoS etc.) virus, etc... spams code injection (SQL,XSS,CSRF,...)
Plus en détailChapitre 3. Algorithmes stochastiques. 3.1 Introduction
Chapitre 3 Algorithmes stochastiques 3.1 Introduction Les algorithmes stochastiques sont des techniques de simulation numériques de chaînes de Markov, visant à résoudre des problèmes d optimisation ou
Plus en détailFormation à la C F D Computational Fluid Dynamics. Formation à la CFD, Ph Parnaudeau
Formation à la C F D Computational Fluid Dynamics Formation à la CFD, Ph Parnaudeau 1 Qu est-ce que la CFD? La simulation numérique d un écoulement fluide Considérer à présent comme une alternative «raisonnable»
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 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 détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
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 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 détailMaster IMA - UMPC Paris 6 RDMM - Année 2009-2010 Fiche de TP
Master IMA - UMPC Paris 6 RDMM - Année 2009-200 Fiche de TP Préliminaires. Récupérez l archive du logiciel de TP à partir du lien suivant : http://www.ensta.fr/~manzaner/cours/ima/tp2009.tar 2. Développez
Plus en détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailCalcul de développements de Puiseux et application au calcul du groupe de monodromie d'une courbe algébrique plane
Calcul de développements de Puiseux et application au calcul du groupe de monodromie d'une courbe algébrique plane Poteaux Adrien XLIM-DMI, UMR-CNRS 6172 Université de Limoges Soutenance de thèse 15 octobre
Plus en détailPost-processing of multimodel hydrological forecasts for the Baskatong catchment
+ Post-processing of multimodel hydrological forecasts for the Baskatong catchment Fabian Tito Arandia Martinez Marie-Amélie Boucher Jocelyn Gaudet Maria-Helena Ramos + Context n Master degree subject:
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 détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailEvaluation des performances de programmes parallèles haut niveau à base de squelettes
Evaluation des performances de programmes parallèles haut niveau à base de squelettes Enhancing the Performance Predictability of Grid Applications with Patterns and Process Algebras A. Benoit, M. Cole,
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 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 détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailMéthodes 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 détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailRO04/TI07 - Optimisation non-linéaire
RO04/TI07 - Optimisation non-linéaire Stéphane Mottelet Université de Technologie de Compiègne Printemps 2003 I Motivations et notions fondamentales 4 I1 Motivations 5 I2 Formes quadratiques 13 I3 Rappels
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
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 détailQoS Réseaux haut débit et Qualité de service
QoS Réseaux haut débit et Qualité de service Auteurs : COUMATES Matthieu PETIT-JEAN Jérémy Responsable : PHAM Congduc (UPPA) 16 decembre 2010 Table des matières 1 Gestion de la QoS au niveau du noyau linux
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 détailANALYSE NUMERIQUE ET OPTIMISATION. Une introduction à la modélisation mathématique et à la simulation numérique
1 ANALYSE NUMERIQUE ET OPTIMISATION Une introduction à la modélisation mathématique et à la simulation numérique G. ALLAIRE 28 Janvier 2014 CHAPITRE I Analyse numérique: amphis 1 à 12. Optimisation: amphis
Plus en détailAlgorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
Plus en détailCircuits RL et RC. Chapitre 5. 5.1 Inductance
Chapitre 5 Circuits RL et RC Ce chapitre présente les deux autres éléments linéaires des circuits électriques : l inductance et la capacitance. On verra le comportement de ces deux éléments, et ensuite
Plus en détailSaisie des chauffe-eau thermodynamiques à compression électrique
Fiche d application : Saisie des chauffe-eau thermodynamiques à compression électrique Date Modification Version 01 décembre 2013 Précisions sur les CET grand volume et sur les CET sur air extrait 2.0
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 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 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 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 détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
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 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 détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
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 détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailC f tracée ci- contre est la représentation graphique d une
TLES1 DEVOIR A LA MAISON N 7 La courbe C f tracée ci- contre est la représentation graphique d une fonction f définie et dérivable sur R. On note f ' la fonction dérivée de f. La tangente T à la courbe
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 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 détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailHedging delta et gamma neutre d un option digitale
Hedging delta et gamma neutre d un option digitale Daniel Herlemont 1 Introduction L objectif de ce projet est d examiner la couverture delta-gamma neutre d un portefeuille d options digitales Asset-Or-Nothing
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 détailERRATA ET AJOUTS. ( t) 2 s2 dt (4.7) Chapitre 2, p. 64, l équation se lit comme suit : Taux effectif = 1+
ERRATA ET AJOUTS Chapitre, p. 64, l équation se lit comme suit : 008, Taux effectif = 1+ 0 0816 =, Chapitre 3, p. 84, l équation se lit comme suit : 0, 075 1 000 C = = 37, 50$ Chapitre 4, p. 108, note
Plus en détailphysicien diplômé EPFZ originaire de France présentée acceptée sur proposition Thèse no. 7178
Thèse no. 7178 PROBLEMES D'OPTIMISATION DANS LES SYSTEMES DE CHAUFFAGE A DISTANCE présentée à l'ecole POLYTECHNIQUE FEDERALE DE ZURICH pour l'obtention du titre de Docteur es sciences naturelles par Alain
Plus en détailOM 1 Outils mathématiques : fonction de plusieurs variables
Outils mathématiques : fonction de plusieurs variables PCSI 2013 2014 Certaines partie de ce chapitre ne seront utiles qu à partir de l année prochaine, mais une grande partie nous servira dès cette année.
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailModélisation couplée des processus de surface et souterrains pour prédire la distribution spatiale de l'évapotranspiration.
Contacts : jean-martial.cohard@ujf-grenoble.fr AMA Fall Meeting 2013 Toulouse, 22-24 janvier Modélisation couplée des processus de surface et souterrains pour prédire la distribution spatiale de l'évapotranspiration.
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 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 détailÉlue Correspondant le 25 avril 1994, puis Membre le 30 novembre 2004 dans la section Sciences mécaniques et informatiques
Odile Macchi Élue Correspondant le 25 avril 1994, puis Membre le 30 novembre 2004 dans la section Sciences mécaniques et informatiques Odile Macchi est directeur de recherche émérite au CNRS. Formation
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 détailUtilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par
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 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 détailBACCALAURÉAT PROFESSIONNEL SUJET
SESSION 203 Métropole - Réunion - Mayotte BACCALAURÉAT PROFESSIONNEL ÉPREUVE E4 CULTURE SCIENTIFIQUE ET TECHNOLOGIQUE : MATHÉMATIQUES Toutes options Durée : 2 heures Matériel(s) et document(s) autorisé(s)
Plus en détailEMETTEUR ULB. Architectures & circuits. Ecole ULB GDRO ESISAR - Valence 23-27/10/2006. David MARCHALAND STMicroelectronics 26/10/2006
EMETTEUR ULB Architectures & circuits David MARCHALAND STMicroelectronics 26/10/2006 Ecole ULB GDRO ESISAR - Valence 23-27/10/2006 Introduction Emergence des applications de type LR-WPAN : Dispositif communicant
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 détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
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 détailCommande Prédictive. J. P. Corriou. LSGC-ENSIC-CNRS, Nancy. e-mail : corriou@ensic.inpl-nancy.fr
Commande Prédictive J P Corriou LSGC-ENSIC-CNRS, Nancy e-mail : corriou@ensicinpl-nancyfr Ý Consigne Trajectoire de référence Ý Ö Réponse Ý Horizon de prédiction À Ô ¹ Ù ¹ Temps Entrée Ù Horizon de commande
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes cnrs supélec ups supélec, Plateau de Moulon, 9119 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
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 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 détailNotes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables Fausto Errico Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2012 Table des matières
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailAsynchronisme : Cadres continu et discret
N d ordre : 151 Année 2006 HABILITATION À DIRIGER DES RECHERCHES UNIVERSITÉ DE FRANCHE-COMTÉ Spécialité Informatique présentée par Sylvain CONTASSOT-VIVIER Docteur en Informatique Sujet Asynchronisme :
Plus en détailModélisation intégrée des écoulements pour la gestion en temps réel d'un bassin versant anthropisé
1 TGR Modélisation intégrée des écoulements pour la gestion en temps réel d'un bassin versant anthropisé Simon Munier Institut des Sciences et Industries du Vivant et de l'environnement (AgroParisTech)
Plus en détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailManuel de validation Fascicule v4.25 : Thermique transitoire des structures volumiques
Titre : TTLV100 - Choc thermique dans un tuyau avec condit[...] Date : 02/03/2010 Page : 1/10 Manuel de Validation Fascicule V4.25 : Thermique transitoire des structures volumiques Document : V4.25.100
Plus en détailDruais Cédric École Polytechnique de Montréal. Résumé
Étude de load balancing par un réseau de neurones de types HME (Hierarchical Mixture of s). Druais Cédric École Polytechnique de Montréal Résumé Cet article tente d introduire le principe de load balancing
Plus en détailSSLS116 - Chargement membranaire d une plaque excentrée
Titre : SSLS116 - Excentrement de plaque. Chargement membr[...] Date : 11/03/2010 Page : 1/12 Manuel de Validation Fascicule V3.03 : Statique linéaire des plaques et coques Document : V3.03.116 SSLS116
Plus en détailUEO11 COURS/TD 1. nombres entiers et réels codés en mémoire centrale. Caractères alphabétiques et caractères spéciaux.
UEO11 COURS/TD 1 Contenu du semestre Cours et TDs sont intégrés L objectif de ce cours équivalent a 6h de cours, 10h de TD et 8h de TP est le suivant : - initiation à l algorithmique - notions de bases
Plus en détailHTTP://PLANETPAL.NET
Dès MAINTENANT: Votre prix de palettes 24h/24h 7 jours sur 7 En moins de 2 minutes et Franco C est possible sur : HTTP://PLANETPAL.NET LE SUPERMARCHÉ DES PALETTES Palettes Bois, Plastique, Aluminium, Carton.
Plus en détailIntégration sur des espaces produits
Chapitre 5 Intégration sur des espaces produits 5.1 Produit de deux mesures Étant donnés deux espaces mesurés (Ω 1, F 1, µ 1 ) et (Ω 2, F 1, µ 2 ), le but de cette section est de construire une mesure
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 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 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