Modèlisation statistique d un championnat de football. Extension au tournoi de fighting

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Modèlisation statistique d un championnat de football. Extension au tournoi de fighting"

Transcription

1 Modèlisation statistique d un championnat de football. Extension au tournoi de fighting Eric Parent, Edouard Kolf le 20 décembre 2012, AppliBUGS, Paris

2 Contents 1 Exemple du championnat de football

3 Structure du championnat de France 2012 Exemple du championnat de ligue 20 équipes (1,...,20) soit 20*20-20=380 rencontres 38 journées de championnats 10 matchs par journée 3 résultats possibles : victoire, nul ou défaite Objectif Estimer les forces relatives des équipes (λ 1,..., λ 20 ) Estimer les probabilités des différentes rencontres Parier sur les 3 résultats possibles (cf. LotoFoot)

4 Un exemple de Grille de LotoFoot

5 Modèle de comparaison par paires Notations Chaque équipe possède une force latente propre : λ i 3 issues possibles : i bat j avec probabilité Π ij i et j font match nul avec probabilité Π = ij i perd contre j avec probabilité Π ij Version Duel Bradley-Terry sans match nul Π ij = λ i λ i λ j Interprétation Diaconis : v. latentes Z i Exp(λ i ) ; Z j Exp(λ j ) Π ij = [Z i < Z j ]

6 Modele Bradley-Terry-Caron-Doucet Avec match nul θ Π ij = λ i λ i θλ j Π = ij = (θ 2 1)λ i λ j (λ i θλ j )(θλ i λ j ) Π ij = λ j = Π λ j θλ i ji Et oui! (θ2 1)λ i λ j λ i (θλ i λ j )λ j (λ i θλ j ) (λ i θλ j )(θλ i λ j ) = 1 Avantage terrain δ λ i δλ i si i joue à domicile Π ij = δλ i si i joue à domicile δλ i θλ j Π = ij = (θ 2 1)δλ i λ j (δλ i θλ j )(θδλ i λ j ) Π ij = λ j Π λ j θδλ i ji

7 Vraisemblance Bradley Terry Vraisemblance rencontre (ij) : l équipe i rencontre j et joue sur son terrain { } log[n λ, θ, δ] = (ij) n ij logπ ij n = ij logπ= ij n ij logπ ij log[n (ij) λ, θ, δ] = ( ) n (ij) n= log (ij) δλ i δλ i θλ j n = (ij) log(θ2 1) n (ij) n (ij) n = 1 : match entre i et j (ij) ( ) n (ij) n= (ij) λ log j λ j θδλ i Pb d inférence : les dénominateurs! Force brute : SIR séquentiel au cours des rencontres (cf Parent/Bernier) Force aveugle : go to WinBUGS (cf Parent/Bernier) Approximation Normale bayésienne de la logistique(cf Glickman) Asymptotique Normale fréquentiste (cf David) Elégance bayésienne : Augmentation de données (cf Caron-Doucet)

8 Astuce Caron-Doucet : Augmentation! Introduction de variables latentes Z ij λ i, λ j pour chaque rencontre (ij) Z (ij) Γ(n (ij) n= (ij), δλ i θλ j ) ; Z (ij) Γ(n (ij) n= (ij), δθλ i λ j ) ( ) ( ) log[n (ij), Z (ij) λ, θ, δ] n (ij) n= log δλ i n (ij) (ij) n= logλ j (ij) (δλ i θλ j )z (ij) (δθλ i λ j )z (ij) n= (ij) log(θ2 1) On prend des priors appropriés : δ Γ(a δ, b δ ), λ i Γ(a i, b i), éventuellement fixé en fonction du classement de la saison précédente NB λ i Γ(a i, b), Π ij = λ i λ i λ Dirichlet j Jolie vraisemblance complète : Gibbs ou MAP par EM (ou Max Vrais)!

9 Méthode Caron-Doucet : Algorithme de Gibbs Des conditionnelles complètes très Gamma Z (ij) Γ(n (ij) n=, δλ i θλ j ) ; Z (ij) (ij) Γ(n (ij) n=, δθλ i λ j ) (ij) ( ) ( ) λ i Γ(a i n (ij) n= n (ij) (ki) n=, b i (ki) j k ( ) ( ) δz (ij) δθz θz (ij) (ki) z ) (ki) j k ( ) ( ) δ Γ(a δ n (ij) n=, b δ λ i z (ij) (ij) δz ) (ij) (ij) i j n = (ij) [θ Z, N, λ, δ] [θ] (θ 2 (ij) 1) exp( Kθ) 1 θ>1

10 Comment générer selon la conditionnelle du paramètre de match nul? Comment générer selon ( θ 2 1 ) S exp Kθ 1θ>1? S est entier. θ = 1 x θ 2 1 = x (x 2) S x S (x 2) S = S! x Sk 2 S k k! (S k)! k=0 S ( ) ( ) x S (x 2) S Γ(S k 1)2 k K Sk1 x (Sk1) 1 exp Kx K k1 exp Kx k! (S k)! Γ(S k 1) k=0 Un mélange de S 1 lois gamma avec P k Γ(Sk1)2 k K k1 k!(s k)!

11 Remarques Sans problème pour un bayésien... chaque force λ i à une constante près, on n apprend rien sur leur somme possibilité de "parameter extension", améliore drastiquement, pas fait par WinBUGS on peut aussi faire de l EM, bien sûr...

12 Pour rappel, modèle Parent-Bernier Conditions de comportement vis à vis de l écart des forces Π ij Π = ij = g 1 ( ) Π = ij Π ij = g 2 ( ) g 1 ( ) et g 2 ( ) fonctions croissantes de On choisit g 1 ( ) = K 1 g( ) et g 2 ( ) = K 2 g( ) avec K 1 > 0, K 2 > 0 Par conséquent, le modèle doit s écrire Π ( ) = 1 K 2 g( ) 1 ) K 2 g( ) 1K 1g( ) Π = 1 ( ) = 1 K 2 g( ) 1K 1g( ) Π ( ) = K 1 g( ) 1 K 2 g( ) 1K 1g( )

13 Pour rappel, modèle Parent-Bernier Conditions de symétrie (sans avantage jeu à domicile) Π ( ) = Π ( ) Π = ( ) = Π = ( ) Si on choisit g( ) = exp( ), K 1 K 2 = 1 Π ( ij ) = Π = ( ij ) = Π ( ij ) = Kexp( ij ) Kexp( ij )1Kexp( ij ) 1 Kexp( ij )1Kexp( ij ) Kexp( ij ) Kexp( ij )1Kexp( ij ) Le dénominateur de ce modèle ne donne pas une écriture du type Bradley-Terry-Caron-Doucet...mais se factorise et permettrait la même astuce de data augmentation

14 Quel modèle? Comportement Bradley-Terry versus Parent-Bernier Prob Bradley Terry & Parent_Bernier home&win draw home&defeat Log ratio des forces

15 d inférence sur les paramètres δ et θ de réglage Avantage terrain Coefficient de match nul Matchs Matchs

16 d inférence sur les paramètres δ et θ de réglage (dernière journée) Match nul du local (sachant égalité de forces) Corrélation a posteriori Density Avantage terrain Probabilité Coef. égalité

17 d inférence sur la force des équipes Estimation des λ i au cours du temps Forces Montpellier Auxerre Marseille Lyon Rencontres

18 prédictifs Lyon recoit Montpellier (après la dernière journée) Posteriors prob playing Lyon Montpellier Prob Density win lost nul Virtuel Lyon reçoit Montpellier P(nul) P(defaite)

19 Le classement versus l estimation statistique de la force des équipes Dernière journée Force au jour Evian Marseille Brest Ajaccio Nancy Lorient Sochaux NiceValenciennes AuxerreDijon Caen Lyon Bordeaux Toulouse Saint Etienne Rennes Lille PSG Montpellier classement

20 Un bayésien peut-il gagner au lotofoot? Nombre de matchs (sur 10) prévus correctement modele Bradley Terry meanscorepb= 3.83 meanscorebt= Modele Parent Bernier

21 Conclusions : il reste du travail! Temps de calcul Facteur 3 entre augmentation de donnéesparameter extension et inférence brutale Part de bons résultats Moyenne de 40% de matchs correctement prévus sur tout le championnat Grimpe parfois à 50% sur la seconde partie du championnat Améliorations possibles Rechercher l information : expertise a priori, annees précédentes Changer le modèle : nb buts marqués, etc Covariables de composition des équipes

22 Extension au Fighting System du JuJitsu Données 3 phases de combats (Atemi (pieds-poings), Judo debout, Judo sol) 3 forces en présence pour chacun des combattants λ i = (λ 1 i, λ2 i, λ3 i ) 3 manières de gagner un combat...à faire

23 Références Bibliographiques R.A. Bradley and M.E. Terry. Rank analysis of incomplete block designs, 1. the method of paired comparisons. Biometrika, 39 :324Ű-345, F. Caron and A. Doucet. Efficient Bayesian inference for generalized bradley-terry models. Research Report 7445, INRIA, H.A. David. The Method of Paired Comparisons. Oxford University Press, New York, M.E. Glickman. Parameter estimation in large dynamic paired comparison experiments. JRSB Appl. Statist., 48(3) : , E. Parent and J Bernier. Le Raisonnement Bayésien : Modélisation et Inférence. Springer France, Paris, M. H. Tanner. Tools for Statistical Inference : Observed Data and Data Augmentation Methods. Springer-Verlag, New York, 1992.

24 C est fini Merci

Analyse des données individuelles groupées

Analyse des données individuelles groupées Analyse des données individuelles groupées Analyse des Temps de Réponse Le modèle mixte linéaire (L2M) Y ij, j-ième observation continue de l individu i (i = 1,, N ; j =1,, n) et le vecteur des réponses

Plus en détail

Stand Probabilite s et football

Stand Probabilite s et football Stand Probabilite s et football Dominos... A la de couverte des probabilite s On joue avec deux de s a 6 faces. Essayez de trouver intuitivement quelle est la probabilite : - d obtenir un avec un de a

Plus en détail

CONSTRUCTION DE COTE :

CONSTRUCTION DE COTE : CONSTRUCTION DE COTE : L'EXEMPLE DU PARI A HANDICAP AU TOP 14 Loïc Champagne 1, Léo Gerville-Réache 2 & Sebastião Tiarks 3 1 Université de Bordeaux, LACES, France, loic.champagne@etude.u-bordeaux2.fr 2

Plus en détail

NOUVELLES MESURES DE DÉPENDANCE POUR

NOUVELLES MESURES DE DÉPENDANCE POUR NOUVELLES MESURES DE DÉPENDANCE POUR UNE MODÉLISATION ALPHA-STABLE. Bernard GAREL & Bernédy KODIA Institut de Mathématiques de Toulouse et INPT-ENSEEIHT Xèmmes Journées de Méthodologie Statistique de l

Plus en détail

Rev. Ivoir. Sci. Technol., 19 (2012) 59 71. ISSN 1813-3290, http://www.revist.ci

Rev. Ivoir. Sci. Technol., 19 (2012) 59 71. ISSN 1813-3290, http://www.revist.ci 59 ISSN 1813-3290, http://www.revist.ci RÉGRESSION LOGISTIQUE DANS LES ESSAIS CLINIQUES PAR MCMC Ahlam LABDAOUI * et Hayet MERABET Département de Mathématiques, Université Mentouri-Constantine, Route d

Plus en détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail

Approche bayésienne des modèles à équations structurelles

Approche bayésienne des modèles à équations structurelles Manuscrit auteur, publié dans "42èmes Journées de Statistique (2010)" Approche bayésienne des modèles à équations structurelles Séverine Demeyer 1,2 & Nicolas Fischer 1 & Gilbert Saporta 2 1 LNE, Laboratoire

Plus en détail

MCMC et approximations en champ moyen pour les modèles de Markov

MCMC 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 détail

SEMIN. Analyses factorielles avec R. Elisabeth MORAND INED

SEMIN. Analyses factorielles avec R. Elisabeth MORAND INED SEMIN Analyses factorielles avec R Elisabeth MORAND INED SEMIN R du MNHN 10 Décembre 2009 E. Morand 10 Décembre 2009 INED 1 / 42 Part I Analyse en Composantes Principales : ACP 2 / 42 Sommaire 1 Introduction

Plus en détail

Sur l apprentissage de Réseaux Bayésiens à partir de bases d exemples incomplètes et application à la classification

Sur l apprentissage de Réseaux Bayésiens à partir de bases d exemples incomplètes et application à la classification Sur l apprentissage de Réseaux Bayésiens à partir de bases d exemples incomplètes et application à la classification et Philippe LERAY, Laboratoire LITIS, Rouen. Rencontres Inter-Associations La classification

Plus en détail

Introduction à l approche bootstrap

Introduction à l approche bootstrap Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?

Plus en détail

CONCOURS 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) 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 détail

Plans d expérience bayésiens: Que nous proposent Chaloner et Verdinelli?

Plans d expérience bayésiens: Que nous proposent Chaloner et Verdinelli? Plans d expérience bayésiens: Que nous proposent Chaloner et Verdinelli? Bayesian Experimental Design: A Review Statistical Science, Vol. 10, No. 3 Sophie Ancelet 1, 2 1 UMR 518 AgroParisTech/INRA, Département

Plus en détail

Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique

Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique F. Clautiaux francois.clautiaux@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 Motivation et objectif du cours

Plus en détail

Mélanges de gaussiennes distribués et incrémentaux

Mélanges de gaussiennes distribués et incrémentaux Mélanges de gaussiennes distribués et incrémentaux CRP Gabriel Lippmann, Luxembourg Pierrick Bruneau Plan Introduction Algorithme EM Variationnel Bayesien pour les GMM Estimation automatique de la complexité

Plus en détail

Vision par ordinateur

Vision par ordinateur Vision par ordinateur Stéréoscopie par minimisation d'énergie Frédéric Devernay d'après le cours de Richard Szeliski Mise en correspondance stéréo Quels algorithmes possibles? mettre en correspondance

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

Le calendrier est dévoilé

Le calendrier est dévoilé http://www.racingstub.com 06/01/2017 06:20 Cette page peut être consultée en ligne à l'adresse http://racingstub.com/articles/621-le-calendrier-est-devoile Le calendrier est dévoilé 0.0 / 5 (0 note) 01/07/2005

Plus en détail

Distribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités

Distribution Uniforme Probabilité de Laplace Dénombrements Les Paris. Chapitre 2 Le calcul des probabilités Chapitre 2 Le calcul des probabilités Equiprobabilité et Distribution Uniforme Deux événements A et B sont dits équiprobables si P(A) = P(B) Si il y a équiprobabilité sur Ω, cad si tous les événements

Plus en détail

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant

X1 = Cash flow/ Dette totale. X2 = Revenu net / Total des actifs au bilan. X3 = Actif réalisable et disponible / Passif courant EXEMPLE : FAILLITE D ENTREPRISES Cet exemple a pour objectif d étudier la faillite d entreprises. Les données proviennent de l ouvrage de R.A.Johnson et D.W Wichern : Applied Multivariate Statistical Analysis»,

Plus en détail

Modèle mixte non linéaire. Application à la modélisation de processus dynamiques et prise en compte d effets génotypiques et environnementaux

Modèle mixte non linéaire. Application à la modélisation de processus dynamiques et prise en compte d effets génotypiques et environnementaux Modèle mixte non linéaire. Application à la modélisation de processus dynamiques et prise en compte d effets génotypiques et environnementaux Hervé Monod Unité MIA-Jouy en Josas INRA - Dépt Mathématiques

Plus en détail

Econométrie. février 2008. Boutin, Rathelot

Econométrie. février 2008. Boutin, Rathelot 5ème séance Xavier Boutin Roland Rathelot Supélec février 2008 Plan Variables binaires La question y = β 0 + β 1 x 1 +...β k x k + u Que se passe-t-il lorsque y est une variable {0, 1} et non plus une

Plus en détail

Modélisation des lois multidimensionnelles par la théorie des copules

Modélisation des lois multidimensionnelles par la théorie des copules Modélisation des lois multidimensionnelles par la théorie des copules Grégoire Mercier jeudi 9 novembre 26 Contenu 2 Mesure de dépendance Lien avec les copules 3 Estimation de l information mutuelle Estimation

Plus en détail

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL

La régression logistique. Par Sonia NEJI et Anne-Hélène JIGOREL La régression logistique Par Sonia NEJI et Anne-Hélène JIGOREL Introduction La régression logistique s applique au cas où: Y est qualitative à 2 modalités Xk qualitatives ou quantitatives Le plus souvent

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation 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 détail

6 741 6 883 7 199 7 194 7 328 2004 2005 2006 2007 2008 î î î BRUXELLES LILLE CAEN ROUEN COURBEVOIE METZ BREST SAINT-BRIEUC QUIMPER RENNES VANNES VERSAILLES PARIS CRÉTEIL STRASBOURG NANTES TOURS DIJON

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation 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 détail

semaine 19 bundesliga (J34) - le multiplex samedi 5 mai à 15h20 en direct bulletin des programmes

semaine 19 bundesliga (J34) - le multiplex samedi 5 mai à 15h20 en direct bulletin des programmes semaine 19 bundesliga (J34) - le multiplex samedi 5 mai à 15h20 bulletin des programmes du samedi 5 mai au vendredi 11 mai 2012 temps forts temps forts temps forts temps forts temps forts temps forts temps

Plus en détail

Prévision des résultats du championnat de football de ligue 1. Les fréquences de classement par rang.

Prévision des résultats du championnat de football de ligue 1. Les fréquences de classement par rang. Prévision des résultats 216-217 du championnat de football de ligue 1. Les fréquences de classement par rang. Yvon ROCABOY yvon.rocaboy@univ-rennes1.fr University of Rennes 1, CREM-CNRS, Condorcet Center

Plus en détail

5 Méthodes algorithmiques

5 Méthodes algorithmiques Cours 5 5 Méthodes algorithmiques Le calcul effectif des lois a posteriori peut s avérer extrêmement difficile. En particulier, la prédictive nécessite des calculs d intégrales parfois multiples qui peuvent

Plus en détail

QUELQUES CONSTATS STATISTIQUES SUR NOTRE IMPLANTATION TERRITORIALE JEAN-MARC PETIT

QUELQUES CONSTATS STATISTIQUES SUR NOTRE IMPLANTATION TERRITORIALE JEAN-MARC PETIT QUELQUES CONSTATS STATISTIQUES SUR NOTRE IMPLANTATION TERRITORIALE JEAN-MARC PETIT Densité d implantation des divisions NBRE DE DIVISIONS Aca Paris Aca Lyon Aca Versailles Aca Nantes Aca Lille Aca Rennes

Plus en détail

6.12.2013 FOOTBALL. 3 - Championnat «CFDU» (réservé aux seules équipes d universités sans staps)

6.12.2013 FOOTBALL. 3 - Championnat «CFDU» (réservé aux seules équipes d universités sans staps) 6.12.2013 FOOTBALL Composition de la commission mixte nationale FFF : François BLAQUART (Direction Technique Nationale) Guy FERRIER (Direction Technique Nationale) Jean-Claude GIUNTINI (Direction Technique

Plus en détail

Séminaire d Epidémiologie Animale Analyse de données en présence de clusters

Séminaire d Epidémiologie Animale Analyse de données en présence de clusters Analyse de données en présence de clusters Notion de clusters Conséquences de la non prise en compte des clusters Un exemple, une structure hiérarchique Elevage > Animal Le facteur d inflation de la variance

Plus en détail

Analyse en composantes principales (ACP)

Analyse en composantes principales (ACP) Analyse en composantes principales (ACP) François Husson Laboratoire de mathématiques appliquées - Agrocampus Rennes husson@agrocampus-ouest.fr 1 / 31 Quel type de données? L ACP s intéresse à des tableaux

Plus en détail

Mesure de la performance des lignes de transport public urbain - Projet APEROL

Mesure de la performance des lignes de transport public urbain - Projet APEROL Aide à la décision pour les politiques de mobilité : recherche et besoins des collectivités Mesure de la performance des lignes de transport public urbain - Projet APEROL Bruno FAIVRE D ARCIER Laboratoire

Plus en détail

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée

Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Techniques d estimation : Maximum de Vraisemblance et Méthode des Moments Généralisée Philippe Gagnepain Université Paris 1 Ecole d Economie de Paris Centre d économie de la Sorbonne-UG 4-Bureau 405 philippe.gagnepain@univ-paris1.fr

Plus en détail

CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité

CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité 1 CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité Une situation fréquente en pratique est de disposer non pas d un résultat mais de plusieurs. Le cas se présente en assurance, par exemple :

Plus en détail

Les données manquantes en statistique

Les données manquantes en statistique Les données manquantes en statistique N. MEYER Laboratoire de Biostatistique -Faculté de Médecine Dép. Santé Publique CHU - STRASBOURG Séminaire de Statistique - 7 novembre 2006 Les données manquantes

Plus en détail

Définitions. Numéro à préciser. (Durée : )

Définitions. Numéro à préciser. (Durée : ) Numéro à préciser (Durée : ) On étudie dans ce problème l ordre lexicographique pour les mots sur un alphabet fini et plusieurs constructions des cycles de De Bruijn. Les trois parties sont largement indépendantes.

Plus en détail

Analyse de survie appliquée à la modélisation de la transmission des maladies infectieuses : mesurer l impact des interventions

Analyse de survie appliquée à la modélisation de la transmission des maladies infectieuses : mesurer l impact des interventions Analyse de survie appliquée à la modélisation de la transmission des maladies infectieuses : mesurer l impact des interventions Génia Babykina 1 & Simon Cauchemez 2 1 Université de Lille, Faculté Ingénierie

Plus en détail

Jeffrey S. Rosenthal

Jeffrey S. Rosenthal Les marches aléatoires et les algorithmes MCMC Jeffrey S. Rosenthal University of Toronto jeff@math.toronto.edu http ://probability.ca/jeff/ (CRM, Montréal, Jan 12, 2007) Un processus stochastique Qu est-ce

Plus en détail

Modélisation de la demande de transport

Modélisation de la demande de transport Modélisation de la demande de transport Fabien Leurent ENPC / LVMT Introduction Approche empirique Fonctions de répartition Position microéconomique : préférences et rationalité Distribution des décideurs,

Plus en détail

Méthodes de Simulation

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 détail

PJE : Analyse de comportements avec Twitter Classification supervisée

PJE : Analyse de comportements avec Twitter Classification supervisée PJE : Analyse de comportements avec Twitter Classification supervisée Arnaud Liefooghe arnaud.liefooghe@univ-lille1.fr Master 1 Informatique PJE2 2015-16 B. Derbel L. Jourdan A. Liefooghe 1 2 Agenda Partie

Plus en détail

Espérance, variance, quantiles

Espérance, variance, quantiles Espérance, variance, quantiles Mathématiques Générales B Université de Genève Sylvain Sardy 22 mai 2008 0. Motivation Mesures de centralité (ex. espérance) et de dispersion (ex. variance) 1 f(x) 0.0 0.1

Plus en détail

Prévision des résultats du championnat de football de ligue 1. Parcours simulés et fréquences de classement par club.

Prévision des résultats du championnat de football de ligue 1. Parcours simulés et fréquences de classement par club. Prévision des résultats 16-17 du championnat de football de ligue 1. Parcours simulés et fréquences de classement par club. Yvon ROCABOY yvon.rocaboy@univ-rennes1.fr University of Rennes 1, CREM-CNRS,

Plus en détail

Stade municipal Marcel Billard avenue d'anderten. 4 terrains de football, 1 piste d'athlétisme, deux courts de tennis extérieur.

Stade municipal Marcel Billard avenue d'anderten. 4 terrains de football, 1 piste d'athlétisme, deux courts de tennis extérieur. Particulièrement bien desservie en infrastructures routières (accès facile à l'a13 par double échangeur liaison avec l'europe par l'a28 et l'a29), ferroviaires (gare desservant la ligne Paris- Le Havre)

Plus en détail

TABLE DES MATIERES. C Exercices complémentaires 42

TABLE 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 détail

Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil

Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil Séverine Demeyer, Frédéric Jenson, Nicolas Dominguez CEA, LIST, F-91191

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives

Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives Université d Orléans - Maitrise Econométrie Econométrie des Variables Qualitatives Examen Décembre 00. C. Hurlin Exercice 1 (15 points) : Politique de Dividendes On considère un problème de politique de

Plus en détail

L enquête ménages déplacements standard Certu

L enquête ménages déplacements standard Certu www.certu.fr L enquête ménages déplacements standard Certu Une norme qui évolue Régis de SOLERE Séminaire de l observation urbaine 3 novembre 2010 Ministère de l'écologie, de l'énergie, du Développement

Plus en détail

Les Meta-analyses. Sibilia Quilici. Université René Descartes Paris V Faculté de Pharmacie Master Science de la vie et de la santé 28/01/2014

Les Meta-analyses. Sibilia Quilici. Université René Descartes Paris V Faculté de Pharmacie Master Science de la vie et de la santé 28/01/2014 Les Meta-analyses Sibilia Quilici Université René Descartes Paris V Faculté de Pharmacie Master Science de la vie et de la santé 28/01/2014 Nombre de publication en méta-analyses 8000 7000 6000 5000 4000

Plus en détail

Traitement des données influentes dans le cas d un sondage à deux phases avec une application au traitement de la non-réponse

Traitement des données influentes dans le cas d un sondage à deux phases avec une application au traitement de la non-réponse Traitement des données influentes dans le cas d un sondage à deux phases avec une application au traitement de la non-réponse Jean-François Beaumont, Statistics Canada Cyril Favre Martinoz, Crest-Ensai

Plus en détail

Apprentissage de structure dans les réseaux bayésiens pour

Apprentissage de structure dans les réseaux bayésiens pour Apprentissage de structure dans les réseaux bayésiens pour la détection d événements vidéo Siwar Baghdadi 1, Claire-Hélène Demarty 1, Guillaume Gravier 2, et Patrick Gros 3 1 Thomson R&D France, 1 av Belle

Plus en détail

Épreuve d informatique 2011

Épreuve d informatique 2011 A 2011 INFO. MP ÉCOLE NATIONALE DES PONTS ET CHAUSSÉES, ÉCOLES NATIONALES SUPÉRIEURES DE L AÉRONAUTIQUE ET DE L ESPACE, DE TECHNIQUES AVANCÉES, DES TÉLÉCOMMUNICATIONS, DES MINES DE PARIS, DES MINES DE

Plus en détail

BILAN TRIMESTRIEL JANVIER FEVRIER MARS 2015 WWW.PRONOFOOTBOL.FR

BILAN TRIMESTRIEL JANVIER FEVRIER MARS 2015 WWW.PRONOFOOTBOL.FR BILAN TRIMESTRIEL JANVIER FEVRIER MARS 2015 WWW.PRONOFOOTBOL.FR Voici le deuxième bilan trimestriel de PronofootbOL sur la période janvier février mars 2015. Si le mois de février 2015 marque légèrement

Plus en détail

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Séminaire MTDE 22 mai 23 INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Vincent Mazet CRAN CNRS UMR 739, Université Henri Poincaré, 5456 Vandœuvre-lès-Nancy Cedex 1 juillet 23 Sommaire

Plus en détail

Chaînes de Markov Cachées Floues et Segmentation d Images

Chaînes de Markov Cachées Floues et Segmentation d Images Introduction Chaînes de Markov Cachées Floues et Segmentation d Images Cyril Carincotte et Stéphane Derrode Équipe GSM Groupe Signaux Multi-dimensionnels Institut Fresnel (UMR 6133) EGIM Université Paul

Plus en détail

COMPTES INDIVIDUELS SAISON 2008/2009. Commission de Contrôle des Clubs Professionnels

COMPTES INDIVIDUELS SAISON 2008/2009. Commission de Contrôle des Clubs Professionnels COMPTES INDIVIDUELS DES CLUBS SAISON 28/29 Commission de Contrôle des Clubs Professionnels 2 A. J. AUXERRE (SAOS + ASSOCIATION) Compte de résultat Droits audiovisuels Sponsors - Publicité Recettes matches

Plus en détail

Formation : Excel perfectionnement

Formation : Excel perfectionnement Objectif Microsoft Excel est un logiciel de tableur de la suite Microsoft Office publiée par Microsoft. A la fin de la formation Excel initiation, vous saurez utiliser cet outil afin de produire des listes

Plus en détail

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

Un score objectif d évaluation de la performance des joueurs de basket-ball

Un score objectif d évaluation de la performance des joueurs de basket-ball Un score objectif d évaluation de la performance des joueurs de basket-ball Gilles Celeux, Valérie Robert 22 janvier 2014 1 / 34 Plan Introduction Le basket, un sport très chiffré Problématique : Peut-on

Plus en détail

Nouveau 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 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 détail

Estimation indirecte en sciences humaines : une méthode bayésienne

Estimation indirecte en sciences humaines : une méthode bayésienne Estimation indirecte en sciences humaines : une méthode bayésienne Henri Caussinus, Institut de Mathématiques de Toulouse, en collaboration avec Daniel Courgeau, INED Isabelle Séguy, INED Luc Buchet, CNRS

Plus en détail

CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25

CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25 TABLE DES MATIÈRES Sommaire... 5 Avant- propos... 9 Remerciements... 19 À propos de l auteur... 23 CHAPITRE 1 La nature de l économétrie et la structure des données économiques... 25 1.1 Qu est- ce que

Plus en détail

COMPTES INDIVIDUELS SAISON 2012/2013. Commission de Contrôle des Clubs Professionnels

COMPTES INDIVIDUELS SAISON 2012/2013. Commission de Contrôle des Clubs Professionnels COMPTES INDIVIDUELS DES CLUBS SAISON 212/213 Commission de Contrôle des Clubs Professionnels 3 2 A.C. AJACCIO (EUSRL + ASSOCIATION) Compte de résultat Droits audiovisuels Sponsors - Publicité Recettes

Plus en détail

Formule de calcul : 200 - rang

Formule de calcul : 200 - rang Le Classement mondial FIFA/Coca-Cola Connaître sa valeur, savoir si l on a progressé depuis l introduction en août 1993 du Classement mondial FIFA, celui-ci est devenu un élément clé du journalisme sportif

Plus en détail

Contenu. Sources et références. Classification supervisée. Classification supervisée vs. non-supervisée

Contenu. Sources et références. Classification supervisée. Classification supervisée vs. non-supervisée PJE : Analyse de comportements avec Twitter Classification supervisée Arnaud Liefooghe arnaud.liefooghe@univ-lille1.fr Master 1 Informatique PJE2 2012-2013 B. Derbel L. Jourdan A. Liefooghe Contenu Classification

Plus en détail

Principales caractéristiques de Mixmod

Principales caractéristiques de Mixmod Modèle de mélanges Principales caractéristiques de Mixmod Gérard Govaert et Gilles Celeux 24 octobre 2006 1 Plan Le modèledemélange Utilisations du modèle de mélange Les algorithmes de Mixmod Modèle de

Plus en détail

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Patrick Dallaire Université Laval Département d informatique et de génie

Plus en détail

EXERCICE 1 Ce tableau récapitule la consommation d essence d un automobiliste effectuant un trajet :

EXERCICE 1 Ce tableau récapitule la consommation d essence d un automobiliste effectuant un trajet : EXERCICE 1 Ce tableau récapitule la consommation d essence d un automobiliste effectuant un trajet : parcourue (km) 50 80 120 150 Essence consommée (L) 4 6,4 9,6 12 a Calculer chacun des quotients suivants

Plus en détail

Formation Conception orientée objet

Formation Conception orientée objet Objectif La programmation orientée objet (POO) est un paradigme de programmation informatique qui consiste en la définition et l'interaction de briques logicielles appelées objets. Un objet représente

Plus en détail

Programmation Linéaire - Cours 1

Programmation Linéaire - Cours 1 Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.

Plus en détail

Simulations conditionnelles de processus max-stables : applications

Simulations conditionnelles de processus max-stables : applications Simulations conditionnelles de processus max-stables : applications Aurelien Bechler Séminaire RocheBrune Thèse encadrée par Liliane Bel (INRA) et Mathieu Vrac (LSCE) 4 Avril 2012 Aurélien Bechler Simulations

Plus en détail

L analyse ROC en agronomie

L analyse ROC en agronomie RMT Modelia, Paris, 16 novembre 2009 L analyse ROC en agronomie David Makowski makowski@grignon.inra.fr Pourquoi s intéresser aux erreurs des modèles? Pourquoi s intéresser aux erreurs des modèles? i.

Plus en détail

Conjuguer des approches quantitatives et linguistiques pour l analyse d un corpus footballistique

Conjuguer des approches quantitatives et linguistiques pour l analyse d un corpus footballistique Conjuguer des approches quantitatives et linguistiques pour l analyse d un corpus footballistique Ann Bertels & Nathalie Gasiglia KU Leuven & Université Lille 3 Plan de la présentation 1. Introduction

Plus en détail

Statistiques DCG/DSCG Sessions 2014

Statistiques DCG/DSCG Sessions 2014 Sessions 2014 DCG 2014 s de 0 1 Contrôle de Anglais appliqué aux affaires 4 langue vivante Inscrits 5603 9956 9092 9913 5030 5565 8142 5085 8709 10613 9356 8480 2616 1350 Présents 4784 8484 7694 8405 4212

Plus en détail

COMMENT GAGNER DE L ARGENT AUX PARIS FOOT

COMMENT GAGNER DE L ARGENT AUX PARIS FOOT COMMENT GAGNER DE L ARGENT AUX PARIS FOOT Cet ebook a pour vocation de vous présenter diverses méthodes pour gagner de l argent grâce aux paris sportifs sur le foot. Lisez attentivement cet ebook pour

Plus en détail

Modélisation de matches de football HOANG Lê nguyên

Modélisation de matches de football HOANG Lê nguyên Modélisation de matches de football HOANG Lê nguyên On se propose de modéliser les matchs de football L'ensemble des équipes sera paramétré par une variable θ dont on précisera la dimension ultérieurement

Plus en détail

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65 Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9

Plus en détail

L'ANALYSE DYNAMIQUE DE RESEAUX SOCIAUX METHODE ET APPLICATION (SIENA POUR LES NULS) COMPLETS AVEC SIENA. Ainhoa de Federico de la Rúa

L'ANALYSE DYNAMIQUE DE RESEAUX SOCIAUX METHODE ET APPLICATION (SIENA POUR LES NULS) COMPLETS AVEC SIENA. Ainhoa de Federico de la Rúa L'ANALYSE DYNAMIQUE DE RESEAUX SOCIAUX COMPLETS AVEC SIENA METHODE ET APPLICATION (SIENA POUR LES NULS) Ainhoa de Federico de la Rúa Université de Toulouse II Le Mirail CERS LISST RESEAUX CAUSES OU EFFETS?

Plus en détail

Thème N 5: ORGANISATION ET GESTION DE DONNEES

Thème N 5: ORGANISATION ET GESTION DE DONNEES Thème N 5: ORGANISATION ET GESTION DE DONNEES * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * Exercice n 1 : Dans un bois, j

Plus en détail

Fibres courtes et fines

Fibres courtes et fines Fibres courtes et fines d amiante: quels risques? 30 EME JOURNÉES NATIONALES DE SANTE AU TRAVAIL DANS LE BÂTIMENT & LES TRAVAUX PUBLICS BLOIS, JEUDI 11 JUIN 2009 Pr Ch PARIS U954 Nutrition, génétique et

Plus en détail

Construction à partir d une régression logistique

Construction à partir d une régression logistique Construction à partir d une régression logistique Ricco RAKOTOMALALA Université Lumière Lyon 2 Tutoriels Tanagra - http://tutoriels-data-mining.blogspot.fr/ 1 PLAN 1. Position du problème Grille de score?

Plus en détail

Statistiques et probabilités : Loi Normale. Les I.P.R. et Formateurs de l Académie de LILLE

Statistiques et probabilités : Loi Normale. Les I.P.R. et Formateurs de l Académie de LILLE Statistiques et probabilités : Loi Normale Les I.P.R. et Formateurs de l Académie de LILLE Bulletin officiel spécial 8 du 13 octobre 2011 Cadre général : loi à densité Définition Une fonction f définie

Plus en détail

INTRODUCTION AU DATA MINING

INTRODUCTION AU DATA MINING INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET Phase 4 : Modélisation non-supervisée - 5 : Règles d association

Plus en détail

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.

TABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p. STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,

Plus en détail

Prévention et gestion des risques naturels et environnementaux

Prévention et gestion des risques naturels et environnementaux Prévention et gestion des risques naturels et environnementaux Risque et assurance : quelques éléments théoriques Ecole des Ponts - Le 6 Avril 01 Jacques Pelletan 1 Théorie du risque et pérennité de l

Plus en détail

COMPTES INDIVIDUELS SAISON 2011/2012. Commission de Contrôle des Clubs Professionnels

COMPTES INDIVIDUELS SAISON 2011/2012. Commission de Contrôle des Clubs Professionnels COMPTES INDIVIDUELS DES CLUBS SAISON 211/212 Commission de Contrôle des Clubs Professionnels 2 A.C. AJACCIO (EUSRL + ASSOCIATION) Compte de résultat Droits audiovisuels Sponsors - Publicité Recettes matches

Plus en détail

Revue d effectifs : qui gagnera la Ligue des Champions?

Revue d effectifs : qui gagnera la Ligue des Champions? Rapport mensuel de l Observatoire du football du CIES n 4-04/2015 Revue d effectifs : qui gagnera la Ligue des Champions? Drs Raffaele Poli, Loïc Ravenel et Roger Besson 1. Introduction La Ligue des Champions,

Plus en détail

URL analysées. Informations générales

URL analysées. Informations générales 1 sur 5 VRDCI 10, rue Augereau 75007 Paris - FRANCE Tel : 01 45 35 00 80 Email : vrdci@vrdci.com - Référencement naturel avec paiement aux résultats - Ingénierie et design de sites web, intranet et applicatifs

Plus en détail

BILAN TRIMESTRIEL OCT. NOV. DEC. 2014 WWW.PRONOFOOTBOL.FR

BILAN TRIMESTRIEL OCT. NOV. DEC. 2014 WWW.PRONOFOOTBOL.FR BILAN TRIMESTRIEL OCT. NOV. DEC. 2014 WWW.PRONOFOOTBOL.FR EDITO Voici le premier bilan trimestriel de PronofootbOL sur la période octobre novembre décembre 2014. Nous avons mis en ligne publiquement notre

Plus en détail

Site Web de paris sportifs

Site Web de paris sportifs HENAUD Benoît Numéro d auditeur 05-39166 Version V1.2 Date de mise à jour 31/03/2008 1/21 Table des matières 1. Objectif du document... 3 2. Présentation... 3 2.1. Présentation du projet... 3 2.2. Situation

Plus en détail

CLASSEMENTS, SCORES ET PROBABILITÉS DE VICTOIRE : CONSTRUCTION D UNE RÈGLE DE HANDICAP DE JEU

CLASSEMENTS, SCORES ET PROBABILITÉS DE VICTOIRE : CONSTRUCTION D UNE RÈGLE DE HANDICAP DE JEU CLASSEMENTS, SCORES ET PROBABILITÉS DE VICTOIRE : CONSTRUCTION D UNE RÈGLE DE HANDICAP DE JEU Loïc Champagne, Alain Coupet & Léo Gerville-Réache Université bordeaux Segalen - UFR STAPS, Avenue Camille

Plus en détail

Les réseaux bayésiens

Les réseaux bayésiens Les réseaux bayésiens Un outil de modélisation des connaissances incertaines par apprentissage à partir des données par modélisation interactive 2/1/23 SAMOS - BAYESIA 1 etit exemple contre-intuitif La

Plus en détail

Analyse de la décision dans l!incertain (4)

Analyse de la décision dans l!incertain (4) Analyse de la décision dans l!incertain (4) Introduction 2009 Bernard ESPINASSE Professeur à l'université d'aix-marseille Plan Critères de décision face à l!incertain (Wald, Savage, Hurwicz, ) Les incertitudes

Plus en détail

Prix de l Immobilier constatés à la mise en vente en Février 2012

Prix de l Immobilier constatés à la mise en vente en Février 2012 Prix de l Immobilier constatés à la mise en vente en Stabilité des prix de mise en vente «Une quasi stabilité des prix affichés à la mise en vente, qui se confirme depuis la fin de l année, avec un indice

Plus en détail

Quel avenir pour les lois d expérience? Forum de l actuariat du CNAM. 6 octobre 2011. Forum de l actuariat du CNAM

Quel avenir pour les lois d expérience? Forum de l actuariat du CNAM. 6 octobre 2011. Forum de l actuariat du CNAM Quel avenir pour les lois d expérience? Version 1.0 6 octobre 2011 Frédéric PLANCHET Actuaire Associé fplanchet@winter-associes.fr Préambule La détermination des provisions affectées à la couverture des

Plus en détail

Poker. A rendre pour le 25 avril

Poker. A rendre pour le 25 avril Poker A rendre pour le 25 avril 0 Avant propos 0.1 Notation Les parties sans * sont obligatoires (ne rendez pas un projet qui ne contient pas toutes les fonctions sans *). Celles avec (*) sont moins faciles

Plus en détail