Morphologie mathématique - III

Dimension: px
Commencer à balayer dès la page:

Download "Morphologie mathématique - III"

Transcription

1 Morphologie mathématique - III Isabelle Bloch bloch Télécom ParisTech - CNRS LTCI Paris - France Morphologie mathématique III p.1/38

2 Opérateurs géodésiques Distance géodésique, conditionnelle à X : d X si X est fermé, il existe un arc géodésique pour toute paire de points de X unicité si X est simplement connexe X convexe dx = d Boule géodésique : B X (x,r) = {y X / d X (x,y) r} Rq : B X (x,r) B(x,r) X x d (x,y) X d(x,y) y Dilatation géodésique : D X (Y,B r ) = {x R n / B X (x,r) Y } = {x R n / d X (x,y) r} Erosion géodésique : E X (Y,B r ) = {x R n / B X (x,r) Y} = X \D X (X \Y,B r ) Ouverture et fermeture géodésiques : par composition Morphologie mathématique III p.2/38

3 Propriétés et reconstruction Propriétés : similaires à celles du cas euclidien DX (Y,B r ) D(Y,B r ) DX (Y,B r ) = n=1 [(Y r n B) X]n Cas discret : D X (Y,B r ) = [D(Y,B 1 ) X] r Reconstruction : [D(Y,B 1 ) X] = D X (Y) = composantes connexes de X qui intersectent Y Morphologie mathématique III p.3/38

4 Reconstruction binaire : exemple Morphologie mathématique III p.4/38

5 Reconstruction binaire : exemple Morphologie mathématique III p.4/38

6 Reconstruction binaire : exemple Morphologie mathématique III p.4/38

7 Erodés ultimes EU(X) = n {E(X,B n )\R[E(X,B n+1 );E(X,B n )]} E(X,Bn ) : l érodé de X de taille n R[Y;Z] : composantes connexes de Z qui ont une intersection non vide avec Y = ensemble des maxima régionaux de la fonction distance d(x,x C ). Morphologie mathématique III p.5/38

8 Ouverture surfacique γ λ (f) = i {γ Bi (f), B i connexe et S(B i ) = λ} Morphologie mathématique III p.6/38

9 Ouverture surfacique γ λ (f) = i {γ Bi (f), B i connexe et S(B i ) = λ} Morphologie mathématique III p.6/38

10 Ouverture surfacique γ λ (f) = i {γ Bi (f), B i connexe et S(B i ) = λ} Morphologie mathématique III p.6/38

11 Opérateurs géodésiques fonctionnels X 1 X 2 et Y 1 Y 2 D X1 (Y 1,B r ) D X2 (Y 1,B r ) D X2 (Y 2,B r ) Extension aux fonctions, pour f g, coupe par coupe : [D g (f,b r )] λ = D gλ (f λ,b r ) (avec f λ = {x, f(x) λ}) Cas discret : D g (f,b r ) = [D(f,B 1 ) g] r E g (f,b r ) = [E(f,B 1 ) g] r Reconstruction numérique de f (fonction de marquage) dans g : par dilatation Dg (f,b ) = D g (f) : ouverture par érosion Eg (f,b ) : fermeture ouverture par reconstruction : D f (f B ) (zones plates dont les contours sont certains contours de l image originale compression) Morphologie mathématique III p.7/38

12 Reconstruction numérique : exemple Morphologie mathématique III p.8/38

13 Reconstruction numérique : exemple Morphologie mathématique III p.8/38

14 Reconstruction numérique : exemple Morphologie mathématique III p.8/38

15 Reconstruction numérique : exemple Morphologie mathématique III p.8/38

16 Ouverture par reconstruction : exemples Morphologie mathématique III p.9/38

17 Ouverture par reconstruction : exemples Réunion d ouvertures par des segments de longueur 20 et reconstruction Morphologie mathématique III p.9/38

18 Application au filtrage alterné séquentiel Morphologie mathématique III p.10/38

19 Application au filtrage alterné séquentiel FAS par un hexagone (taille maximale = 1) Morphologie mathématique III p.10/38

20 Application au filtrage alterné séquentiel FAS par un hexagone (taille maximale = 3) Morphologie mathématique III p.10/38

21 Application au filtrage alterné séquentiel FAS par un hexagone (taille maximale = 5) Morphologie mathématique III p.10/38

22 Application au filtrage alterné séquentiel FAS par un hexagone (taille maximale = 9) Morphologie mathématique III p.10/38

23 Application au filtrage alterné séquentiel FAS par des segments (taille maximale = 1) Morphologie mathématique III p.10/38

24 Application au filtrage alterné séquentiel FAS par des segments (taille maximale = 3) Morphologie mathématique III p.10/38

25 Application au filtrage alterné séquentiel FAS par des segments (taille maximale = 5) Morphologie mathématique III p.10/38

26 Application au filtrage alterné séquentiel FAS par des segments (taille maximale = 9) Morphologie mathématique III p.10/38

27 Un autre exemple Morphologie mathématique III p.11/38

28 Un autre exemple FAS par un hexagone (taille maximale = 1) Morphologie mathématique III p.11/38

29 Un autre exemple FAS par un hexagone (taille maximale = 3) Morphologie mathématique III p.11/38

30 Un autre exemple FAS par un hexagone (taille maximale = 5) Morphologie mathématique III p.11/38

31 Un autre exemple FAS par des segments (taille maximale = 1) Morphologie mathématique III p.11/38

32 Un autre exemple FAS par des segments (taille maximale = 3) Morphologie mathématique III p.11/38

33 Un autre exemple FAS par des segments (taille maximale = 5) Morphologie mathématique III p.11/38

34 Maxima régionaux X maximum régional de f si x X,f(x) = λ et X = CC(f λ ) Calcul des maxima régionaux : f D f (f 1) h-maxima (dynamique des niveaux de gris) : f D f (f h) maxima robustes Morphologie mathématique III p.12/38

35 Maxima régionaux : exemple Morphologie mathématique III p.13/38

36 Maxima robustes : exemple Morphologie mathématique III p.14/38

37 Minima régionaux : exemple Morphologie mathématique III p.15/38

38 Squelette par zones d influence X = i X i Zone d influence de X i dans X C : Squelette par zone d influence : ZI(X i ) = {x X C / d(x,x i ) < d(x,x \X i )} Skiz(X) = ( i ZI(X i )) C = diagramme de Voronoï généralisé Propriétés : Skiz(X) squelette(x C ) (cf cours sur le squelette) le Skiz peut être non connexe (même si X C l est) Morphologie mathématique III p.16/38

39 Squelette par zones d influence : exemples Morphologie mathématique III p.17/38

40 Squelette par zones d influence : exemples Morphologie mathématique III p.17/38

41 Squelette géodésique par zones d influence Y = i Y i Zone d influence géodésique de Y i conditionnellement à X : ZI X (Y i ) = {x X,d X (x,y i ) < d X (x,y \Y i )} Squelette géodésique par zone d influence : SKIZ X (Y) = X \ i ZI X (Y i ) SKIZ(Y) SKIZ X(Y) Y 1 Y 1 Y 2 Y 2 X Morphologie mathématique III p.18/38

42 Une première application simple... Morphologie mathématique III p.19/38

43 Une première application simple... Seuillage : Morphologie mathématique III p.19/38

44 Une première application simple... Erosion : Morphologie mathématique III p.19/38

45 Une première application simple... Reconstruction : comptage des dés blancs et des points noirs sur chaque dé Morphologie mathématique III p.19/38

46 Une première application simple... Image seuillée reconstruction des dés blancs puis petite ouverture Morphologie mathématique III p.19/38

47 Une première application simple... Grande fermeture (15) - SKIZ Morphologie mathématique III p.19/38

48 Une première application simple... Séparation (et logique) et étiquetage Morphologie mathématique III p.19/38

49 Parcellisation du cortex (thèse d Arnaud Cachia) Morphologie mathématique III p.20/38

50 Parcellisation du cortex (thèse d Arnaud Cachia) Morphologie mathématique III p.20/38

51 Filtres connectés Objectif : simplifier l image Filtre morphologique qui préserve les contours est indépendant du contraste agit sur les composantes connexes Premier exemple : ouvertures surfaciques Morphologie mathématique III p.21/38

52 Filtres connectés Morphologie mathématique III p.21/38

53 Filtres connectés sur des images à niveaux de gris Opérations croissantes Application coupe par coupe T h (f) = {x f(x) h} (γ A (f))(x) = sup{h x Γ A (T h (f))} Ouverture surfacique Fermeture surfacique Morphologie mathématique III p.22/38

54 Représentation par arbres Morphologie mathématique III p.23/38

55 Représentation par arbres Morphologie mathématique III p.23/38

56 Ouverture par attribut Morphologie mathématique III p.24/38

57 Exemples d application Filtrage en fonction de l élongation (Meijster, 2002) : Morphologie mathématique III p.25/38

58 Exemples d application Critère entropique (Salembier, 1998) : Morphologie mathématique III p.25/38

59 Exemples d application Analyse du mouvement (Salembier, 1998) : Morphologie mathématique III p.25/38

60 Exemples d application Compression (Salembier, 2000) : Morphologie mathématique III p.25/38

61 Arbre des formes : vers l auto-dualité Morphologie mathématique III p.26/38

62 Arbre des formes : vers l auto-dualité Morphologie mathématique III p.26/38

63 Transformation en tout ou rien Elément structurant : T = (T 1,T 2 ), avec T 1 T 2 = HMT : X T = E(X,T 1 ) E(X C,T 2 ) Morphologie mathématique III p.27/38

64 Transformation en tout ou rien Elément structurant : T = (T 1,T 2 ), avec T 1 T 2 = HMT : X T = E(X,T 1 ) E(X C,T 2 ) Amincissement (si O T 1 ) : X T = X \X T Epaississement (si O T 2 ) : X T = X X T Pour T = (T 2,T 1 ) : X T = (X C T ) C Morphologie mathématique III p.27/38

65 Transformation en tout ou rien : exemples Morphologie mathématique III p.28/38

66 Transformation en tout ou rien : exemples Morphologie mathématique III p.28/38

67 Squelette : exigences représentation compacte des objets lignes minces inclus et centré dans l objet homotope à l objet bonne représentation de la géométrie inversible (reconstruction de l objet initial) Morphologie mathématique III p.29/38

68 Squelette : cas continu A : ensemble ouvert s ρ (A) = ensemble des centres des boules maximales de A de rayon ρ Squelette : r(a) = ρ>0s ρ (A) Caractérisation : s ρ (A) = µ>0[e(a,b ρ )\[E(A,B ρ )] Bµ ] r(a) = ρ>0 [E(A,B ρ )\[E(A,B ρ )] Bµ ] µ>0 Reconstruction : A = ρ>0d(s ρ,b ρ ) Morphologie mathématique III p.30/38

69 Propriétés du squelette continu sρ (E ρ0 (A)) = s ρ+ρ0 (A) r(e ρ0 (A)) = ρ>ρ0 s ρ (A) pas de formule générale pour le squelette d un dilaté, ouvert ou fermé A r(a) est s.c.i. de G dans F A connexe r(a) connexe le squelette est «fin» : son intérieur est vide Morphologie mathématique III p.31/38

70 Squelette : cas discret Transposition directe du cas continu : S(X) = n N[E(X,B n )\E(X,B n ) B ] Propriétés : centres de boules maximales discrètes reconstuction mais pas de bonnes propriétés de connexité Morphologie mathématique III p.32/38

71 Squelette : cas discret Transposition directe du cas continu : S(X) = n N[E(X,B n )\E(X,B n ) B ] Propriétés : centres de boules maximales discrètes reconstuction mais pas de bonnes propriétés de connexité Squelette par amincissement homotopique Propriétés : topologie parfaite pas de possibilité de reconstruction Morphologie mathématique III p.32/38

72 Centres des boules maximales vs amincissement Morphologie mathématique III p.33/38

73 Centres des boules maximales vs amincissement Morphologie mathématique III p.33/38

74 Centres des boules maximales vs amincissement Morphologie mathématique III p.33/38

75 Centres des boules maximales vs amincissement Morphologie mathématique III p.33/38

76 Centres des boules maximales vs amincissement Morphologie mathématique III p.33/38

77 Squelette et squelette par zones d influence Skiz(X) r(x C ) Morphologie mathématique III p.34/38

78 Squelette et squelette par zones d influence Skiz(X) r(x C ) Morphologie mathématique III p.34/38

79 Application en imagerie cérébrale (thèse de Jean-François Mangin) Morphologie mathématique III p.35/38

80 Application en imagerie cérébrale (thèse de Jean-François Mangin) Morphologie mathématique III p.35/38

81 Application en imagerie cérébrale (thèse de Jean-François Mangin) Morphologie mathématique III p.35/38

82 Application en imagerie cérébrale (thèse de Jean-François Mangin) Morphologie mathématique III p.35/38

83 Application en imagerie cérébrale (thèse de Jean-François Mangin) Morphologie mathématique III p.35/38

84 Application en imagerie cérébrale (thèse de Jean-François Mangin) Morphologie mathématique III p.35/38

85 Application en imagerie cérébrale (thèse de Jean-François Mangin) Morphologie mathématique III p.35/38

86 Filtrage et segmentation topologiques Source : G. Bertrand, M. Couprie (2007) Morphologie mathématique III p.36/38

87 Filtrage et segmentation topologiques Morphologie mathématique III p.36/38

88 Filtrage et segmentation topologiques Morphologie mathématique III p.36/38 Source : G. Bertrand, M. Couprie (2007)

89 Application : amincissement Source : G. Malandain (2007) Morphologie mathématique III p.37/38

90 Application : amincissement Source : G. Malandain (2007) Morphologie mathématique III p.37/38

91 Fonction de propagation T X (x) = sup d X (x,y) y X Applications : extrémités : maxima régionaux de TX ( Fr(X) si X simplement connexe) centre : min(tx ) (unique si X simplement connexe) calcul de la courbe de plus grande longueur du squelette Morphologie mathématique III p.38/38

Master IMA - UMPC Paris 6 RDMM - Année 2009-2010 Fiche de TP

Master 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 détail

Chapitre VI. Connexions et fonctions numériques

Chapitre VI. Connexions et fonctions numériques Chapitre VI Connexions et fonctions numériques Concepts : -> Extension aux fonctions -> Opérateurs connexes -> Géodésie numérique -> Nivellements et auto-dualité Applications : -> Etude des extrema ->

Plus en détail

3 Approximation de solutions d équations

3 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 détail

Traitement bas-niveau

Traitement bas-niveau Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.

Plus en détail

Capacité 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 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 détail

Analyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains

Analyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains Analyse Sémantique de Nuages de Points 3D et d Images dans les Milieux Urbains Andrés Felipe SERNA MORALES Directrice de thèse: Beatriz MARCOTEGUI ITURMENDI serna@cmm.ensmp.fr MINES ParisTech, Mathématiques

Plus en détail

Résolution d équations non linéaires

Résolution 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 détail

Projet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo

Projet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo Projet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo Dans ce projet, nous allons réaliser le code qui permet d'insérer sur une image, un logo sur un

Plus en détail

Différentiabilité ; Fonctions de plusieurs variables réelles

Différentiabilité ; Fonctions de plusieurs variables réelles Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2

Plus en détail

Axe " Génie des Procédés", centre SPIN, Ecole des Mines de Saint-Etienne ECOLE DES MINES SAINT-ETIENNE ANALYSE D IMAGE

Axe  Génie des Procédés, centre SPIN, Ecole des Mines de Saint-Etienne ECOLE DES MINES SAINT-ETIENNE ANALYSE D IMAGE ANALYSE D IMAGE 1. PRESENTATION DE L ANALYSE D IMAGE. 4 1.1. OJECTIF ET BUT DE L ANALYSE D IMAGE 4 1.2. PRINCIPE 4 1.2.1. FORMATION DE L IMAGE NUMERIQUE 4 1.2.2. TRANSFORMATION DE L IMAGE NUMERIQUE EN

Plus en détail

Continuité d une fonction de plusieurs variables

Continuité d une fonction de plusieurs variables Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs

Plus en détail

Cours3. Applications continues et homéomorphismes. 1 Rappel sur les images réciproques

Cours3. Applications continues et homéomorphismes. 1 Rappel sur les images réciproques Université de Provence Topologie 2 Cours3. Applications continues et homéomorphismes 1 Rappel sur les images réciproques Soit une application f d un ensemble X vers un ensemble Y et soit une partie P de

Plus en détail

Géométrie discrète Chapitre V

Géométrie discrète Chapitre V Géométrie discrète Chapitre V Introduction au traitement d'images Géométrie euclidienne : espace continu Géométrie discrète (GD) : espace discrétisé notamment en grille de pixels GD définition des objets

Plus en détail

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer

Plus en détail

Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre

Fonctions 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 détail

M2R IMA UE CONF Présentation

M2R IMA UE CONF Présentation M2R IMA UE CONF Présentation L objectif de l UE «Conférences» est de : 1. Présenter des applications du traitement d images dans divers domaines industriels ou académiques. 2. Apporter des compléments

Plus en détail

Cours Fonctions de deux variables

Cours Fonctions de deux variables Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté

Plus en détail

Introduction au Data-Mining

Introduction au Data-Mining Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme

Plus en détail

Projet de Traitement du Signal Segmentation d images SAR

Projet 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 détail

Amphi 3: Espaces complets - Applications linéaires continues

Amphi 3: Espaces complets - Applications linéaires continues Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite

Plus en détail

Utilisation du logiciel ImageJ gratuit

Utilisation du logiciel ImageJ gratuit Utilisation du logiciel ImageJ gratuit on peut récupérer sur le lien suivant : http://rsbweb.nih.gov/ij/ à partir duquel ce résumé très bref (!!) a été élaboré Lancer ImageJ Vous avez une fenêtre qui s'ouvre

Plus en détail

Les algorithmes de base du graphisme

Les algorithmes de base du graphisme Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............

Plus en détail

Fonctions de plusieurs variables

Fonctions 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 détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les

Plus en détail

8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2

8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2 Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R

Plus en détail

Coup de Projecteur sur les Réseaux de Neurones

Coup de Projecteur sur les Réseaux de Neurones Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche

Plus en détail

Image d un intervalle par une fonction continue

Image d un intervalle par une fonction continue DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction

Plus en détail

Cours d Analyse 3 Fonctions de plusieurs variables

Cours d Analyse 3 Fonctions de plusieurs variables Université Claude Bernard, Lyon I Licence Sciences, Technologies & Santé 43, boulevard 11 novembre 1918 Spécialité Mathématiques 69622 Villeurbanne cedex, France L. Pujo-Menjouet pujo@math.univ-lyon1.fr

Plus en détail

Exercices - Fonctions de plusieurs variables : corrigé. Pour commencer

Exercices - 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 détail

Théorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France

Théorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes

Plus en détail

On ne peut pas entendre la forme d un tambour

On ne peut pas entendre la forme d un tambour On ne peut pas entendre la forme d un tambour Pierre Bérard Institut Fourier Laboratoire de Mathématiques Unité Mixte de Recherche 5582 CNRS UJF Université Joseph Fourier, Grenoble 1 Introduction 1.1 Position

Plus en détail

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois

Plus en détail

Systèmes de communications numériques 2

Systèmes de communications numériques 2 Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes CNRS SUPÉLEC UPS SUPÉLEC, Plateau de Moulon, 91192 Gif-sur-Yvette ciuciu@lss.supelec.fr Université

Plus en détail

CNAM UE MVA 210 Ph. Durand Algèbre et analyse tensorielle Cours 4: Calcul dierentiel 2

CNAM UE MVA 210 Ph. Durand Algèbre et analyse tensorielle Cours 4: Calcul dierentiel 2 CNAM UE MVA 210 Ph. Duran Algèbre et analyse tensorielle Cours 4: Calcul ierentiel 2 Jeui 26 octobre 2006 1 Formes iérentielles e egrés 1 Dès l'introuction es bases u calcul iérentiel, nous avons mis en

Plus en détail

Théorèmes du Point Fixe et Applications aux Equations Diérentielles

Théorèmes du Point Fixe et Applications aux Equations Diérentielles Université de Nice-Sophia Antipolis Mémoire de Master 1 de Mathématiques Année 2006-2007 Théorèmes du Point Fixe et Applications aux Equations Diérentielles Auteurs : Clémence MINAZZO - Kelsey RIDER Responsable

Plus en détail

Groupoïdes quantiques mesurés : axiomatique, étude, dualité, exemples

Groupoïdes quantiques mesurés : axiomatique, étude, dualité, exemples Groupoïdes quantiques mesurés : axiomatique, étude, dualité, exemples Franck LESIEUR Mathématiques et Applications, Physique Mathématique d Orléans UMR 6628 - BP 6759 45067 ORLEANS CEDEX 2 - FRANCE e-mail

Plus en détail

CARTE DE VOEUX À L ASSOCIAEDRE

CARTE DE VOEUX À L ASSOCIAEDRE CARTE DE VOEUX À L ASSOCIAEDRE JEAN-LOUIS LODAY Il y a cinq ans le Centre International de Rencontres Mathématiques de Luminy a envoyé ses voeux avec la carte ci-dessus. L illustration choisie par Robert

Plus en détail

Calcul différentiel. Chapitre 1. 1.1 Différentiabilité

Calcul différentiel. Chapitre 1. 1.1 Différentiabilité Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace

Plus en détail

I. Polynômes de Tchebychev

I. Polynômes de Tchebychev Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire

Plus en détail

Calcul fonctionnel holomorphe dans les algèbres de Banach

Calcul fonctionnel holomorphe dans les algèbres de Banach Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte

Plus en détail

Correction du bac blanc CFE Mercatique

Correction du bac blanc CFE Mercatique Correction du bac blanc CFE Mercatique Exercice 1 (4,5 points) Le tableau suivant donne l évolution du nombre de bénéficiaires de minima sociaux en milliers : Année 2002 2003 2004 2005 2006 2007 2008 2009

Plus en détail

C1 : Fonctions de plusieurs variables

C1 : Fonctions de plusieurs variables 1er semestre 2012/13 CPUMP 3 U 11 : Abrégé de cours Compléments Analyse 3 : fonctions analytiques Les notes suivantes, disponibles à l adresse http://www.iecn.u-nancy.fr/~bertram/, contiennent les définitions

Plus en détail

M2 IAD UE MODE Notes de cours (3)

M2 IAD UE MODE Notes de cours (3) M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de

Plus en détail

Quantification Scalaire et Prédictive

Quantification 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 détail

Intégrale de Lebesgue

Intégrale de Lebesgue Intégrale de Lebesgue L3 Mathématiques Jean-Christophe Breton Université de Rennes 1 Septembre Décembre 2014 version du 2/12/14 Table des matières 1 Tribus (σ-algèbres) et mesures 1 1.1 Rappels ensemblistes..............................

Plus en détail

Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples

Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples 45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et

Plus en détail

Laboratoire d informatique Gaspard-Monge UMR 8049. Journée Labex Bézout- ANSES

Laboratoire d informatique Gaspard-Monge UMR 8049. Journée Labex Bézout- ANSES Laboratoire d informatique Gaspard-Monge UMR 8049 Journée Labex Bézout- ANSES Présentation du laboratoire 150 membres, 71 chercheurs et enseignants-chercheurs, 60 doctorants 4 tutelles : CNRS, École des

Plus en détail

INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE

INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE INTRODUCTION A L ELECTRONIQUE NUMERIQUE ECHANTILLONNAGE ET QUANTIFICATION I. ARCHITECTURE DE L ELECRONIQUE NUMERIQUE Le schéma synoptique ci-dessous décrit les différentes étapes du traitement numérique

Plus en détail

Polynômes à plusieurs variables. Résultant

Polynômes 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 détail

Bases de données Cours 5 : Base de données déductives

Bases de données Cours 5 : Base de données déductives Cours 5 : ESIL Université de la méditerranée Odile.Papini@esil.univmed.fr http://odile.papini.perso.esil.univmed.fr/sources/bd.html Plan du cours 1 Introduction 2 approche sémantique approche axiomatique

Plus en détail

Calcul Différentiel. I Fonctions différentiables 3

Calcul Différentiel. I Fonctions différentiables 3 Université de la Méditerranée Faculté des Sciences de Luminy Licence de Mathématiques, Semestre 5, année 2008-2009 Calcul Différentiel Support du cours de Glenn Merlet 1, version du 6 octobre 2008. Remarques

Plus en détail

Programmation Par Contraintes

Programmation Par Contraintes Programmation Par Contraintes Cours 2 - Arc-Consistance et autres amusettes David Savourey CNRS, École Polytechnique Séance 2 inspiré des cours de Philippe Baptiste, Ruslan Sadykov et de la thèse d Hadrien

Plus en détail

OM 1 Outils mathématiques : fonction de plusieurs variables

OM 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 détail

3. Conditionnement P (B)

3. 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 détail

Sanity Check. bgcolor mgcolor fgcolor

Sanity Check. bgcolor mgcolor fgcolor Sanity Check bgcolor mgcolor fgcolor 0 1 2 3 4 5 6 7 8 9 10 Compilation pour cibles hétérogènes: automatisation des analyses, transformations et décisions nécessaires, François Irigoin et Ronan Keryell

Plus en détail

Géométrie Algorithmique Plan du cours

Géométrie Algorithmique Plan du cours Plan du cours Introduction Triangulation de polygones Recherche/localisation Diagrammes de Voronoï Triangulation de Delaunay Arbres de partition binaire 1 Intersection de segments de droite Intersection

Plus en détail

Master de Recherche première année. Programme de cours 2008-2011

Master de Recherche première année. Programme de cours 2008-2011 Master de Recherche première année Mention : Mathématiques et Applications Spécialité : Mathématiques fondamentales et appliquées Responsable : Xue Ping WANG Programme de cours 2008-2011 Module M1 : Analyse

Plus en détail

Objectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique

Objectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55

Plus en détail

Extraction et reconstruction de bâtiments en 3D à partir de relevés lidar aéroportés

Extraction et reconstruction de bâtiments en 3D à partir de relevés lidar aéroportés Thèse présentée pour obtenir le grade de Docteur de l Université Louis Pasteur Strasbourg I Discipline : Sciences pour l Ingénieur Spécialité : Topographie-Géomatique Par : Fayez TARSHA KURDI Extraction

Plus en détail

Statistiques Descriptives à une dimension

Statistiques Descriptives à une dimension I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des

Plus en détail

Correction du baccalauréat S Liban juin 2007

Correction du baccalauréat S Liban juin 2007 Correction du baccalauréat S Liban juin 07 Exercice. a. Signe de lnx lnx) : on fait un tableau de signes : x 0 e + ln x 0 + + lnx + + 0 lnx lnx) 0 + 0 b. On afx) gx) lnx lnx) lnx lnx). On déduit du tableau

Plus en détail

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48

Méthodes 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 détail

Présentation du Master Ingénierie Informatique et du Master Science Informatique 2007-2008, Année 2 Université Paris-Est Marne-la-Vallée

Présentation du Master Ingénierie Informatique et du Master Science Informatique 2007-2008, Année 2 Université Paris-Est Marne-la-Vallée Présentation du Master Ingénierie Informatique et du Master Science Informatique 2007-2008, Année 2 Université Paris-Est Marne-la-Vallée Responsable du Master Informatique : Marc Zipstein Responsable de

Plus en détail

L apprentissage automatique

L apprentissage automatique L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer

Plus en détail

Introduction au datamining

Introduction au datamining Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des

Plus en détail

Pourquoi l apprentissage?

Pourquoi l apprentissage? Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage

Plus en détail

Fête de la science Initiation au traitement des images

Fête de la science Initiation au traitement des images Fête de la science Initiation au traitement des images Détection automatique de plaques minéralogiques à partir d'un téléphone portable et atelier propose de créer un programme informatique pour un téléphone

Plus en détail

Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT

Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,

Plus en détail

FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)

FONCTIONS 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 détail

Examen optimisation Centrale Marseille (2008) et SupGalilee (2008)

Examen optimisation Centrale Marseille (2008) et SupGalilee (2008) Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut

Plus en détail

Ma banque, mes emprunts et mes intérêts

Ma banque, mes emprunts et mes intérêts Ma banque, mes emprunts et mes intérêts Alexandre Vial 0 janvier 2009 Les intérêts cumulés Je place 00 e à 4% par an pendant un an. Donc au bout d un an, j ai 00 + 00. 4 = 00 00( + 4 ) =04 e. 00 Cependant,

Plus en détail

MATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA

MATHS 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 détail

Structures algébriques

Structures algébriques Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe

Plus en détail

Programmation linéaire

Programmation 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 détail

CHAPITRE 10. Jacobien, changement de coordonnées.

CHAPITRE 10. Jacobien, changement de coordonnées. CHAPITRE 10 Jacobien, changement de coordonnées ans ce chapitre, nous allons premièrement rappeler la définition du déterminant d une matrice Nous nous limiterons au cas des matrices d ordre 2 2et3 3,

Plus en détail

W 12-2 : haute performance et savoir-faire compact

W 12-2 : haute performance et savoir-faire compact Barrières W - Détecteurs réflex, élimination de premier plan EPP Détecteurs réflex, élimination d arrière-plan EAP W - : haute performance et savoir-faire compact Détecteurs réflex énergétiques fibres

Plus en détail

Intégration et probabilités TD1 Espaces mesurés Corrigé

Intégration et probabilités TD1 Espaces mesurés Corrigé Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.

Plus en détail

Compte rendu des TP matlab

Compte rendu des TP matlab Compte rendu des TP matlab Krell Stella, Minjeaud Sebastian 18 décembre 006 1 TP1, Discrétisation de problèmes elliptiques linéaires 1d Soient > 0, a R, b 0, c, d R et f C([0, 1], R). On cerce à approcer

Plus en détail

Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR

Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR Mickaël Bergem 25 juin 2014 Maillages et applications 1 Table des matières Introduction 3 1 La modélisation numérique de milieux urbains

Plus en détail

FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)

FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) 87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation

Plus en détail

Dualité dans les espaces de Lebesgue et mesures de Radon finies

Dualité dans les espaces de Lebesgue et mesures de Radon finies Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention

Plus en détail

Enoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé.

Enoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé. Enoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé. I- ACTIVITES NUMERIQUES (12 points) Exercice 1 (3 points) On considère

Plus en détail

Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007

Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007 Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................

Plus en détail

MODELES DE DUREE DE VIE

MODELES 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 détail

Commun à tous les candidats

Commun à tous les candidats EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle

Plus en détail

AOT 13. et Application au Contrôle Géométrique

AOT 13. et Application au Contrôle Géométrique AOT 13 Géométrie Différentielle et Application au Contrôle Géométrique Frédéric Jean Notes de cours Édition 2011/2012 ii Table des matières 1 Variétés différentiables 1 1.1 Variétés différentiables............................

Plus en détail

Programme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique

Programme scientifique Majeure INTELLIGENCE NUMERIQUE. Mentions Image et Réalité Virtuelle Intelligence Artificielle et Robotique É C O L E D I N G É N I E U R D E S T E C H N O L O G I E S D E L I N F O R M A T I O N E T D E L A C O M M U N I C A T I O N Programme scientifique Majeure INTELLIGENCE NUMERIQUE Langage Java Mentions

Plus en détail

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. 1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le

Plus en détail

I. Cas de l équiprobabilité

I. Cas de l équiprobabilité I. Cas de l équiprobabilité Enoncé : On lance deux dés. L un est noir et l autre est blanc. Calculer les probabilités suivantes : A «Obtenir exactement un as» «Obtenir au moins un as» C «Obtenir au plus

Plus en détail

Valeur ajoutée relative basée sur les comparaisons indirectes Giens 2008, TR 5

Valeur ajoutée relative basée sur les comparaisons indirectes Giens 2008, TR 5 Valeur ajoutée relative basée sur les comparaisons indirectes Giens 2008, TR 5 Claire Le Jeunne Bertrand Xerri Cécile Rey-Coquais Jean-Michel Joubert Jean Delonca Martine Pigeon Michel Lièvre Patricia

Plus en détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. 14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,

Plus en détail

Optimisation des fonctions de plusieurs variables

Optimisation 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 détail

Capes 2002 - Première épreuve

Capes 2002 - Première épreuve Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série

Plus en détail

Yamina Yagoub-Zidi. Inconditionnalité et propriétés du point fixe dans les espaces de fonctions lisses

Yamina Yagoub-Zidi. Inconditionnalité et propriétés du point fixe dans les espaces de fonctions lisses MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE MOULOUD MAMMERI, TIZI-OUZOU FACULTE DES SCIENCES DEPARTEMENT DE MATHEMATIQUES THESE DE DOCTORAT SPECIALITE : MATHEMATIQUES

Plus en détail

1 Définition et premières propriétés des congruences

1 Définition et premières propriétés des congruences Université Paris 13, Institut Galilée Département de Mathématiques Licence 2ème année Informatique 2013-2014 Cours de Mathématiques pour l Informatique Des nombres aux structures Sylviane R. Schwer Leçon

Plus en détail

Comment aborder en pédagogie l aspect «système» d une chaîne télécom?

Comment aborder en pédagogie l aspect «système» d une chaîne télécom? Comment aborder en pédagogie l aspect «système» d une chaîne télécom? Introduction : Guillaume Ducournau, Christophe Gaquière, Thierry Flamen guillaume.ducournau@polytech-lille.fr Plate-forme PolyCOM,

Plus en détail

Exercices sur le chapitre «Probabilités»

Exercices 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 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

Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel

Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel Recherche d'images par le contenu Application au monitoring Télévisuel à l'institut national de l'audiovisuel Alexis Joly alexis.joly@inria.fr INRIA - IMEDIA Alexis Joly cours monitoring p. 1 Plan de l'exposé

Plus en détail

Calcul intégral élémentaire en plusieurs variables

Calcul intégral élémentaire en plusieurs variables Calcul intégral élémentaire en plusieurs variables PC*2 2 septembre 2009 Avant-propos À part le théorème de Fubini qui sera démontré dans le cours sur les intégrales à paramètres et qui ne semble pas explicitement

Plus en détail