Statistiques et inférence topologique : de nouvelles méthodes pour l analyse des données

Dimension: px
Commencer à balayer dès la page:

Download "Statistiques et inférence topologique : de nouvelles méthodes pour l analyse des données"

Transcription

1 Mathématiques en mouvement 2014 Statistiques et inférence topologique : de nouvelles méthodes pour l analyse des données Bertrand MICHEL (LSTA - Upmc & INRIA Saclay équipe GEOMETRICA )

2 Introduction Beaucoup de données disponibles peuvent être représentées par des nuages de points dans des espaces possiblement de grandes dimensions : données web, images databases, données astronomiques... Besoin de comprendre la structure géométrique de ces nuages (par exemple avant modélisation plus fine) Ces nuages de points sont souvent localisés à proximité de sous-variétés de dimensions beaucoup plus faibles. Comment décrire de façon simple l organisation des données dans l espace?

3 Contexte général Nuage de points (X 1,..., X n ) échantillonés dans R d sur une forme géométrique inconnue, proche d une forme géométrique inconnue, dans une zone non néssairement associée à un objet physique Des données échantillonées dans un espace métrique plus complexe.

4 Des méthodes statistiques pour la géométrie Analyse géométrique des données / réduction de dimension : Analyse en composantes principales Projection sur l espace engendré par les premieres directions propres de la matrice de covariance C = 1 N N (x n x)(x n x) T n=1

5 Des méthodes statistiques pour la géométrie Analyse géométrique des données / réduction de dimension : Analyse en composantes principales, Dimension : = N = 698 observations 3 paramètres libres : - orientation gauche-droite, - orientation bas-haut, - exposition.

6 Des méthodes statistiques pour la géométrie Analyse géométrique des données / réduction de dimension : Analyse en composantes principales Courbes principales, path density estimation...

7 Des méthodes statistiques pour la géométrie Analyse géométrique des données / réduction de dimension : Analyse en composantes principales Courbes principales, path density estimation... ISOMAP : Estimation de la géométrie des sous-variétés M ISOMAP Algorithme : 1. Construire un graphe de proximité G entre les points pour approcher la distance géodésique sur M. 2. Construire la matrice des distances géodésique D G = (d 2 G (x i, x j )). 3. Appliquer une méthode de réduction de dimension (Multidimensional Scaling, dans l esprit de l ACP) pour cette métrique.

8 Des méthodes statistiques pour la géométrie Analyse géométrique des données / réduction de dimension : Analyse en composantes principales Courbes principales, path density estimation... ISOMAP : Estimation de la géométrie des sous-variétés Estimation d ensembles (support,niveaux, bords...) X 1,..., X n i.i.d. de loi P, support de P? estimateur de l enveloppe convexe : Ŝ = Conv(X 1,..., X n ) C Devroye and Wise estimator (1980) : Ŝ n = n i=1b(x i, ε n ) with nε d n.

9 Analyse topologique des données Objectif : estimer des signatures topologiques à partir des données. Les défis à relever : constructions géométriques construites à partir des nuages de points permettant d estimer des signatures topologiques ; des propriétes topologiques observables à plusieurs échelles (propriétés persistantes) ; des garanties statistiques sur les méthodes.

10 Homologie L homologie d un espace S est une collection de groupes qui correspondent aux caractéristiques topologiques de S. L homologie permet de définir et de classer de façon rigoureuse les trous, les cavités, dans une forme géométrique. Le groupe d homologie est une collection de classes d equivalence de cycles définis sur l objet : le premier groupe d homologie correspond aux composantes connexes (clusters). Le second groupe d homologie correspond aux boucles etc... Le nombre de Betti β k est égal au rank du k-ème groupe d homologie = nombre de trous de dimension k.

11 Complexes simplicaux Soient v 0, v 1,..., v k R d affinement indépendants. σ = [v 0 ; v 1,... ; v k ] est un k-simplexe. Un simplexe construit sur un sous-ensemble des sommets v 0, v 1,..., v k est une face de σ. Un complexe simplicial C est une union finie de simplexes telle que pour tout σ C, toutes les faces de σ sont aussi dans C, l intersection de deux simplexes de C est soit vide, soit un simplexe qui correspond alors à leur face commune de plus grande dimension.

12 Exemples β 0 = 2 β 1 = 0 β 2 = 0 β 0 = 1 β 1 = 0 β 2 = 0 β 0 = 1 β 1 = 0 β 2 = 1 si vide and β 2 = 0 si plein β 3 = 0

13 Exemples β 0 = 2 β 1 = 2 β 2 = 1 si vide and β 2 = 0 si plein β 3 = 0

14 Filtrations de complexes simpliciaux Rips Čech Examples : Soit (X, d X ) un espace métrique Complexes de Vietoris-Rips : pour tout a > 0, [x 0, x 1,, x k ] Rips(X, a) d X (x i, x j ) a, pour tous i, j where B(x, a) = {x X : d X (x, x ) a}. Complexes de Čech : for a > 0, [x 0, x 1,..., x k ] Čech(X, a) k i=0 B(x i, a).

15 Homologie persistante

16 Homologie persistante

17 Homologie persistante

18 Homologie persistante

19 Homologie persistante

20 Homologie persistante

21 Homologie persistante

22 Homologie persistante

23 Homologie persistante

24 Homologie persistante

25 Homologie persistante

26 Homologie persistante

27 Homologie persistante

28 Homologie persistante death Méthode introduite par Edelsbrunner et al Une façon efficace d encoder l evolution de la topologie (homologie) d une flitration. Information multi-échellle. Add the diagonal Multiplicity : 2 0 birth Diagramme de persistance

29 En résumé Données Fiiltration dimensional homology generators 1-dimensional homology generators

30 Un exemple : deux cercles

31 Comparaison de diagrammes camel cat elephant face head horse

32 accéléromètre porté par trois marcheurs : Fred, Fabrizio et Bertrand Walking Experiment

33 accéléromètre porté par trois marcheurs : Fred, Fabrizio et Bertrand Walking Experiment

34 accéléromètre porté par trois marcheurs : Fred, Fabrizio et Bertrand Walking Experiment

35 accéléromètre porté par trois marcheurs : Fred, Fabrizio et Bertrand Walking Experiment

36 accéléromètre porté par trois marcheurs : Fred, Fabrizio et Bertrand Walking Experiment

37 accéléromètre porté par trois marcheurs : Fred, Fabrizio et Bertrand Walking Experiment

38 Remark : Confidence intervals only depending on a and b (see also [Balakrishnan et al 2013] when X µ is a smooth manifold). Concentration inequality (M, ρ, µ) X µ compact X 1, X 2,, X n i.i.d. sampled according to µ. X n Filt( X n ) For a, b > 0, µ satisfies the (a, b)-standard assumption if for any x X µ and any r > 0, we have µ(b(x, r)) min(ar b, 1). Theorem : If µ satisfies the (a, b)-standard assumption, then for any ε > 0 : ( ) P (d b dgm(filt(x µ )), dgm(filt( X n )) ( ) Moreover d b (dgm(filt(x µ )), dgm(filt( X n )) lim P n where C 1 is a constant only depending on a and b. ) > ε min( 8b aε b exp( naεb ), 1). C 1 ( log n n ) 1/b ) = 1.

39 References : F. Chazal, M. Glisse, C. Labruère, B. Michel, Optimal rates of convergence for persistence diagrams in Topological Data Analysis, arxiv : , May S. Balakrishnan, B. Fasy, F. Lecci, A. Rinaldo, A. Singh and L. Wasserman, Statistical Inference For Persistent Homology, J. Dedecker and B. Michel (2013). Minimax rates of convergence for Wasserstein deconvolution with supersmooth errors in any dimension. To appear in JMVA. F. Chazal, V. de Silva, S. Oudot, Persistence Stability for Geometric complexes, arxiv : , July F. Chazal, V. de Silva, M. Glisse, S. Oudot, The Structure and Stability of Persistence Modules, arxiv : , July C. Caillerie, F. Chazal, J. Dedecker and B. Michel (2011). Deconvolution for the Wasserstein metric and geometric inference. EJS, Vol 5, F. Chazal, D. Cohen-Steiner, Q. Mérigot, Geometric Inference for Probability Measures, JOCM, vol. 11, 6, H. Edelsbrunner, D. Letscher and A. Zomorodian. Topological persistence and simplication. Discrete Comput. Geom., 28 : , 2002.

Rétablissement d un réseau cellulaire après un désastre

Rétablissement d un réseau cellulaire après un désastre Rétablissement d un réseau cellulaire après un désastre Anaïs Vergne avec Laurent Decreusefond, Ian Flint, et Philippe Martins Journées MAS 2014 29 août 2014 Rétablissement d un réseau cellulaire après

Plus en détail

Homologie Persistante et application en sécurité informatique

Homologie Persistante et application en sécurité informatique Homologie Persistante et application en sécurité informatique Antoine Mottet Rapport rédigé dans le cadre de l Unité d Enseignement TIPE de l Université Claude Bernard Lyon et encadré par Philippe Malbos.

Plus en détail

PROBABILITES ET STATISTIQUE I&II

PROBABILITES ET STATISTIQUE I&II PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits

Plus en détail

Chapitre 1 : Programmation linéaire

Chapitre 1 : Programmation linéaire Graphes et RO TELECOM Nancy 2A Chapitre 1 : Programmation linéaire J.-F. Scheid 1 I. Introduction 1) Modélisation En Recherche Opérationnelle (RO), modéliser un problème consiste à identifier: les variables

Plus en détail

Théorie des graphes pour l analyse de réseaux d intéractions

Théorie des graphes pour l analyse de réseaux d intéractions Théorie des graphes pour l analyse de réseaux d intéractions Bertrand Jouve Laboratoire ERIC - IXXI - Université Lyon 2 SMAI 2013 Plan 1 Introduction 2 Décomposition en Clans Exemple d étude : modélisation

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

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

Modèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes

Modèle 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 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

Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées.

Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées. Sélection de variables groupées avec les forêts aléatoires. Application à l analyse des données fonctionnelles multivariées. Baptiste Gregorutti 12, Bertrand Michel 2 & Philippe Saint Pierre 2 1 Safety

Plus en détail

Optimisation linéaire

Optimisation linéaire Optimisation linéaire Recherche opérationnelle GC-SIE Algorithme du simplexe Phase I 1 Introduction Algorithme du simplexe : Soit x 0 une solution de base admissible Comment déterminer x 0? Comment déterminer

Plus en détail

Théorie des graphes pour l analyse de réseaux réels

Théorie des graphes pour l analyse de réseaux réels Théorie des graphes pour l analyse de réseaux réels Bertrand Jouve Laboratoire ERIC - IXXI - Université Lyon 2 Plan 1 Entre théorie des graphes et réseaux réels 2 Partitionnement métrique Exemple d étude

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

ProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection

ProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection ProxiLens : Exploration interactive de données multidimensionnelles à partir de leur projection Nicolas HEULOT (CEA LIST) Michaël AUPETIT (CEA LIST) Jean-Daniel FEKETE (INRIA Saclay) Journées Big Data

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage 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 détail

Analyse factorielle des correspondances de Benzécri

Analyse factorielle des correspondances de Benzécri Analyse factorielle des correspondances de Benzécri One Pager Décembre 2013 Vol. 8 Num. 011 Copyright Laréq 2013 http://www.lareq.com Analyse Factorielle des Correspondances de Benzécri Une illustration

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

Naviga&on)de)robots)mobiles)) par)vision)omnidirec&onnelle) )

Naviga&on)de)robots)mobiles)) par)vision)omnidirec&onnelle) ) Naviga&on)de)robots)mobiles)) par)vision)omnidirec&onnelle) ) El)Mustapha)Mouaddib)(mouaddib@u:picardie.fr)) O.)Labbani:Igbida,)P.)Merveilleux)et)R.)Marie) Contexte' Projet'ANR'R.Discover' Travaux'soutenus'par':'

Plus en détail

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

Principe de symétrisation pour la construction d un test adaptatif

Principe 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 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 TP DE DATA MINING Le TP et le projet consisteront à mettre

Plus en détail

1 Topologies, distances, normes

1 Topologies, distances, normes Université Claude Bernard Lyon 1. Licence de mathématiques L3. Topologie Générale 29/1 1 1 Topologies, distances, normes 1.1 Topologie, distances, intérieur et adhérence Exercice 1. Montrer que dans un

Plus en détail

Amphi 2: Suites - Compacité - Connexité

Amphi 2: Suites - Compacité - Connexité Amphi 2: Suites - Compacité - Connexité Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suites Soit (X, d) un espace métrique. Soit x X, et soit (x n ) n N une suite

Plus en détail

Rapport de stage. Olivier ELCHINGER ULP / UFR de Mathe matiques Anne e 2006-2007. INRIA Futurs

Rapport de stage. Olivier ELCHINGER ULP / UFR de Mathe matiques Anne e 2006-2007. INRIA Futurs Olivier ELCHINGER ULP / UFR de Mathe matiques Anne e 2006-2007 INRIA Futurs Parc Orsay Universite 4 rue J. Monod 91893 Orsay Cedex Rapport de stage Introduction a l e chantillonnage de formes par des nuages

Plus en détail

Licence SPI Cinématique et Mécanismes. Introduction à la théorie des mécanismes

Licence SPI Cinématique et Mécanismes. Introduction à la théorie des mécanismes Licence SPI Cinématique et Mécanismes Introduction à la théorie des mécanismes Mobilité, hyperstatisme, singularité Plan Problèmes/Objectifs Quelques exemples Graphe mécanisme Nombre de cyclomatique Analyse

Plus en détail

Séminaire TEST. 1 Présentation du sujet. October 18th, 2013

Séminaire TEST. 1 Présentation du sujet. October 18th, 2013 Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de

Plus en détail

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base

Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base Estimation du Quantile conditionnel par les Réseaux de neurones à fonction radiale de base M.A. Knefati 1 & A. Oulidi 2 & P.Chauvet 1 & M. Delecroix 3 1 LUNAM Université, Université Catholique de l Ouest,

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz

Master Modélisation Statistique M2 Finance - chapitre 1. Gestion optimale de portefeuille, l approche de Markowitz Master Modélisation Statistique M2 Finance - chapitre 1 Gestion optimale de portefeuille, l approche de Markowitz Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté.

Plus en détail

Intégration et probabilités TD1 Espaces mesurés

Intégration et probabilités TD1 Espaces mesurés Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?

Plus en détail

Détection statistique d anomalies en présence de paramètres de nuisance

Détection statistique d anomalies en présence de paramètres de nuisance Détection statistique d anomalies en présence de paramètres de nuisance Lionel Fillatre ENST Bretagne, département Signal & Communication Lionel Fillatre (département SC) Détection d anomalies 1 / 29 Structure

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

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

Champ de Markov couple pour la segmentation d images texturées

Champ de Markov couple pour la segmentation d images texturées Champ de Markov couple pour la segmentation d images texturées Juliette Blanchet INRIA Rhône-Alpes Equipes Mistis et Lear 1 Segmention d images par champ de Markov caché 2 Segmentation de textures 3 Résultats

Plus en détail

Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure

Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure Svetlana Gribkova, Olivier Lopez Laboratoire de Statistique Théorique et Appliquée, Paris 6 4 Mars 2014

Plus en détail

APPRENTISSAGE AUTOMATIQUE. Réduction de dimension

APPRENTISSAGE AUTOMATIQUE. Réduction de dimension APPRENTISSAGE AUTOMATIQUE Réduction de dimension Malédiction de la dimensionalité Beaucoup de méthodes d apprentissage ne passent pas bien à l échelle pour des données de grandes dimensions: c est la malédiction

Plus en détail

L2 MIEE 2012-2013 VAR Université de Rennes 1

L2 MIEE 2012-2013 VAR Université de Rennes 1 . Sous-ensembles de R n et fonctions (suite) 1 Nappes paramétrées Si f une fonction de deux variables, son graphe est une surface incluse dans R 3 : {(x, y, f(x, y)) / (x, y) R 2 }. Une telle surface s

Plus en détail

Table des matières I La programmation linéaire en variables continues 1 Présentation 3 1 Les bases de la programmation linéaire 5 1.1 Formulation d'un problème de programmation linéaire........... 5 1.2

Plus en détail

Package CAPUSHE pour le logiciel R

Package CAPUSHE pour le logiciel R 1 / 44 Package CAPUSHE pour le logiciel R Vincent Brault (1,2) & Jean-Patrick Baudry (3) & Cathy Maugis-Rabusseau (4) & Bertrand Michel (3) 1 Université Paris-Sud 11 2 INRIA Saclay Île de France Projet

Plus en détail

Programmation linéaire

Programmation linéaire Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire

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

Property and Equivalence Testing

Property and Equivalence Testing Property and Equivalence Testing Frédéric Magniez - Probabilistic Abstraction for Model Checking: An Approach Based on Property Testing, LICS 02 - Property Testing of Regular Tree Languages, ICALP 04 -

Plus en détail

Recherche d images similaires à partir de descripteurs couleurs

Recherche d images similaires à partir de descripteurs couleurs Descripteurs couleurs Recherche d images similaires à partir de descripteurs couleurs Romain Bachy supervisé par Emi Aldea Romain Bachy Master 2 IMA - UPMC 20 janvier 2010 Romain Bachy Master 2 IMA - UPMC

Plus en détail

Provisionnement face au risque de défaut des emprunteurs

Provisionnement face au risque de défaut des emprunteurs Provisionnement face au risque de défaut des emprunteurs Geoffrey Nichil et Pierre Vallois Institut Elie Cartan de Lorraine. 6-11 Avril 2014 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face

Plus en détail

TD2 Fonctions mesurables Corrigé

TD2 Fonctions mesurables Corrigé Intégration et probabilités 2012-2013 TD2 Fonctions mesurables Corrigé 0 Exercice qui avait été préparé chez soi Exercice 1. Soit (Ω, F, µ) un espace mesuré tel que µ (Ω) = 1. Soient A, B P (Ω) deux sousensembles

Plus en détail

Cours 1: Introduction à l algorithmique

Cours 1: Introduction à l algorithmique 1 Cours 1: Introduction à l algorithmique Olivier Bournez bournez@lix.polytechnique.fr LIX, Ecole Polytechnique 2011-12 Algorithmique 2 Aujourd hui Calcul de x n Maximum Complexité d un problème Problème

Plus en détail

MAP 553 Apprentissage statistique

MAP 553 Apprentissage statistique MAP 553 Apprentissage statistique Université Paris Sud et Ecole Polytechnique http://www.cmap.polytechnique.fr/~giraud/map553/map553.html PC1 1/39 Apprentissage? 2/39 Apprentissage? L apprentissage au

Plus en détail

Contrôle des spécifications dimensionnelles et géométriques sur Machines à Mesurer Tridimensionnelles

Contrôle des spécifications dimensionnelles et géométriques sur Machines à Mesurer Tridimensionnelles Contrôle des spécifications dimensionnelles et géométriques sur Machines à Mesurer Tridimensionnelles 1 Inspection d une spécification portée sur un dessin Les étapes : Définir selon la norme (ISO) la

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

Préparation à l agrégation de physique 2005-2006. Utilisation du logiciel IGOR Pro: représentation, acquisition et analyse de données

Préparation à l agrégation de physique 2005-2006. Utilisation du logiciel IGOR Pro: représentation, acquisition et analyse de données Préparation à l agrégation de physique 2005-2006 Utilisation du logiciel IGOR Pro: représentation, acquisition et analyse de données Pourquoi le logiciel IGOR Pro? Un grapheur scientifique comme de nombreux

Plus en détail

MABioVis. Bio-informatique et la

MABioVis. Bio-informatique et la MABioVis Modèles et Algorithmes pour la Bio-informatique et la Visualisation Visite ENS Cachan 5 janvier 2011 MABioVis G GUY MELANÇON (PR UFR Maths Info / EPI GRAVITE) (là, maintenant) - MABioVis DAVID

Plus en détail

Cours IFT6266, Apprentissage Non-Supervisé de Variétés

Cours IFT6266, Apprentissage Non-Supervisé de Variétés Cours IFT6266, Apprentissage Non-Supervisé de Variétés L Apprentissage Non-Supervisé L apprentissage non-supervisé vise à caractériser la distribution des données, et les relations entre les variables,

Plus en détail

INTRODUCTION A L OPTIMISATION

INTRODUCTION A L OPTIMISATION INTRODUCTION A L OPTIMISATION Les domaines d application L optimisation est essentiellement un outil d aide à la décision au sein de l entreprise, mais aussi pour des individus. Le terme optimal est souvent

Plus en détail

Maîtrise universitaire ès sciences en mathématiques 2012-2013

Maîtrise universitaire ès sciences en mathématiques 2012-2013 1 / 6 Remarques liminaires : Ce master à (3 semestres) permet 2 orientations distinctes : - Un master général : "Mathématiques, Systèmes dynamiques et phénomènes d'évolution" - Un master qui permet de

Plus en détail

Clustering par quantification en présence de censure

Clustering par quantification en présence de censure Clustering par quantification en présence de censure Svetlana Gribkova 1 Laboratoire de Statistique Théorique et Appliquée, Université Pierre et Marie Curie Paris 6, 4 place Jussieu, 75005 Paris Résumé.

Plus en détail

Cours de Statistiques

Cours de Statistiques Cours de Statistiques Romain Raveaux 1 1 Laboratoire L3I Université de La Rochelle romain.raveaux01 at univ-lr.fr Octobre 24-11, 2008 1 / 35 Sommaire 1 Quelques Rappels 2 numériques Relations entre deux

Plus en détail

Vision par ordinateur

Vision par ordinateur Vision par ordinateur Vision 3D (deuxième partie) Alain Boucher IFI Mise en correspondance (appariement) Approche basée sur la corrélation 2 Approche basée sur la corrélation Il faut des régions texturées

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

Introduction à l analyse statistique et bioinformatique des puces à ADN

Introduction à l analyse statistique et bioinformatique des puces à ADN Formation INSERM 10 février 2004 Introduction à l analyse statistique et bioinformatique des puces à ADN Gaëlle Lelandais lelandais@biologie.ens.fr 1 Première Partie Analyse d une puce à ADN : Le recherche

Plus en détail

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation

Plus en détail

Par contre, lorsque P est finie, l inclusion f(p ) P implique l égalité f(p ) = P car, f

Par contre, lorsque P est finie, l inclusion f(p ) P implique l égalité f(p ) = P car, f Université Lyon 1 Algèbre générale S.P. Groupes III I. Groupe symétrique et géométrie. On se donne un ensemble E (souvent un espace euclidien ou une partie de cet espace) et une bijection f : E E (souvent

Plus en détail

Formes et Optimisation en Vision par Ordinateur. Renaud Keriven Ecole des Ponts / ENS

Formes et Optimisation en Vision par Ordinateur. Renaud Keriven Ecole des Ponts / ENS Formes et Optimisation en Vision par Ordinateur Renaud Keriven Ecole des Ponts / ENS Journées Images et Modélisations Mathématiques Rennes, décembre 2006-1- Contexte (i) Snakes [Kass et al. 88] Contours

Plus en détail

Cours 2-3 Analyse des données multivariées

Cours 2-3 Analyse des données multivariées Cours 2-3 des données s Ismaël Castillo École des Ponts, 13 Novembre 2012 Plan 1 2 3 4 1. On s intéresse à un jeu de données multi-dimensionel, avec n individus observés et p variables d intérêt ( variables

Plus en détail

Analyse en Composantes Principales

Analyse en Composantes Principales Plan du cours Analyse en Composantes Principales Introduction Les données Leurs représentations La méthode Modèle Interprétation statistique Espace principal Composantes Principales Représentations Graphiques

Plus en détail

Projet de modélisation et programmation C++ MMIS Triangulation d un ensemble de points scannés

Projet de modélisation et programmation C++ MMIS Triangulation d un ensemble de points scannés MMIS Triangulation d un ensemble de points scannés Cette seconde moitié du semestre est consacrée à la conception d un code orienté objet permettant de résoudre des problèmes relatifs à votre filière.

Plus en détail

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique Télécom ParisTech, 09 mai 2012 http://www.mathematiquesappliquees.polytechnique.edu/ accueil/programmes/cycle-polytechnicien/annee-1/

Plus en détail

Topologie des espaces vectoriels normés

Topologie des espaces vectoriels normés Topologie des espaces vectoriels normés Cédric Milliet Version préliminaire Cours de troisième année de licence Université Galatasaray Année 2011-2012 2 Chapitre 1 R-Espaces vectoriels normés 1.1 Vocabulaire

Plus en détail

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé

Baccalauréat ES Centres étrangers 12 juin 2014 - Corrigé Baccalauréat ES Centres étrangers 1 juin 14 - Corrigé A. P. M. E. P. Exercice 1 5 points Commun à tous les candidats 1. On prend un candidat au hasard et on note : l évènement «le candidat a un dossier

Plus en détail

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé

Baccalauréat 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 détail

Recherche Opérationnelle 1A Programmation Linéaire Résolution d un Programme Linéaire Introduction

Recherche Opérationnelle 1A Programmation Linéaire Résolution d un Programme Linéaire Introduction Recherche Opérationnelle 1A Programmation Linéaire Résolution d un Programme Linéaire Introduction Zoltán Szigeti Ensimag April 4, 2015 Z. Szigeti (Ensimag) RO 1A April 4, 2015 1 / 16 Forme Générale Définition

Plus en détail

Doctorat ParisTech THÈSE. TELECOM ParisTech. Topologie algébrique. appliquée aux réseaux de capteurs

Doctorat ParisTech THÈSE. TELECOM ParisTech. Topologie algébrique. appliquée aux réseaux de capteurs 2013-ENST-0070 EDITE - ED 130 Doctorat ParisTech THÈSE pour obtenir le grade de docteur délivré par TELECOM ParisTech Spécialité Informatique et Réseaux présentée et soutenue publiquement par Anaïs VERGNE

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

Le Multidimensional Scaling et la cartographie des préférences

Le Multidimensional Scaling et la cartographie des préférences Le Multidimensional Scaling et la cartographie des préférences Gilbert Saporta Conservatoire National des Arts et Métiers http://cedric.cnam.fr/~saporta Avril 2014 Multidimensional scaling Egalement appelé

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

MODELISATION. ❶ Choix d'un Mode de Représentation ❷ Construction d'un Modèle de l'objets 3D

MODELISATION. ❶ Choix d'un Mode de Représentation ❷ Construction d'un Modèle de l'objets 3D MODELISATION Modélisation deux étapes : ❶ Choix d'un Mode de Représentation ❷ Construction d'un Modèle de l'objets 3D Ces deux étapes ne sont pas Indépendantes Modèle = Ensemble d Informations sur l'objet

Plus en détail

BACCALAURÉAT GÉNÉRAL Hiver 2015

BACCALAURÉAT GÉNÉRAL Hiver 2015 BACCALAURÉAT GÉNÉRAL Hiver 2015 Épreuve : MATHÉMATIQUES Séries SCIENCES ÉCONOMIQUES ET SOCIALES, toutes spécialités LITTÉRAIRE, spécialité Mathématiques Classes TES1, TES2, TES3, TES ET TL1ES Durée de

Plus en détail

DATA ANALYTICS Des données aux connaissances et à la création de valeur

DATA ANALYTICS Des données aux connaissances et à la création de valeur DATA ANALYTICS Des données aux connaissances et à la création de valeur Sommaire Rencontres Inria Industrie p 3 Vos contacts au centre Inria Saclay - île-de-france p 4 Technologies Bertifier Sparklificator

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

Master 1 Informatique Éléments de statistique inférentielle

Master 1 Informatique Éléments de statistique inférentielle Master 1 Informatique Éléments de statistique inférentielle Faicel Chamroukhi Maître de Conférences UTLN, LSIS UMR CNRS 7296 email: chamroukhi@univ-tln.fr web: chamroukhi.univ-tln.fr 2014/2015 Faicel Chamroukhi

Plus en détail

Optimisation Discrète

Optimisation Discrète Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et

Plus en détail

How to irrigate a unit segment?

How to irrigate a unit segment? How to irrigate a unit segment? Marc Bernot bernot@cmla.ens-cachan.fr «Régularité et singularités en optimisation de forme et frontières libres» p.1/15 Mass transportation Discrete framework Optimize È

Plus en détail

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech

Méthodes de placement multidimensionnelles. Fabrice Rossi Télécom ParisTech Méthodes de placement multidimensionnelles Fabrice Rossi Télécom ParisTech Plan Introduction Analyse en composantes principales Modèle Qualité et interprétation Autres méthodes 2 / 27 F. Rossi Plan Introduction

Plus en détail

Cours de spécialité mathématiques en Terminale ES

Cours de spécialité mathématiques en Terminale ES Cours de spécialité mathématiques en Terminale ES O. Lader 2014/2015 Lycée Jean Vilar Spé math terminale ES 2014/2015 1 / 51 Systèmes linéaires Deux exemples de systèmes linéaires à deux équations et deux

Plus en détail

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ

L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et

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

LICENCE D' INGENIERIE MATHEMATIQUES - 1LINM

LICENCE D' INGENIERIE MATHEMATIQUES - 1LINM UNIVERSITE PAUL SABATIER SCIENCES TOULOUSE III U.F.R. MATHEMATIQUE INFORMATIQUE GESTION LICENCE D' INGENIERIE MATHEMATIQUES - 1LINM PRESENTATION DES ENSEIGNEMENTS Année Universitaire 2003/2004 La licence

Plus en détail

Mathématique - Cours

Mathématique - Cours Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge Le programme se compose ainsi : partie seconde partie 1/3 partie 2/3 partie 3/3 Sommaire 1 Ensemble

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

De la data à l information De l information à la connaissance Visualisation. Big Data Analytics. Alykis 2015 www.alykis.com

De la data à l information De l information à la connaissance Visualisation. Big Data Analytics. Alykis 2015 www.alykis.com Big Data Analytics Alykis 2015 www.alykis.com De la data à l information De l information à la connaissance Visualisation Big Data Analytics : la Statistique en grande dimension Big Data Analytics : la

Plus en détail

Le théorème du sandwich au jambon

Le théorème du sandwich au jambon Le théorème du sandwich au jambon Florian Bouguet & Paul Schneider Ecole Normale Supérieure de Cachan - Antenne de Bretagne Travaux encadrés par Antoine Chambert-Loir Université de Rennes 1 1 2 Table des

Plus en détail

Estimation de la fonction de distribution conditionnelle à partir de données censurées par intervalle, cas I

Estimation de la fonction de distribution conditionnelle à partir de données censurées par intervalle, cas I Estimation de la fonction de distribution conditionnelle à partir de données censurées par intervalle, cas I Sandra Plancade MAP5 Université Paris 5 5 mai 2010 Plan de l'exposé I) Introduction II) Dénition

Plus en détail

MAT 2377 Solutions to the Mi-term

MAT 2377 Solutions to the Mi-term MAT 2377 Solutions to the Mi-term Tuesday June 16 15 Time: 70 minutes Student Number: Name: Professor M. Alvo This is an open book exam. Standard calculators are permitted. Answer all questions. Place

Plus en détail

Tests d hypothèses restreintes

Tests d hypothèses restreintes Tests d hypothèses restreintes Céline Delmas & Jean-Louis Foulley Station de Génétique Quantitative et Appliquée I.N.R.A., Domaine de Vilvert 7835 Jouy-en-Josas Cedex {delmas,foulley}@dga.jouy.inra.fr

Plus en détail

INFÉRENCE COMBINATOIRE EN ANALYSE GÉOMÉTRIQUE DES DONNÉES

INFÉRENCE COMBINATOIRE EN ANALYSE GÉOMÉTRIQUE DES DONNÉES INFÉRENCE COMBINATOIRE EN ANALYSE GÉOMÉTRIQUE DES DONNÉES Solène Bienaise 1 & Brigitte Le Roux 2 1 CEREMADE, Place du Maréchal de Lattre de Tassigny 75775 PARIS Cedex 16. bienaise@ceremade.dauphine.fr

Plus en détail

Chapitre 5 : Flot maximal dans un graphe

Chapitre 5 : Flot maximal dans un graphe Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d

Plus en détail

PLAN Analyse d images Morphologie et Segmentation

PLAN Analyse d images Morphologie et Segmentation PLAN Analyse d images et Segmentation L.Chen, J.Y.Auloge. INTRODUCTION. DEFINITIONS 3. VISION HUMAINE ET SYSTEMES DE COULEURS 4. ECHANTILLONNAGE ET QUANTIFICATION. TRANSFORMATIONS D IMAGES 6. AMELIORATION

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

Norme. on peut définir un ensemble de fonctions distance L p : norme de Manhattan: p = 1 : x 1 norme euclidienne: p = 2 : x 2 L 0.5 L 1 L 2 L 10 0.

Norme. on peut définir un ensemble de fonctions distance L p : norme de Manhattan: p = 1 : x 1 norme euclidienne: p = 2 : x 2 L 0.5 L 1 L 2 L 10 0. Norme 1 Généralisation on peut définir un ensemble de fonctions distance L p : L p(x) = x p = n p x i p norme de Manhattan: p = 1 : x 1 norme euclidienne: p = 2 : x 2 i=1 0.5 0 0.5 1 1 0.5 0 0.5 1 L 0.5

Plus en détail

208 - Espaces vectoriels normés, applications linéaires continues. Exemples

208 - Espaces vectoriels normés, applications linéaires continues. Exemples 208 - Espaces vectoriels normés, applications linéaires continues. Exemples On se xe un corps K = R ou C. Tous les espaces vectoriels considérés auront K comme corps de base. 1 Généralités Remarque. Tout

Plus en détail

Session 2011. Enseignement de Spécialité. Durée de l épreuve : 3 heures. Coefficient : 7. Ce sujet comporte 7 pages numérotées de 1 à 7.

Session 2011. Enseignement de Spécialité. Durée de l épreuve : 3 heures. Coefficient : 7. Ce sujet comporte 7 pages numérotées de 1 à 7. BACCALAURÉAT GENÉRAL Session 2011 MATHÉMATIQUES Série ES Enseignement de Spécialité Durée de l épreuve : 3 heures Coefficient : 7 Ce sujet comporte 7 pages numérotées de 1 à 7. L utilisation d une calculatrice

Plus en détail