Génération de stratégies de Trading par Programmation Génétique

Dimension: px
Commencer à balayer dès la page:

Download "Génération de stratégies de Trading par Programmation Génétique"

Transcription

1 Génération de stratégies de Trading par Programmation Génétique Résumé L'objectif de ce projet est de réaliser un générateur, ou optimiseur, de stratégies de trading, en se basant sur une technique de programmation génétique. Très semblable dans ses grandes lignes aux algorithmes génétiques, la programmation génétique dispose tout de même d'un redoutable avantage : la structure des individus qu'elle fait évoluer, au niveau génétique, n'est plus fixe. C'est en effet de cette structure que dépendent les performances des individus, et c'est ainsi cette structure que l'on cherche à faire évoluer de manière optimale en modélisant les principes de la sélection naturelle. La programmation génétique semble donc constituer un excellent outil d'optimisation, dont la liste des domaines d'application est infinie. Elle est tout particulièrement adaptée à la résolution de problèmes bien posés, mais pour lesquels la recherche de solution par une méthode plus classique n'est pas triviale du tout. L'un des objets récurrents de la programmation génétique s'avère ainsi être l'optimisation de fonctions mathématiques, et c'est à celui-ci que je m'intéresse dans ce projet. Ayant réalisé un environnement de simuation de marché financier pour pouvoir y évaluer différentes stratégies de trading, je me suis aperçu : D'une part que l'optimisation manuelle d'une stratégie reposant sur de nombreux paramètres est long, fastidieux, et très dépendant des caractéristiques de l'environnement. D'autre part qu'une grande classe de stratégies de trading peuvent se ramener à une structure de base commune, qui consiste à prendre les décisions (acheter / vendre) en effectuant des comparaisons simples entre trois indicateurs financiers. Ces indicateurs sont des fonctions mathématiques de l'historique des prix, et se prêtent ainsi facilement à l'optimisation par programmation génétique. 1

2 Table des matières Résumé...1 Environnement et position du problème...3 Caractéristiques du marché et hypothèses...3 Informations dont dispose la stratégie...3 Composants essentiels de l'environnement de simulation du marché...4 La Strategy...4 Le Valuer...5 Algorithme de programmation génétique...6 Rappels sur la programmation génétique...6 Paramètres de l'algorithme...7 Population initiale...7 Terminals...7 Primitives...8 Fonction d'évaluation...9 Evolution de la population...9 Implémentation...12 Structures de données...12 Algorithme...13 Conclusion...14 Bibliographie

3 Environnement et position du problème Dans cette partie nous détaillons le problème que l'on cherche à résoudre, la struture simplifiée de l'environnement de simulation qui permettra d'évaluer les solutions trouvées par l'algorithme génétique, les hypothèses qui sont effectuées pour restreindre le problème, et enfin les paramètres dont il dépend. Supposons ainsi que nous disposions d'un accès à un marché financier sur lequel nous puissions intervenir (i.e. acheter ou vendre des actifs) librement, et que l'on se focalise sur un actif particulier, dans l'espoir de tirer profit des variations de son cours. Par exemple sur le marché des échanges de devises, intéressons nous à l'évolution du taux de change Euro-Dollar. Une stratégie de trading largement adoptée sur ce type de marché, dont les caractéristiques essentielles seront résumées ci-dessous, consiste à supposer qu'avec le temps, une sorte de prix moyen s'établit, et qu'il est alors intéressant de vendre l'actif lorsque son cours est au-dessus du prix moyen constaté, et inversement de l'acheter lorsque le cours est en-dessous du prix moyen. De manière plus générale les variations du cours ne sont jamais uniformes bien longtemps et la classe de stratégies que nous étudions essaie lors de tirer avantage de cette non monotonité. Caractéristiques du marché et hypothèses Ce type de stratégie n'a d'intérêt que sur des marchés où, comme évoqué ci-dessus, l'intervention est quasiment libre, car si l'on n'est pas sûr de pouvoir exécuter un ordre au moment exact ou notre stratégie nous indique de le faire, celle-ci tombe alors à l'eau. En particulier, les hypothèses que nous ferons sur notre marché qui constituent une très légère exagération de la réalité du marché des échanges de devises sont les suivantes : Pas de frais de transaction. Marché ouvert 24/7. Seul les market orders (c'est-à-dire les ordres au prix actuel du marché) sont autorisés. Autrement dit, pas d'offre avec un prix limite. Marché parfaitement liquide : Pas de spread bid / ask (i.e. aucune différence entre le prix d'achat et le prix de vente). Profondeur de marché infinie (les ordres de l'agent n'ont aucune incidence sur le prix du marché, quelle que soit leur quantité). Un ordre placé est exécuté immédiatement s'il est conforme. Informations dont dispose la stratégie Nous supposerons que la seule information dont dispose la stratégie pour construire les ordres à exécuter est l'historique des prix de l'actif, échantillonné à intervalles réguliers. En effet, les agents intervenant sur un marché financier ont généralement accès à l'ensemble du carnet d'ordres placés et exécutés, et peuvent ainsi tenir compte des ordre placés avec un prix limite qui n'a pas été atteint, ou encore du volume des échanges. Mais les hypothèses simplificatrices que nous avons fait sur notre marché rendent ces informations peu pertinentes. 3

4 Enfin, il pourrait être intéressant que la stratégie ait accès au restant dans la session actuelle de trading, mais cet élément ne sera pas pris en compte dans un premier temps. Composants essentiels de l'environnement de simulation du marché Les stratégies de trading générées par l'algorithme de programmation génétique seront évaluées au sein d'un environnement modélisant un marché financier, paramétré pour mettre en oeuvre les caractéristiques du marché définies ci-dessus. Le fonctionnement de cet environnement n'est pas une question primordiale pour cet article portant principalement sur l'aspect programmation génétique, mais deux composants méritent tout de même d'être détaillés pour comprendre la mise en place ultérieure de l'algorithme de programmation génétique en lui-même. L'environnement est ainsi composé d'un système multi-agents. L'un d'entre eux, un peu particulier, représente le marché et est configuré de manière à présenter les caractéristiques précédemment citées. Les autres agents représentent les participants au marché financier, et communiquent avec ce dernier à l'aide d'un protocole spécifique (qui gagnerai toutefois à s'aligner sur le standard existant dans l'industrie financière). Ces derniers agents, les "Traders", exploitent deux composants essentiels pour définir les ordres (d'achat ou de vente) à exécuter. Ces composants sont présentés ci-dessous La Strategy Description Ce composant recueille les indicateurs construits à partir de l'historique du cours de l'actif, et les utilise pour déterminer les ordres à exécuter. Dans le cadre de ce projet (ainsi que dans beaucoup d'autres stratégies classiques), ce composant aura un fonctionnement à base de règles, fixes, qui porteront sur les indicateurs. Ce composant fonctionne ainsi au niveau symbolique, et ne sera pas optimisé dans le cadre de ce projet. Les règles choisies sont les suivantes : Vendre tout ce que l'on a lorsque l'indicateur I2 passe au dessus de l'indicateur I1 (pour rappel les indicateurs sont des fonctions de l'historique du prix de l'actif). Acheter pour tout notre argent lorsque l'indicateur I2 passe en dessous de l'indicateur I3. Paramètres et valeur de retour La stratégie dépend donc des indicateurs I1, I2, et I3, et renvoie, un ordre à exécuter (achat / vente + quantité), ou la valeur "null" si ni l'achat ni la vente n'est intéressant. 4

5 Le Valuer Description Coeur de notre problème, le Valuer donne une indication sur la valeur de l'actif. C'est lui qui calcul les indicateurs I1, I2, et I3, qui seront utilisés par la strategy, et c'est donc lui que nous allons optimiser par programmation génétique. Paramètres Le valuer est constitué de trois fonctions distinctes de l'historique du prix, nommées I1, I2, et I3, qui renvoient chacune un réel positif. 5

6 Algorithme de programmation génétique Rappels sur la programmation génétique Tout comme les algorithmes génétiques, la programmation génétique repose sur quelques grandes étapes dont la plupart sont indépendantes du problème. Puisque l'on cherche à obtenir un programme informatique optimal, il nous faut tout d'abord créer une Population intiale aléatoire de programmes. Les programmes sont représentés de manière fonctionelle, ce qui permet de les implémenter sous forme du structure de données arborescente. Il nous faut alors construire deux listes pour pouvoir générer ces arbres représentant les programmes : La liste des feuilles possibles pour construire l'arbre, aussi appelées Terminals. Cela correspond aux constantes du problème traité (et éventuellement des constantes générées aléatoirement). La liste des noeuds internes possibles pour construire l'arbre, représentant des fonctions utilisables pour résoudre le problème (autrement dit construire la fonction adéquate), aussi appelées Primitives. La création aléatoire de cette population initiale est controllée par un paramètre limitant la profondeur maximale de l'arbre représentant un individu, et un autre limitant le nombre d'individus dans la population.. Image 1: Exemple d'individu - Source : geneticprogramming.us Chaque individu représentant une solution potentielle au problème, l'étape suivante consiste à évaluer la qualité de la réponse apportée par chaque individu. La fonction qui prend les individus en entrée et retourne ses performance dans la résolution du problème sous forme numérique est appelée fonction d'évaluation. La dernière étape consiste à définir une méthode permettant de faire évoluer la population en s'inspirant des principes de la sélection naturelle, en combinant des opérations génétiques de type mutation et crossover sur les structures arborescentes représentant les individus. On espère ainsi qu'après de nombreuses évolutions, et avec une méthode efficace de sélection des meilleurs individus, dont le patrimoine génétique doit être conservé, on obtiendra des 6

7 programmes très efficaces dans la résolution du problème. Paramètres de l'algorithme Dans cette partie sont présentés la configuration et les paramètres choisis pour l'implémentation de l'algorithme de programmation génétique, relativement à chacune des étapes décrites ci-dessus. Population initiale Chaque individu n'est pas composé d'une fonction, ou structure arborescente, mais de trois, chacune ayant pour racine la fonction valeur absolue. Chaque individu représentera ainsi un lot d'indicateurs pour la Strategy d'un agent sur le marché financier. Les opérations génétiques décrites plus bas sont donc appliquées à chaque individu en considérant l'ensemble des noeuds de chacune des trois fonctions comme égaux. Avec la Strategy décrite précédemment, construite sur ces indicateurs, il existe une dépendance évidente entre ces indicateurs, d'où l'idée de laisser la sélection naturelle découvrir cette dépendance et créer des individus "efficaces". Terminals Constantes générées aléatoirement : Integer. Float. (Temps restant avant la fin de la session de Trading). 7

8 Primitives Fonctions Historique des prixs Argument : Nombre d'unités de temps écoulées depuis la date du prix recherché. On choisit un axe des temps inversé et commençant à 0, pour que la structure arborescente représentant le programme (figée à l'exception de quelques fonctions tenant compte de l'intégralité de l'historique) puisse prendre en compte les dernières données. Valeur de retour: Prix Identité Somme Différence Multiplication Division Valeur absolue (Exponentielle) (Logarithme) (Cosinus) Opérateurs sur les fonctions Ces opérateurs (implémentés sous forme de tags qui sont appliqués aux fonctions) permettent, à partir d'une fonction, de construire soit une nouvelle fonction qui dépend de la première, soit un Terminal. Taux d'accroissement Intégrale sur un sous-ensemble du domaine de définition Max de l'ensemble image Min de l'ensemble image Cardinal du domaine de définition (Produit de convolution) 8

9 Fonction d'évaluation La qualité de la réponse qu'apporte chaque individu à notre problème de trading sera mesurée par le bénéfice moyen qu'un agent réalise en utilisant les Indicateurs (que représente l'individu). Mais il nous faut alors définir les modalités de la session de Trading, c'est-à-dire la durée de celle-ci et la manière de générer le cours de l'actif. Dans un premier temps, afin de valider la méthode et de détecter des éventuelles erreurs dans l'implémentation ou anomalies par rapport au comportement attendu, le cours de l'actif sera représenté par une fonction déterministe, un cosinus dont les paramètres sont fixés et identiques pour chacune des générations. Une fois ce premier test réussi, on pourra représenter le cours de l'actif à l'aide d'un modèle stochastique adapté à la finance de marché, ou encore enregistrer des données provenant de marchés réels. Chaque individu sera alors évalué en tenant compte de la moyenne de ses performances sur plusieurs sessions de trading, ainsi que de sa performance minimale et maximale. Evolution de la population Selection et reproduction des individus La première méthode implémentée pour la sélection des individus dont le patrimoine génétique semble important et doit être conservé est la suivante : on garde la moitié des individus ayant obtenu la meilleur évaluation, puis ils sont rassemblés aléatoirement par couples, à partir desquels deux descendants sont construits par reproduction. La reproduction commence par un crossover (défini ci-dessous), qui permet d'obtenir deux descendants. Les descendants subissent alors chacun une mutation avec une faible probabilité. Cette méthode très grossière pourra être améliorée en convertissant l'évaluation des individus en un nombre entre 0 et 1 (1 représentant les meilleurs individu) et considérer ce nombre comme une probabilité de garder les individus. On sélectionne ainsi N/2 individus (avec N la taille de la population initiale) puis on effectue ensuite des reproductions au sein de la population restante, en autorisant plus d'enfants aux meilleurs individus, jusqu'à obtenir de nouveau une population de N individus. Crossover Les crossovers entre deux individus représentés par des structures arborescentes sont modélisés par l'échange d'un sous-arbre entre les deux parents, les racines des deux sous-arbres devant alors renvoyer des types compatibles. Cela restreint les choix possibles du point de crossover chez le deuxième parent une fois choisi aléatoirement celui du premier parent. On obtient alors deux enfants, correspondant aux deux parents dans lesquels un sous-arbre a été échangé. Il est par ailleurs envisageable d'essayer d'effectuer plusieurs crossovers à chaque reproduction, ce qui peut contribuer au brassage génétique et faire apparaître de nouveaux individus au patrimoine génétique intéressant. 9

10 Image 2: Schéma d'un crossover - Source : geneticprogramming.us Mutation Une fois les deux descendants obtenus par crossover des génotypes des parents, chacun va subir, avec une faible probabilité, une mutation. Ces mutations peuvent être de différentes natures le type de mutation effectivement appliqué à un individu étant choisi aléatoirement à l'exécution et les 3 types de mutation suivants sont actuellement implémentés : Mutation d'un sous-arbre : On remplace un sous-arbre de l'individu par un nouveau sousarbre généré aléatoirement. Image 3: Mutation d'un sous-arbre - Source : geneticprogramming.us 10

11 Mutation d'un noeud : On choisit aléatoirement un noeud dans l'arbre de l'individu (terminal ou primitive) et on le remplace par un nouveau noeud, compatible, choisi aléatoirement. Image 4: Mutation d'un noeud - Source : geneticprogramming.us Mutation constante : On effectue un changement définit à l'avance sur un noeud dont le type est supporté (actuellement une incrémentation ou décrémentation pour les Terminals). Image 5: Mutation constante - Source : geneticprogramming.us 11

12 Implémentation L'implmentation des algorithmes génétiques est souvent réalisée dans un langage de programmation fonctionnel car ce paradigme permet de représenter de manière naturelle les structures arborescentes, ou fonctions, que l'on fait évoluer. De même, un langage fonctionnel permet d'évaluer très simplement la valeur des fonctions construites à partir de la racine de l'arbre. Pour cette raison, les premières applications de la programmation génétique ont été réalisées en LISP. Cependant, il est tout à fait possible d'implémenter un algorithme de programmantion génétique dans un langage reposant sur un autre paradigme, notamment l'orienté objet, qui s'avère lui aussi très pratique pour créer et faire évoluer les fonctions, représentées sous formes d'arbres, auxquelles nous nous intéressons. Ainsi, afin d'assurer un maximum de compatibilité avec l'environnement de simulation de marché (réalisé en Java) et donc un minimum de temps de mise en oeuvre, l'algorithme de programmation génétique décrit dans cet article a lui aussi été réalisé en Java. Ci-dessous sont présentées les principales caractéristiques de l'implémentation réalisée, avec une rapide description des classes et méthodes essentielles, réparties dans deux grandes catégories. Structures de données Il nous a tout d'abord fallu implémenter les structures de données représentant les fonctions que nous voulons faire évoluer. Celles-ci étant construites de manière arborescente, une première classe, GPNode, représente un noeud quelconque dans l'arbre en mettant en place la notion de noeud parent, et d'évaluation de la valeur de retour du sous-arbre éventuel. On a ainsi la base d'une structure arborescente. Cette classe est ensuite spécialisée dans deux autres classes qui héritent d'elle : GPTerminal, qui représente une feuille de l'arbre en ajoutant à GPNode les méthodes adéquates. GPFunction, qui représente un noeud interne de l'arbre, autrement dit l'une des fonctions élémentaires disponibles pour construire les individus. Ces deux classes sont alors héritées à leur tour par des classes représentant les Terminals et Primitives de notre problème. Enfin, une classe un peu particulière nommée GPEvolvedThreeLevelsFunction, a pour attributs trois GPNodes chacun racine d'un arbre et représente les individus de notre population. En effet chaque individu doit être constitué de trois fonctions, qui servent d'indicateurs financiers. Ce sont donc les instances de GPEvolvedThreeLevelsFunction qui sont passée aux Valuers afin de tester la pertinence des combinaisons d'indicateurs qu'elles représentent. 12

13 Algorithme Les structures de données sont maintenant prêtes à être utilisée. Il nous faut ensuite implémenter les algorithmes capables de traiter ces structures, c'est-à-dire effectuer les opérations nécessaires à la programmation génétique, décrites dans les parties précédentes. Ces algorithmes sont tous implémentés au sein d'une classe GPAlgorithm, contenant notamment les méthodes de bases suivantes, essentielles à la mise en oeuvre des grandes étapes de la programmation génétique : initfill : Prend en entrée une instance de GPFunction et construit un arbre (valide) ayant pour racine la GPFunction fournie. crossover : Prend en entrée deux individus, effectue le crossover décrit dans la partie précédente, et renvoie les deux individus obtenus. mutate : Prend en entrée un individu et effectue l'une des mutations présentées. terminalstypesmatch : Prend deux GPNodes en entrée et renvoie un booléen indiquant si les types correspondent (si l'un des GPNodes est une GPFunction, c'est le type de sa valeur de retour qui est considéré). functionsargstypesmatch : Prend en entrée deux listes de GPNodes (représentant les arguments d'une GPFunction) et renvoie un booléen indiquant si les types correspondent. L'ordre des éléments dans les listes est pris en compte. Une fois ces fonctions de bases disponibles, il ne nous reste plus qu'à implémenter les fonctions de plus haut niveau suivantes, correspondant aux grandes étapes de la programmation génétique : createpopulation : Construit une liste de GPEvolvedThreeLevelsFunction en utilisant initfill ainsi que la liste des Terminals et Primitives du problème. reproduce : Construit deux nouveaux individus à partir de deux individus de la population, en utilisant crossover et éventuellement mutate. evolve : Permet de faire évoluer la population en sélectionnant les individus à garder puis en effectuant les reproductions. fitnessfunction : Lance une (ou plusieurs, cf. "Paramètres de l'algorithme Fonction d'évaluation) simulation de marché avec autant d'agents que d'individus dans la population. Le Valuer de chaque agent se voit attribuer pour fonction de calcul des indicateurs l'un des GPEvolvedThreeLevelsFunction de la population. 13

14 Conclusion La programmation génétique est particulièrement adaptée à la recherche de fonctions optimales pour un problème donné, si celui-ci est bien posé, même (et surtout, puisque c'est l'un de ses avantages principaux par rapport à d'autres techniques d'optimisation) lorsque l'espace de recherche est immense. Cette techique semble donc tout à fait adéquate pour la recherche de stratégies de trading, où l'obtention d'une stratégie optimale se ramène souvent à la recherche d'indicateurs pertinents, qui ne sont autres que des fonctions mathématiques de l'historique du marché. L'algorithme réalisé pour ce projet présente deux modifications par rapport aux applications classiques de la programmation génétique. D'une part les individus construits ne dépendent pas de Terminals classiques, ni même d'un nombre fini de Terminals, mais d'une fonction du temps, qui se construit donc progressivement à chaque fois que les individus sont plongés dans l'environnement où ils sont utilisés. On a ainsi dû introduire une Primitive originale, PriceHistory, qui fait interface avec cet environnement. D'autre part, chaque individu ne représente pas une fonction, mais trois. Ainsi, la sélection naturelle n'a pas ici l'unique rôle de découvrir une fonction tenant avantageusement compte des dépendances entre les Terminals; elle sert aussi à exploiter (après l'avoir découverte) la dépendance entre les trois fonctions composant chaque individu, cette dépendance provenant de la définition que nous avons donnée de notre stratégie de trading. Le temps imparti ne m'ayant malheureusement pas suffit pour effectuer des tests très poussés, il est encore impossible de conclure quant à l'efficacité de la démarche choisie et de l'implémentation réalisée, bien que des individus capables d'exploiter de manière quasi-optimale un historique (du prix) sinusoidal aient été construits. Enfin, le code source de la partie algorithme génétique du projet est accessible sur le site suivant : perso.telecom-paristech.fr/~sayag/ 14

15 Bibliographie «Home Page Genetic Programming Source at GeneticProgramming.us», Kevin Dolan, consulté le 10 juillet 2014, «genetic-programming.com-home-page», John R. Koza, consulté le 10 juillet 2014, «Genetic programming - Wikipedia, the free encyclopedia», consulté le 10 juillet 2014, «Genetic Programming with JGAP», Klaus Meffert, consulté le 10 juillet 2014, «Genetic Algorithms Emergence in Complex Systems», Jean-Louis Dessales, consulté en novembre 2013, 15

A propos du calcul des rentabilités des actions et des rentabilités moyennes

A propos du calcul des rentabilités des actions et des rentabilités moyennes A propos du calcul des rentabilités des actions et des rentabilités moyennes On peut calculer les rentabilités de différentes façons, sous différentes hypothèses. Cette note n a d autre prétention que

Plus en détail

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7 Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques Elec 2311 : S7 1 Plan du cours Qu est-ce l optimisation? Comment l optimisation s intègre dans la conception?

Plus en détail

Gestion d'un entrepôt

Gestion d'un entrepôt Gestion d'un entrepôt Épreuve pratique d'algorithmique et de programmation Concours commun des écoles normales supérieures Durée de l'épreuve: 3 heures 30 minutes Juin/Juillet 2010 ATTENTION! N oubliez

Plus en détail

SUITES ET SÉRIES GÉOMÉTRIQUES

SUITES ET SÉRIES GÉOMÉTRIQUES SUITES ET SÉRIES GÉOMÉTRIQUES Sommaire 1. Suites géométriques... 2 2. Exercice... 6 3. Application des suites géométriques aux mathématiques financières... 7 4. Vocabulaire... 7 5. Exercices :... 8 6.

Plus en détail

Modèles à Événements Discrets. Réseaux de Petri Stochastiques

Modèles à Événements Discrets. Réseaux de Petri Stochastiques Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés

Plus en détail

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION

LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION Dans les leçons précédentes, nous avons modélisé des problèmes en utilisant des graphes. Nous abordons dans cette leçon un autre type de modélisation.

Plus en détail

Machine de Turing. Informatique II Algorithmique 1

Machine de Turing. Informatique II Algorithmique 1 Machine de Turing Nous avons vu qu un programme peut être considéré comme la décomposition de la tâche à réaliser en une séquence d instructions élémentaires (manipulant des données élémentaires) compréhensibles

Plus en détail

Application 1- VBA : Test de comportements d'investissements

Application 1- VBA : Test de comportements d'investissements Application 1- VBA : Test de comportements d'investissements Notions mobilisées Chapitres 1 à 5 du cours - Exemple de récupération de cours en ligne 1ère approche des objets (feuilles et classeurs). Corps

Plus en détail

Partie I : Automates et langages

Partie I : Automates et langages 2 Les calculatrices sont interdites. N.B. : Le candidat attachera la plus grande importance à la clarté, à la précision et à la concision de la rédaction. Si un candidat est amené à repérer ce qui peut

Plus en détail

Programmation récursive

Programmation récursive Année 2004-2005 F. Lévy IUT De Villetaneuse Dép t informatique Cours d'algorithmique 2 éme Année Cours 8 Programmation récursive 1. Qu'est-ce que la programmation récursive Définition : la programmation

Plus en détail

Algorithmique IN102 TD 3

Algorithmique IN102 TD 3 Algorithmique IN10 TD 16 décembre 005 Exercice 1 Clairement, il existe des arbres de hauteur h à h + 1 éléments : il sut pour cela que leurs n uds internes aient au plus un ls non vide. On a alors un arbre

Plus en détail

Introduction au langage SQL

Introduction au langage SQL Introduction au langage SQL Les bases de données relationnelles Le langage SQL est un langage universel destiné à travailler sur des bases de données relationnelles. Nous considérerons ici qu'une base

Plus en détail

Problème de contrôle optimal pour une chaîne de Markov

Problème de contrôle optimal pour une chaîne de Markov Problème de contrôle optimal pour une chaîne de Markov cours ENSTA MA206 Il s agit de résoudre un problème d arrêt optimal pour une chaîne de Markov à temps discret. Soit X n une chaîne de Markov à valeurs

Plus en détail

Plan. Bases de données. Cours 5 : Optimisation des requêtes. Exemple pour la suite du cours. Principe d'évaluation d'une requête. Polytech Paris-Sud

Plan. Bases de données. Cours 5 : Optimisation des requêtes. Exemple pour la suite du cours. Principe d'évaluation d'une requête. Polytech Paris-Sud Plan ases de données Polytech Paris-Sud Apprentis 4 ème année Cours 5 : Optimisation des requêtes kn@lri.fr http://www.lri.fr/~kn 1 Rappels 2 Stockage 3 Indexation 4 Optimisation des opérateurs 5 Optimisation

Plus en détail

LE PROBLEME DU PLUS COURT CHEMIN

LE PROBLEME DU PLUS COURT CHEMIN LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs

Plus en détail

CAC, DAX ou DJ : lequel choisir?

CAC, DAX ou DJ : lequel choisir? CAC, DAX ou DJ : lequel choisir? 1. Pourquoi cette question Tout trader «travaillant 1» sur les indices s est, à un moment ou un autre, posé cette question : «je sais que la tendance est bien haussière

Plus en détail

Structures de données non linéaires

Structures de données non linéaires Structures de données non linéaires I. Graphes Définition Un graphe (simple) orienté G est un couple (S, A), où : S est un ensemble dont les éléments sont appelés les sommets. A est un ensemble de couples

Plus en détail

CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 2009 COMPOSITION DE MATHÉMATIQUES. (Classe terminale S)

CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 2009 COMPOSITION DE MATHÉMATIQUES. (Classe terminale S) MA 09 CONCOURS GÉNÉRAL DES LYCÉES SESSION DE 009 COMPOSITION DE MATHÉMATIQUES (Classe terminale S) DURÉE : 5 heures La calculatrice de poche est autorisée, conformément à la réglementation. La clarté et

Plus en détail

Algorithmique et Programmation Projets 2012/2013

Algorithmique et Programmation Projets 2012/2013 3 Dames 3. Objectif Il s agit d écrire un programme jouant aux Dames selon les règles. Le programme doit être le meilleur possible. Vous utiliserez pour cela l algorithme α β de recherche du meilleur coup

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

I Arbres binaires. Lycée Faidherbe 2014-2015. 1 Rappels 2 1.1 Définition... 2 1.2 Dénombrements... 2 1.3 Parcours... 3

I Arbres binaires. Lycée Faidherbe 2014-2015. 1 Rappels 2 1.1 Définition... 2 1.2 Dénombrements... 2 1.3 Parcours... 3 I Arbres binaires 2014-2015 Table des matières 1 Rappels 2 1.1 Définition................................................ 2 1.2 Dénombrements............................................ 2 1.3 Parcours.................................................

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

Hadoop / Big Data. Benjamin Renaut MBDS 2014-2015

Hadoop / Big Data. Benjamin Renaut <renaut.benjamin@tokidev.fr> MBDS 2014-2015 Hadoop / Big Data Benjamin Renaut MBDS 2014-2015 TP 1 - Correction Méthodologie Map/Reduce - programmation Hadoop. Rappel 1 La première partie du TP consistait à mettre en

Plus en détail

CMC MARKETS UK PLC. des Ordres pour les CFDs. Janvier 2015. RCS Paris: 525 225 918. Société immatriculée en Angleterre sous le numéro 02448409

CMC MARKETS UK PLC. des Ordres pour les CFDs. Janvier 2015. RCS Paris: 525 225 918. Société immatriculée en Angleterre sous le numéro 02448409 CMC MARKETS UK PLC des Ordres pour les CFDs Janvier 2015 RCS Paris: 525 225 918 Société immatriculée en Angleterre sous le numéro 02448409 Agréée et réglementée par la Financial Conduct Authority sous

Plus en détail

2B La résolution de modèles linéaires par Excel 2010

2B La résolution de modèles linéaires par Excel 2010 2B La résolution de modèles linéaires par Excel 2010 Nous reprenons ici, de façon plus détaillée, la section où est indiqué comment utiliser le solveur d'excel 2010 pour résoudre un modèle linéaire (voir

Plus en détail

L enseignement de l algorithmique au Lycée

L enseignement de l algorithmique au Lycée L enseignement de l algorithmique au Lycée Sisteron 12 novembre 2009 Fernand Didier didier@irem.univ-mrs.fr Approche naïve C est une méthode, une façon systématique de procéder, pour faire quelque chose

Plus en détail

Algorithmique. De la seconde à la terminale

Algorithmique. De la seconde à la terminale Algorithmique De la seconde à la terminale Le calendrier Rentrée 2009 : o En seconde : nouveau programme pour tous Rentrée 2010 : o En première : aménagements en ES et S Rentrée 2011 : o En première :

Plus en détail

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com

Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Cours de Méthodes Déterministes en Finance (ENPC) Benoît Humez Société Générale Recherche Quantitative benoit.humez@sgcib.com Points abordés Méthodes numériques employées en finance Approximations de prix

Plus en détail

Chapitre I :Seuil de rentabilité. Encadré par: Dr. HOURIA ZAAM

Chapitre I :Seuil de rentabilité. Encadré par: Dr. HOURIA ZAAM Chapitre I :Seuil de rentabilité Encadré par: Dr. HOURIA ZAAM PLA N I- Introduction II- Charges 1- Charges variables 2- Charges fixes 3- Charges mixtes III- Le compte de résultat différentiel IV- Seuil

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

Surcharge et Redéfinition.

Surcharge et Redéfinition. Surcharge et Redéfinition. Surcharge et Redéfinition...1 La surcharge...1 Type déclaré et type réel....2 Algorithme de résolution de la surcharge....2 La redéfinition...4 Exécution de service...5 Exemple

Plus en détail

Arbres binaires Version prof Version prof

Arbres binaires Version prof Version prof Arbres binaires Version prof Version prof types /* déclaration du type t_element */ t_arbrebinaire = t_noeudbinaire t_noeudbinaire = enregistrement t_element cle t_arbrebinaire fg, fd n enregistrement

Plus en détail

Rapport de projet. Animation de diagrammes d'état - CHAMPION Adrien - ETIENNE Thibaut RIZZI Thibaut 1A - INFO - Groupe EF - G36.

Rapport de projet. Animation de diagrammes d'état - CHAMPION Adrien - ETIENNE Thibaut RIZZI Thibaut 1A - INFO - Groupe EF - G36. Rapport de projet Animation de diagrammes d'état - CHAMPION Adrien - ETIENNE Thibaut RIZZI Thibaut 1A - INFO - Groupe EF - G36 Juin 2008 2 Table des matières 1 Introduction...5 1.1 - Objectif...5 1.2 Choix

Plus en détail

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant

Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant Licence informatique - L Année 0/0 Conception d algorithmes et applications (LI) COURS Résumé. Dans cette cinquième séance, nous continuons l exploration des algorithmes de type Programmation Dynamique.

Plus en détail

Présentation. Les impressions

Présentation. Les impressions Présentation Ce chapitre regroupe de nombreuses fonctionnalités relatives aux impressions. En effet, il concerne les éditions sur papier, les aperçus à l'écran avant impression et la visualisation des

Plus en détail

Développement du bois énergie : quel impact à terme sur le marché du bois en France?

Développement du bois énergie : quel impact à terme sur le marché du bois en France? Développement du bois énergie : quel impact à terme sur le marché du bois en France? Le développement du bois énergie va se traduire par une situation de concurrence entre les différents acteurs économiques

Plus en détail

9.1 LES CALCULS DE PERFORMANCE

9.1 LES CALCULS DE PERFORMANCE 9. SYSTÈME DE SUIVI ET DE SURVEILLANCE Il est primordial de mettre en place les outils nécessaires pour assurer un suivi rigoureux du Plan conjoint de gestion des matières résiduelles des MRC d'acton et

Plus en détail

XTRADE TRADING CFD EN LIGNE. XTRADE - XFR Financial Ltd. est régulée par la CySEC, Licence CIF no 108/10

XTRADE TRADING CFD EN LIGNE. XTRADE - XFR Financial Ltd. est régulée par la CySEC, Licence CIF no 108/10 XTRADE TRADING CFD EN LIGNE POLITIQUE RELATIVE AU MEILLEUR INTÉRÊT ET AUX ORDRES D'EXÉCUTION 1. Introduction La présente Politique relative au meilleur intérêt et aux Ordres d'exécution ("la Politique")

Plus en détail

Discrétisation et génération de hiérarchies de concepts

Discrétisation et génération de hiérarchies de concepts Prétraitement des données 1 Pourquoi prétraiter les données? Nettoyage des données Intégration et transformation Réduction des données Discrétisation et génération de hiérarchies de g concepts Pourquoi

Plus en détail

EXCEL PERFECTIONNEMENT CALCULS AVANCES

EXCEL PERFECTIONNEMENT CALCULS AVANCES TABLE DES MATIÈRES TABLE DES MATIÈRES... 1 CONVENTIONS UTILISÉES... 2 FORMATS... 3 Formats personnalisés... 3 ADRESSAGE DE CELLULES... 4 relatif & absolu Rappel... 4 FONCTIONS SI-ET-OU... 5 LA FONCTION

Plus en détail

L analyse boursière avec Scilab

L analyse boursière avec Scilab L analyse boursière avec Scilab Introduction La Bourse est le marché sur lequel se traitent les valeurs mobilières. Afin de protéger leurs investissements et optimiser leurs résultats, les investisseurs

Plus en détail

Sylvain Archenault Yves Houpert. Projet Informatique : Langage Java : Jeu De Dames en Java

Sylvain Archenault Yves Houpert. Projet Informatique : Langage Java : Jeu De Dames en Java Sylvain Archenault Yves Houpert Projet Informatique : Langage Java : Jeu De Dames en Java Projet GM3 Mai 2005 Chapitre 1 INTRODUCTION Le projet qui nous a été confié est de réaliser un jeu de dames en

Plus en détail

LE PROBLEME DU FLOT MAXIMAL

LE PROBLEME DU FLOT MAXIMAL LE PROBLEME DU FLOT MAXIMAL I Exemple d introduction Deux châteaux d'eau alimentent 3 villes à travers un réseau de canalisations au sein duquel se trouvent également des stations de pompage. Les châteaux

Plus en détail

Représentation de la Connaissance. Complément Pratique 7 novembre 2006

Représentation de la Connaissance. Complément Pratique 7 novembre 2006 Représentation de la Connaissance Les jeux en Prolog Introduction Complément Pratique 7 novembre 2006 Nous nous intéressons aux jeux à deux joueurs pour lesquels la situation du jeu est connue des deux

Plus en détail

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1

Master IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1 Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs

Plus en détail

Introduction aux épreuves de logique des concours ACCÈS et SESAME

Introduction aux épreuves de logique des concours ACCÈS et SESAME Introduction aux épreuves de logique des concours ACCÈS et SESAME «La chance aide parfois, le travail toujours» Vous vous apprêtez à vous lancer dans cette course contre la montre qu est l admission en

Plus en détail

Rédigé par un élève de Terminale S à l'aide de ses livres de maths (Indice, Bordas), ses cours, toute sa peine, et son stress pour le bac! J.

Rédigé par un élève de Terminale S à l'aide de ses livres de maths (Indice, Bordas), ses cours, toute sa peine, et son stress pour le bac! J. Rédigé par un élève de Terminale S à l'aide de ses livres de maths (Indice, Bordas), ses cours, toute sa peine, et son stress pour le bac! J. FAIVRE s de cours exigibles au bac S en mathématiques Enseignement

Plus en détail

Mesurer les performances (CPU) sous Linux

Mesurer les performances (CPU) sous Linux Titre : Mesurer les performances (CPU) sous Linux Date : 22/07/2015 Page : 1/7 Mesurer les performances (CPU) sous Linux Résumé : Il existe des outils permettant de tracer les temps CPU utilisés (profiling).

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

1 Introduction. 2 Algorithmes sans élagage. 2.1 Minimax. Chapitre 3 : Jeux (Février 2007, Pierre Gançarski)

1 Introduction. 2 Algorithmes sans élagage. 2.1 Minimax. Chapitre 3 : Jeux (Février 2007, Pierre Gançarski) Chapitre 3 : Jeux (Février 2007, Pierre Gançarski) 1 Introduction Quatre caractérisques pour les jeux étudiés : jeux à deux : deux adversaires eectuent alternativement des coups, chaque défaillance de

Plus en détail

Arbres ordonnés, binaires, tassés, FAP, tri par FAP, tas, tri par tas

Arbres ordonnés, binaires, tassés, FAP, tri par FAP, tas, tri par tas Arbres ordonnés, binaires, tassés, FAP, tri par FAP, tas, tri par tas 1. Arbres ordonnés 1.1. Arbres ordonnés (Arbres O) On considère des arbres dont les nœuds sont étiquetés sur un ensemble muni d'un

Plus en détail

Principes généraux de codage entropique d'une source. Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph

Principes généraux de codage entropique d'une source. Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph Principes généraux de codage entropique d'une source Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph Table des matières Objectifs 5 Introduction 7 I - Entropie d'une source 9 II -

Plus en détail

Clément MILVILLE / Edouard SIMON. Projet CodeWar. Enseignant tuteur: Michaël Hauspie 1/17

Clément MILVILLE / Edouard SIMON. Projet CodeWar. Enseignant tuteur: Michaël Hauspie 1/17 Projet CodeWar Enseignant tuteur: Michaël Hauspie 1/17 2/17 Remerciements: Nous tenons à remercier tout particulièrement notre tuteur M. Michaël HAUSPIE pour son aide, ses conseils, ses avis et sa disponibilité

Plus en détail

UNIVERSITE SAAD DAHLAB DE BLIDA

UNIVERSITE SAAD DAHLAB DE BLIDA Chapitre 5 :. Introduction aux méthodes par séparation et évaluation Les méthodes arborescentes ( Branch and Bound Methods ) sont des méthodes exactes d'optimisation qui pratiquent une énumération intelligente

Plus en détail

BAAN IVc. Guide de l'utilisateur BAAN Data Navigator

BAAN IVc. Guide de l'utilisateur BAAN Data Navigator BAAN IVc Guide de l'utilisateur BAAN Data Navigator A publication of: Baan Development B.V. B.P. 143 3770 AC Barneveld Pays-Bas Imprimé aux Pays-Bas Baan Development B.V. 1997 Tous droits réservés. Toute

Plus en détail

Projet OpNet. Spécialité Réseaux 2003/2004 Yannick GRENZINGER Loic JAQUEMET

Projet OpNet. Spécialité Réseaux 2003/2004 Yannick GRENZINGER Loic JAQUEMET Projet OpNet Spécialité Réseaux 2003/2004 Yannick GRENZINGER Loic JAQUEMET 1Présentation...3 1.1Le besoin de mobilité...3 1.2Le protocole IP Mobile...4 1.3Opnet...5 1.4Le projet...6 2La réalisation du

Plus en détail

Équations et inéquations du 1 er degré

Équations et inéquations du 1 er degré Équations et inéquations du 1 er degré I. Équation 1/ Vocabulaire (rappels) Un équation se présente sous la forme d'une égalité constituée de nombres, de lettres et de symboles mathématiques. Par exemple

Plus en détail

Partie I Le consommateur et la demande

Partie I Le consommateur et la demande Partie I Le consommateur et la demande Chapitre 1 La fonction d utilité 1 Plan du cours 1. Le consommateur. 2. La notion d utilité. 3. Les courbes d indifférence. 4. L optimum du consommateur. 5. Exercices.

Plus en détail

pedigree d'un cheval Zoe ; son père est Tonnerre et sa mère Belle ; mère de Belle est Rose et père de Belle est Eclair jean jean marc paul luc

pedigree d'un cheval Zoe ; son père est Tonnerre et sa mère Belle ; mère de Belle est Rose et père de Belle est Eclair jean jean marc paul luc Chap. 3 Les arbres binaires Un arbre est un ensemble de nœuds, organisés de façon hiérarchique, à partir d'un nœud distingué, appelé racine. La structure d'arbre est l'une des plus importantes et des plus

Plus en détail

Guillaume SOLDERA (B guillaume.soldera@serli.fr) SERLI Informatique Bull OW2 Consortium. Comparatif Choco/Drools dans le cadre du projet JASMINe

Guillaume SOLDERA (B guillaume.soldera@serli.fr) SERLI Informatique Bull OW2 Consortium. Comparatif Choco/Drools dans le cadre du projet JASMINe Guillaume SOLDERA (B guillaume.soldera@serli.fr) SERLI Informatique Bull OW2 Consortium dans le cadre du projet JASMINe Avril 2008 Table des matières 1 Introduction 3 1.1 Rappel sur JASMINe.......................................

Plus en détail

9. Équations différentielles

9. Équations différentielles 63 9. Équations différentielles 9.1. Introduction Une équation différentielle est une relation entre une ou plusieurs fonctions inconnues et leurs dérivées. L'ordre d'une équation différentielle correspond

Plus en détail

DU BINAIRE AU MICROPROCESSEUR - D ANGELIS LOGIQUE COMBINATOIRE. SIMPLIFICATION DES EQUATIONS BOOLEENNES Leçon 07

DU BINAIRE AU MICROPROCESSEUR - D ANGELIS LOGIQUE COMBINATOIRE. SIMPLIFICATION DES EQUATIONS BOOLEENNES Leçon 07 DU BINAIRE AU MICROPROCESSEUR - D ANGELIS 43 SIMPLIFICATION DES EQUATIONS BOOLEENNES Leçon 7 Le rôle de la logique combinatoire est de faciliter la simplification des circuits électriques. La simplification

Plus en détail

Série d exercices N 9 Arbres

Série d exercices N 9 Arbres Série d exercices N 9 Arbres Exercice 1 a) Ecrire une fonction ARBIN creerarbreentiers() qui permet de créer et de renvoyer l arbre d entiers suivant : b) Ecrire une fonction int feuilles(arbin a) qui

Plus en détail

M2 TIIR (2013-2014) Bilel Derbel

M2 TIIR (2013-2014) Bilel Derbel M2 TIIR (2013-2014) Bilel Derbel Notre but est de concevoir une application générique sur grid5000 qui permet de déployer des calculs parallèles de façon transparente Plus précisément, nous nous plaçons

Plus en détail

CONCEPTION Support de cours n 3 DE BASES DE DONNEES

CONCEPTION Support de cours n 3 DE BASES DE DONNEES CONCEPTION Support de cours n 3 DE BASES DE DONNEES Auteur: Raymonde RICHARD PRCE UBO PARTIE III. - LA DESCRIPTION LOGIQUE ET PHYSIQUE DES DONNEES... 2 A. Les concepts du modèle relationnel de données...

Plus en détail

Modélisation et étude d un système de trading directionnel diversifié sur 28 marchés à terme

Modélisation et étude d un système de trading directionnel diversifié sur 28 marchés à terme Modélisation et étude d un système de trading directionnel diversifié sur 28 marchés à terme Trading system : Trend following Breakout Janvier 1996 - Janvier 2009 Etude de la performance du système Le

Plus en détail

Dénombrement Probabilité uniforme sur un ensemble fini

Dénombrement Probabilité uniforme sur un ensemble fini UPV - MathsL1S1 1 II Dénombrement Dénombrement Probabilité uniforme sur un ensemble fini I Dénombrement 1) Factorielles : Pour n entier 1, il y a : n! = n.(n - 1). (n - 2) 2.1 façons d aligner n objets

Plus en détail

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce

Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce Année 2007-2008 Projet informatique «Voyageur de commerce» Résolution approchée par algorithme génétique du problème du voyageur de commerce B. Monsuez Projet informatique «Voyageur de commerce» Résolution

Plus en détail

Projet de Base de données

Projet de Base de données Julien VILLETORTE Licence Informatique Projet de Base de données Année 2007-2008 Professeur : Marinette Savonnet Sommaire I) Introduction II) III) IV) Diagrammes a. Diagramme Use Case b. Diagramme de classes

Plus en détail

M2 MPRO. Optimisation dans les Graphes 2014-2015

M2 MPRO. Optimisation dans les Graphes 2014-2015 M2 MPRO Optimisation dans les Graphes 2014-2015 Programmation linéaire et problèmes d'optimisation dans les graphes 1 Problèmes d'optimisation dans les graphes : quelles méthodes pour les résoudre? Théorie

Plus en détail

Les mathématiques en maternelle. Circonscription de St Julien - Christophe Licitri CPAIEN Martine Montellier PEMF

Les mathématiques en maternelle. Circonscription de St Julien - Christophe Licitri CPAIEN Martine Montellier PEMF Les mathématiques en maternelle Circonscription de St Julien - Christophe Licitri CPAIEN Martine Montellier PEMF Questionnement Quels sont les champs d'application des mathématiques en maternelle? Quels

Plus en détail

Équations différentielles en physique

Équations différentielles en physique Fiche Mathématiques pour la Physique - Équations différentielles en physique - MPSI 1 Lycée Chaptal - 2012 Équations différentielles en physique On ne considère en physique en prépa (quasiment) que des

Plus en détail

MoneyTalk - Personal Finance Day du 27 septembre 2008

MoneyTalk - Personal Finance Day du 27 septembre 2008 21/09/2008 Existe-t-il un niveau de chiffre d'affaires à partir duquel il est intéressant de passer en société? Mise en garde : cette note a servi de support à la présentation d un exposé lors de la journée

Plus en détail

L2 - Algorithmique et structures de données (Année 2010/2011) Examen (2 heures)

L2 - Algorithmique et structures de données (Année 2010/2011) Examen (2 heures) L2 - lgorithmique et structures de données (nnée 2010/2011) Delacourt, Phan Luong, Poupet xamen (2 heures) Les documents (cours, TD, TP) sont autorisés. Les quatre exercices sont indépendants. À la fin

Plus en détail

Université Laval Faculté des sciences et de génie Département d'informatique et de génie logiciel IFT-3101. Travail pratique #2

Université Laval Faculté des sciences et de génie Département d'informatique et de génie logiciel IFT-3101. Travail pratique #2 Université Laval Faculté des sciences et de génie Département d'informatique et de génie logiciel IFT-3101 Danny Dubé Hiver 2014 Version : 11 avril Questions Travail pratique #2 Traduction orientée-syntaxe

Plus en détail

Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC

Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC Lycée Fénelon Sainte-Marie Préparation Science-Po/Prépa HEC Dénombrement et probabilités Version du juillet 05 Enoncés Exercice - YouTube Sur YouTube, les vidéos sont identifiées à l aide d une chaîne

Plus en détail

Description du module GENERATEUR rev.2 1. Rôle du module

Description du module GENERATEUR rev.2 1. Rôle du module Description du module GENERATEUR rev.2 1. Rôle du module Ce module doit implémenter un générateur de «points aléatoires» selon une répartition de densité donnée. Tout d abord, le générateur doit être initialisé

Plus en détail

UTFPR. Nada Benlahbib. [DATA MINING] Fertility Data Set

UTFPR. Nada Benlahbib. [DATA MINING] Fertility Data Set UTFPR [DATA MINING] Fertility Data Set Sommaire Introduction... 2 1. Description de la base de données... 3 1.1. Origine de la base... 3 1.2. Description des attributs... 3 1.3. Exploration des données...

Plus en détail

CHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal

CHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal III CHOIX OPTIMAL DU CONSOMMATEUR A - Propriétés et détermination du choix optimal La demande du consommateur sur la droite de budget Résolution graphique Règle (d or) pour déterminer la demande quand

Plus en détail

SOCIETE D'INFORMATIQUE MULTI-SOLUTIONS INC.

SOCIETE D'INFORMATIQUE MULTI-SOLUTIONS INC. SOCIETE D'INFORMATIQUE MULTI-SOLUTIONS INC. Facturation (FH) Version 7.02 Novembre 2001 SERVO-GESTION Facturation (FH) Si vous ne l'avez pas déjà fait, nous vous invitons à lire, avant de commencer à utiliser

Plus en détail

Programmation avancée

Programmation avancée Programmation avancée Chapitre 1 : Complexité et les ABR (arbres binaires de recherche) 1 1 IFSIC Université de Rennes-1 M2Crypto, octobre 2011 Plan du cours 1 2 3 4 5 6 7 8 9 10 Algorithmes Définition

Plus en détail

Calculs préliminaires.

Calculs préliminaires. MINES-PONTS 005. Filière MP. MATHÉMATIQES 1. Corrigé de JL. Lamard jean-louis.lamard@prepas.org) Calculs préliminaires. Notons que si f H alors f)e / est bien intégrable sur R car continue positive et

Plus en détail

CHAMPION Matthieu Modèles de Marché en Visual Basic ESILV S04 S6. Sommaire... 1. Introduction... 2

CHAMPION Matthieu Modèles de Marché en Visual Basic ESILV S04 S6. Sommaire... 1. Introduction... 2 Sommaire Sommaire... 1 Introduction... 2 1 Trois différentes techniques de pricing... 3 1.1 Le modèle de Cox Ross Rubinstein... 3 1.2 Le modèle de Black & Scholes... 8 1.3 Méthode de Monte Carlo.... 1

Plus en détail

Rapport de méthodologie:

Rapport de méthodologie: Rapport de méthodologie: "Laboratoire on chip/lab-on-chip/loc" REMARQUE : La méthode employée est en tout point similaire à celle utilisée en groupe. Contents Rapport de méthodologie:... 1 "Laboratoire

Plus en détail

Option Informatique Arbres binaires équilibrés

Option Informatique Arbres binaires équilibrés Option Informatique Arbres binaires équilibrés Sujet novembre 2 Partie II : Algorithmique et programmation en CaML Cette partie doit être traitée par les étudiants qui ont utilisé le langage CaML dans

Plus en détail

Marches, permutations et arbres binaires aléatoires

Marches, permutations et arbres binaires aléatoires Marches, permutations et arbres binaires aléatoires Épreuve pratique d algorithmique et de programmation Concours commun des Écoles Normales Supérieures Durée de l épreuve: 4 heures Cœfficient: 4 Juillet

Plus en détail

Systèmes de transmission

Systèmes de transmission Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un

Plus en détail

Test de Poisson à 1 échantillon et à 2 échantillons

Test de Poisson à 1 échantillon et à 2 échantillons Test de Poisson à 1 échantillon et à 2 échantillons Sous-menus de Minitab 15 : Stat>Statistiques élémentaires>test de Poisson à 1 échantillon Stat>Statistiques élémentaires>test de Poisson à 2 échantillons

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

Points fixes de fonctions à domaine fini

Points fixes de fonctions à domaine fini ÉCOLE POLYTECHNIQUE ÉCOLE NORMALE SUPÉRIEURE DE CACHAN ÉCOLE SUPÉRIEURE DE PHYSIQUE ET DE CHIMIE INDUSTRIELLES CONCOURS D ADMISSION 2013 FILIÈRE MP HORS SPÉCIALITÉ INFO FILIÈRE PC COMPOSITION D INFORMATIQUE

Plus en détail

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population.

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population. Première STMG1 2014-2015 progression. - 1 Table des matières Fil rouge. 3 Axes du programme. 3 Séquence : Proportion d une sous population dans une population. 3 Information chiffrée : connaître et exploiter

Plus en détail

Chapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique :

Chapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique : Chapitre Chapitre. Séries de Fourier Nous supposons connues les formules donnant les coefficients de Fourier d une fonction - périodique : c c a0 f x dx c an f xcosnxdx c c bn f xsinn x dx c L objet de

Plus en détail

KIT DE SURVIE EN RECHERCHE D EXTREMA LIÉS

KIT DE SURVIE EN RECHERCHE D EXTREMA LIÉS KIT DE SURVIE EN RECHERCHE D EXTREMA LIÉS Remarques préliminaires : Ce court document n a nullement la prétention de présenter la question de la recherche d extrema liés avec toute la rigueur qui lui serait

Plus en détail

EXERCICES DE. (version 2.0 du 28.02.2010)

EXERCICES DE. (version 2.0 du 28.02.2010) EXERCICES DE THÉORIE DES JEUX (DÉCISION) (version 2.0 du 28.02.2010) EXERCICE 1. Niveau : Gymnase (lycée) Auteur : V. Isoz (isozv@hotmail.com) Mots-clés : Critères décisionnels classiques Enoncé : Un marchand

Plus en détail

Introduction au Makefile

Introduction au Makefile Introduction au Makefile Nicolas Kielbasiewicz 3 mars 2009 Le développement d un programme et plus généralement d un logiciel demande au(x) programmeur(s) de gérer plusieurs fichiers, voire plusieurs langages.

Plus en détail

RAPPORT DE CONCEPTION UML :

RAPPORT DE CONCEPTION UML : Carlo Abi Chahine Sylvain Archenault Yves Houpert Martine Wang RAPPORT DE CONCEPTION UML : Bamboo Ch@t Projet GM4 Juin 2006 Table des matières 1 Introduction 2 2 Présentation du logiciel 3 2.1 Précisions

Plus en détail

Bac Blanc Terminale ES - Février 2014 Épreuve de Mathématiques (durée 3 heures)

Bac Blanc Terminale ES - Février 2014 Épreuve de Mathématiques (durée 3 heures) Bac Blanc Terminale ES - Février 2014 Épreuve de Mathématiques (durée 3 heures) L attention des candidats est attirée sur le fait que la qualité de la rédaction, la clarté et la précision des raisonnements

Plus en détail

Le système SMART 1. Indexation

Le système SMART 1. Indexation Le système SMART Le système SMART (System for the Mechanical Analysis and Retrieval of Text) (aussi appelé Salton's Magic Automatic Retrieval Technique:-) est un système de RI expérimental. Il utilise

Plus en détail