1 DA et PX-DA pour l estimation bayésienne dans un modèle de régression probit
|
|
- Géraldine Gignac
- il y a 6 ans
- Total affichages :
Transcription
1 Méthodes de Monte Carlo par Chaînes de Markov et Applications M2 MVA TD séance du 19 Novembre 2012 Rappel. Soit f : R d R une fonction mesurable telle que π(f 2 <. On dit qu un TLC est vérifié pour la fonction f si il existe une constante σ 2 (f positive ou nulle telle que n 1 (1 n f(x k π(f n k=0 P ξ = N(0,σ 2 (f. Nous avons vu que sous certaines conditions sur la chaîne (X k k, ( n 1 2 σ 2 1 (f = lim n n E π {f(x k π(f}. k=0 L objectif de cette séance est de considérer un problème d estimation de la moyenne a posteriori dans un modèle de régression probit et (i de comparer deux algorithmes MCMC DA et Parameter- Expanded DA (PX-DA pour le calcul de cette moyenne via la comparaison de leur variance σ 2 (f; (ii de comparer différents estimateurs de la variance asymptotique σ 2 (f lorsque (X k k est issue d un algorithme MCMC. 1 DA et PX-DA pour l estimation bayésienne dans un modèle de régression probit 1.1 Modèle de régression probit On dispose d observations binaires {d k } 1 k m modélisées comme une réalisation des v.a. {D k } 1 k m indépendantes, de loi de Bernoulli telles que P(D k = 1 = Φ(β T v k où {v 1,,v m } est une collection de régresseurs (connus v k R d et β R d est un vecteur inconnu (d < m. Φ désigne la fonction de répartition d une v.a. gaussienne N(0, 1. L objectif est d estimer β à l aide des observations {d k } 1 k m et de la matrice des régresseurs (par convention, les vecteurs sont des vecteurs-colonne v1 T V = Rm d. v T m 1
2 1.2 Jeu de données On considère le jeu de données Latent Membranous Lupus Nephritis 1 constitué de m = 55 observations binaires (présence/absence de maladie, de d = 3 régresseurs v k = (1,v k (1,v k (2 où v k (i sont des covariables indiquant la quantité de certains anti-corps chez l individu k. Ce jeu de données est disponible sur la page web du cours 2 sous la forme d un tableau m 4 contenant en ligne k le vecteur : (d k,1,v k (1,v k ( Inférence bayésienne La vraisemblance des observations est donnée m ( Φ(β T v k d k ( 1 Φ(β T v k 1 d k. On introduit un prior plat sur le paramètre β R d. Par suite, la loi cible est une loi sur R d de log-densité notée log f X et donnée par (on omet la dépendance en d k,v k m ( log f X (β = dk log Φ(β T v k + (1 d k log Φ(β T v k. (1 1.4 Algorithme DA pour le modèle de régression probit L algorithme DA est décrit en Annexe A en toute généralité. Ci-après, on décrit cet algorithme lorsqu appliqué au problème de régression probit. On pourra vérifier que l algorithme qui suit produit une chaîne (( n,β n n telle que la marginale (β n n est une chaîne de Markov de probabilité invariante f X (voir indications en Annexe A. Notons y TN(µ,1,d(y la densité d une loi Gaussienne de moyenne µ et variance 1 tronquée TN(µ,1,d(y = N(µ,1(y1I R +(y1i d=1 + N(µ,1(y1I R (y1i d=0. On pose Γ = (V T V 1 H = ΓV T. Pour le jeu de données considéré, la matrice V est de rang plein et Γ est bien définie [RH07] Algorithme DA Etant donnée ( n,β n R m R d, simuler ( n+1,β n+1 par : Tirer indépendamment n+1,1,, n+1,m de loi n+1,k TN(β T n v k,1,d k et appeler le résultat n+1 = ( n+1,1,, n+1,m. Simuler β n+1 N( H n+1,γ. 1 inflammation des reins causée par le lupus, maladie auto-immune qui survient lorsque le système immunitaire s attaque aux cellules de l organisme et les détruit. Jeu de données décrit en [VDM01] 2 gfort, rubrique Teaching 2
3 1.5 Algorithme PX-DA pour le modèle de régression probit L algorithme PX-DA est décrit en Annexe B en toute généralité. Ci-après, on décrit cet algorithme lorsqu appliqué au problème de régression probit. On pourra vérifier que l algorithme qui suit produit une chaîne de Markov (β n n de probabilité invariante f X (voir indications en Annexe B. Algorithme PX-DA Etant donnée β n R d, simuler β n+1 par : Tirer n+1,1,, n+1,m indépendantes de loi n+1,k TN(β T n v k,1,d k et poser n+1 = ( n+1,1,, n+1,m R m. Simuler µ n+1 Gamma ( m 2, 1 2 T n+1 (I V ΓV T n+1. Simuler β n+1 N( µ n+1 Hn+1,Γ. 2 Application numérique 1 Ecrire un programme pour simuler une trajectoire de longueur N max de l algorithme DA. On pourra initialiser la chaîne en X 0 = ( Ecrire un programme pour simuler une trajectoire de longueur N max de l algorithme PX-DA. On pourra initialiser la chaîne en le même point initial X 0 que pour DA. 3 Modifier le code de PX-DA pour associer à la trajectoire de la chaîne, la suite des points de regénération (voir ci-dessous. 4 Comparer l estimateur de l espérance a posteriori β := βf X (βdβ obtenu par DA et par PX-DA. Pour ce faire, a pour chacun des deux algorithmes et pour chacune des 3 composantes de β, tracer l évolution de l estimateur en fonction de n (sur la même figure. b pour chacun des deux algorithmes et chacune des 3 composantes, estimer un intervalle de confiance asymptotique donné par le TCL pour l estimation de β,i. On pourra considérer l estimateur par batch means (BM. 5 Pour chaque composante i, comparer les estimateurs de la variance asymptotique pour l estimation de β,i par PX-DA, et étudier le rôle de certains paramètres d implémentation de ces estimateurs. Pour ce faire, on pourra par exemple a Relancer N fois l algorithme PX-DA. 3
4 b Utiliser chacune de ces N trajectoires pour calculer N estimations d intervalles de confiance (asymptotiques à 95%. Compter le nombre d intervalles de confiance (asymptotiques qui contiennent la vraie valeur 3 ( et comparer cette fréquence à 95%. c Répéter l étude (5b pour différents estimateurs de ces intervalles de confiance : BM avec b n n 1/3 ; BM avec b n n et RS. 6 Qu en concluez-vous? (vous pourrez comparer vos conclusions à celles de [FJ10]. Condition de minoration, algorithme PX-DA L algorithme PX-DA construit une chaîne de la forme β n 1 n β n n+1 β n+1 n+2. Pour construire les instants de regénération, il faut minorer le noyau de transition β n β n+1. Il y a deux stratégies possibles (voir Annexe C: soit on considère qu une transition de l algorithme est donnée par ( n,β n ( n+1,β n+1, soit on considère qu elle est donnée par (β n, n+1 (β n+1, n+2. D après l expression de la minoration donnée en Annexe C, l apparition d un instant de regénération est d autant plus fréquente que dans la stratégie 1 (resp. stratégie 2 n+1 est dans un hypercube (resp. β n+1 est dans un hypercube. Puisque n R m et β n R d, nous choisirons la stratégie 1 ssi m < d. Dans le cas du modèle de régression probit, la transition (β n, n+1 (β n+1, n+2 est une regénération avec probabilité donnée par 4 ( d exp i=1 {c i W n,i 1I R +(W n,i + d i W n,i 1I R (W n,i W n,i β n+1,i } 1I D (β n+1, où W n = ( µ n+1 n+1 y T V. Ici, D = [c 1,d 1 ] [c 2,d 2 ] [c 3,d 3 ]. On pourra construire c i,d i de la façon suivante (d après [RH07]: lancer une trajectoire de PX-DA de itérations. calculer la valeur moyenne de la chaîne le long de cette trajectoire : notée β ; y sera la valeur moyenne des tirages n. pour chaque composante i, calculer l écart-type standard pour l estimation de β,i le long de cette trajectoire, notée s i. poser c i = β,i 0.09s i ; d i = β,i s i. 3 la valeur de β n est pas connue; la valeur donnée a été estimée à partir d une très longue trajectoire (10 8 itérations de l algorithme PX-DA et sera donc considérée comme la vraie valeur 4 cette affirmation est prouvée dans [RH07]; elle s obtient en appliquant les résultats de l Annexe C avec f 1 = f X. 4
5 A Algorithme DA L algorithme Data Augmentation est indiqué pour les situations où la loi cible f X peut s écrire comme la marginale d une loi jointe f(x,y à condition de savoir simuler sous les lois conditionnelles x f X (x y et y f X (y x. Voir par exemple [Hob11] pour une présentation générale de cet algorithme. Supposons qu il existe une densité de probabilité f(x,y sur R d R l telle que f X (x = f(x,ydy. On note f (y = f(x,ydx, X = {x R d,f X (x > 0} et = {y R l,f (y > 0} 1. Soit x,x X X. On définit p(x,x := f X (x y f X (y x dy. Vérifier que p est un noyau de transition de Markov. Proposer un algorithme pour simuler sous la loi de densité x p(x,x à partir d un échantillonneur des lois x f X (x y et y f X (y x. 2. Montrer que ce noyau est réversible par rapport à la densité cible f X (x. 3. Mise en oeuvre sur le modèle de régression probit: (voir [Hob11, RH07] (a montrer que la densité m f(x,y = N(vk T x,1(y k(1i R +(y k 1I dk =1 + 1I R (y k 1I dk =0 vérifie f X (x = f(x,ydy où f X est donnée par Eq. (1. (b Montrer que et que f X (x y N( Hy;Γ(x, m f X (y x N(vk T x,1(y k(1i R +(y k 1I dk =1 + 1I R (y k 1I dk =0. B Algorithme PX-DA L algorithme DA introduit une variable auxiliaire X n n+1 X n+1 pour simuler X n+1 à partir de X n. L algorithme PX-DA introduit un niveau de flexibilité supplémentaire en considérant deux variables auxiliaires X n n+1 n+1 X n+1 pour simuler X n+1 à partir de X n. 5
6 Pour obtenir n+1 à partir de n+1, on se donne une famille de transformations T µ : indexées par µ M et une loi de probabilité ω sur M. Dans la suite, on va se restreindre aux transformations de la forme = T µ ( = µ µ R +, et ω désignera la densité d une loi sur R + (par rapport à Lebesgue. On supposera que = µ pour tout µ > 0. Voir par exemple [Hob11] pour des familles T µ plus générales. Remarquons que f X (x = f(x,ydy = f(x,µzµ l dz = f(x,µzµ l dz {z:µz } ce qui entraine que f X (x = f X (xω(µdµ = R + ( f(x,µzµ l ω(µdµ dz. R + Ainsi, on a écrit f X comme la marginale d une loi f (x,y définie par f (x,y = f(x,µyµ l ω(µdµ. R + PX-DA est l algorithme DA appliqué avec cette loi marginale f, à condition de savoir simuler sous les lois marginales f X et f X. 1. Montrer que pour simuler sous la loi conditionnelle f X ( x il suffit de Tirer indépendamment µ et sous la loi resp. ω et f X ( x Retourner /µ. 2. Mise en oeuvre sur le modèle de régression probit : (voir [Hob11, RH07] a On considère ω(µ µ 2α 1 exp( µ 2 δ sur R + où α,δ > 0. Vérifier que ω est la loi de U lorsque U Gamma(α,δ. b En déduire un algorithme pour simuler sous f X ( x. c Montrer que f X (x y = R + f X (x µy H(µ y dµ où pour tout y, µ H(µ y est une densité sur R + proportionnelle à H(µ y µ 2α 1 exp ( 0.5µ 2 (2δ + y T (I V ΓV T y 1I R +(y. d Vérifier que µ H(µ y est la loi de V où ( V Gamma α + m 2,δ yt (I V ΓV T y. e En déduire un algorithme pour simuler sous f X ( y. Lorsque l on applique cet algorithme avec α = δ = 0, cela signifie que l on met un prior plat sur µ (ω(µ = 1 pour tout µ et dans ce cas, f X = f X (voir [LW99]. 6
7 C Condition de minoration pour un algorithme de Gibbs Soit un algorithme de Gibbs pour la simulation d un couple de v.a. (U,V de loi jointe f. Notont f 1 (resp. f 2 sa première marginale (resp. sa seconde. Alors le noyau de transition est donné par p((u,v;(u,v = f 1 (u v f 2 (v u. On fixe une valeur v et un sous-ensemble D de l espace d état de U. Alors, p((u,v;(u,v = f 1(u v f 1 (u v f 1(u v f 2 (v u 1I D (u cinf D f 1 ( v f 1 ( v 1 c f 1(u v f 2 (v u où c := 1I D (u f 1 (u v f 2 (v u du dv = 1I D (u f 1 (u v du. La condition de minoration est donc vérifiée avec s(u,v := cinf D f 1 ( v f 1 ( v Q(u,v := 1 c f 1(u v f 2 (v u 1I D (u. La probabilité de regénération est donnée par s(u,vq(u,v p((u,v;(u,v = f 1(u v f 1 (u v ( f 1 ( v inf D f 1 ( v 1I D (u. Elle est en particulier nulle pour tout u / D. References [FJ10] J.M. Flegal and G. L. Jones. Batch means and spectral variance estimators in markov chain monte carlo. Ann. Statist., 38, [Hob11] J.P. Hobert. Handbook of Markov Chain Monte Carlo, chapter The data augmentation algorithm: theory and methodology. Chapman & Hall, [LW99] J.S. Liu and.n. Wu. Parameter expansion for data augmentation. J. Amer. Statist. Assoc., 94, [RH07] V. Roy and J.P. Hobert. Convergence rates and asymptotics standard errors for markov chain monte carlo algorithms for bayesian probit regression. J.R.Statist.Soc.B, 69, [VDM01] D.A. Van Dyk and X.L. Meng. The art of data augmentation. J. Comput. Graph. Statist., 10,
Simulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailIntégration 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 détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailOM 1 Outils mathématiques : fonction de plusieurs variables
Outils mathématiques : fonction de plusieurs variables PCSI 2013 2014 Certaines partie de ce chapitre ne seront utiles qu à partir de l année prochaine, mais une grande partie nous servira dès cette année.
Plus en détailSuites numériques 4. 1 Autres recettes pour calculer les limites
Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est
Plus en détailENS de Lyon TD 1 17-18 septembre 2012 Introduction aux probabilités. A partie finie de N
ENS de Lyon TD 7-8 septembre 0 Introduction aux probabilités Exercice Soit (u n ) n N une suite de nombres réels. On considère σ une bijection de N dans N, de sorte que (u σ(n) ) n N est un réordonnement
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailSommaire Chapitre 1 Chapitre 2 Chapitre 3 Chapitre 4 Chapitre 5 Chapitre 6 Chapitre 7. ARC EPS Eco-microbiologie Prévisionnelle Statistique
ARC EPS Eco-microbiologie Prévisionnelle Statistique 1 Objectifs de l ARC EPS 2 Partenaires 3 Moyens 4 Problématique Microbiologique 5 Démarche et Résultats 6 Perspectives 7 Valorisation LES OBJECTIFS
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailL E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun
9 L E Ç O N Marches aléatoires Niveau : Terminale S Prérequis : aucun 1 Chaînes de Markov Définition 9.1 Chaîne de Markov I Une chaîne de Markov est une suite de variables aléatoires (X n, n N) qui permet
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailDéfinitions. 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 détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détail1.1 Codage de source et test d hypothèse
Théorie de l information et codage 200/20 Cours 8février20 Enseignant: Marc Lelarge Scribe: Marc Lelarge Pour information Page webdu cours http://www.di.ens.fr/~lelarge/info.html Notations Pour des variables
Plus en détailIntégration sur des espaces produits
Chapitre 5 Intégration sur des espaces produits 5.1 Produit de deux mesures Étant donnés deux espaces mesurés (Ω 1, F 1, µ 1 ) et (Ω 2, F 1, µ 2 ), le but de cette section est de construire une mesure
Plus en détailSéminaire 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 détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailChapitre 3. Algorithmes stochastiques. 3.1 Introduction
Chapitre 3 Algorithmes stochastiques 3.1 Introduction Les algorithmes stochastiques sont des techniques de simulation numériques de chaînes de Markov, visant à résoudre des problèmes d optimisation ou
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailCours de méthodes de scoring
UNIVERSITE DE CARTHAGE ECOLE SUPERIEURE DE STATISTIQUE ET D ANALYSE DE L INFORMATION Cours de méthodes de scoring Préparé par Hassen MATHLOUTHI Année universitaire 2013-2014 Cours de méthodes de scoring-
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailFeuille TD n 1 Exercices d algorithmique éléments de correction
Master Sciences, Technologies, Santé Mention Mathématiques, spécialité Enseignement des mathématiques Algorithmique et graphes, thèmes du second degré Feuille TD n 1 Exercices d algorithmique éléments
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailF411 - Courbes Paramétrées, Polaires
1/43 Courbes Paramétrées Courbes polaires Longueur d un arc, Courbure F411 - Courbes Paramétrées, Polaires Michel Fournié michel.fournie@iut-tlse3.fr http://www.math.univ-toulouse.fr/ fournie/ Année 2012/2013
Plus en détailCalcul intégral élémentaire en plusieurs variables
Calcul intégral élémentaire en plusieurs variables PC*2 2 septembre 2009 Avant-propos À part le théorème de Fubini qui sera démontré dans le cours sur les intégrales à paramètres et qui ne semble pas explicitement
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailCours d initiation à la programmation en C++ Johann Cuenin
Cours d initiation à la programmation en C++ Johann Cuenin 11 octobre 2014 2 Table des matières 1 Introduction 5 2 Bases de la programmation en C++ 7 3 Les types composés 9 3.1 Les tableaux.............................
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailNotes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables Fausto Errico Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2012 Table des matières
Plus en détailG.P. DNS02 Septembre 2012. Réfraction...1 I.Préliminaires...1 II.Première partie...1 III.Deuxième partie...3. Réfraction
DNS Sujet Réfraction...1 I.Préliminaires...1 II.Première partie...1 III.Deuxième partie...3 Réfraction I. Préliminaires 1. Rappeler la valeur et l'unité de la perméabilité magnétique du vide µ 0. Donner
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailMIS 102 Initiation à l Informatique
MIS 102 Initiation à l Informatique Responsables et cours : Cyril Gavoille Catherine Pannier Matthias Robine Marc Zeitoun Planning : 6 séances de cours 5 séances de TD (2h40) 4 séances de TP (2h40) + environ
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailSimulation : application au système bonus-malus en responsabilité civile automobile
Simulation : application au système bonus-malus en responsabilité civile automobile Robert Langmeier Travail de séminaire réalisé sous la supervision du professeur François Dufresne Ecole des HEC Université
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailAlgorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détail8 Ensemble grand-canonique
Physique Statistique I, 007-008 8 Ensemble grand-canonique 8.1 Calcul de la densité de probabilité On adopte la même approche par laquelle on a établi la densité de probabilité de l ensemble canonique,
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailCorrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
Plus en détailFORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailThéorie de l estimation et de la décision statistique
Théorie de l estimation et de la décision statistique Paul Honeine en collaboration avec Régis Lengellé Université de technologie de Troyes 2013-2014 Quelques références Decision and estimation theory
Plus en détailIntégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :
Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailProbabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2
Probabilités Table des matières I Petits rappels sur le vocabulaire des ensembles 2 I.1 s................................................... 2 I.2 Propriétés...................................................
Plus en détailLa NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailIncertitude et variabilité : la nécessité de les intégrer dans les modèles
Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre
Plus en détailMARTINGALES POUR LA FINANCE
MARTINGALES POUR LA FINANCE une introduction aux mathématiques financières Christophe Giraud Cours et Exercices corrigés. Table des matières I Le Cours 7 0 Introduction 8 0.1 Les produits dérivés...............................
Plus en détail