Partie 1. La structure des réseaux sociaux
|
|
- Jérôme Clément
- il y a 8 ans
- Total affichages :
Transcription
1 Partie 1. La structure des réseaux sociaux Analyse et Modélisation des Réseaux, Université Bordeaux IV
2 Sections : Introduction 1 Introduction 2 3 L expérience de Milgram Les réseaux aléatoires 4 Le clustering à la Watts et Strogatz 5 Mesures inviduelles de centralité La distribution des degrés Le modèle de Barabasi et Albert 6
3 Pourquoi s intérésser aux réseaux sociaux? Une catégorie très générale et très fréquente des situations d interaction économiques et sociales Joue un rôle dans les comportements des agents et dans les issues individuelle et collective de leurs interactions.
4 Pourquoi s intérésser aux réseaux sociaux? Une catégorie très générale et très fréquente des situations d interaction économiques et sociales Joue un rôle dans les comportements des agents et dans les issues individuelle et collective de leurs interactions.
5 Familles florentines et influence
6 Collaborations scientifiques
7 Information et internet
8 Relations amicales et origine ethnique
9 Romances Introduction
10 L analyse des reseaux sociaux Un objet partagé : Sociologie, Mathématiques, Physique, Economie, Management. Disponibilité des données de réseau Un point de rencontre vers une approche unifiée du fait social.
11 L analyse des reseaux sociaux Un objet partagé : Sociologie, Mathématiques, Physique, Economie, Management. Disponibilité des données de réseau Un point de rencontre vers une approche unifiée du fait social.
12 L analyse des reseaux sociaux Un objet partagé : Sociologie, Mathématiques, Physique, Economie, Management. Disponibilité des données de réseau Un point de rencontre vers une approche unifiée du fait social.
13 Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
14 Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
15 Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
16 Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
17 Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
18 Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
19 Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
20 Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
21 Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
22 Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
23 Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
24 Quelques domaines d application en conomie économie de l innovation économie industrielle économie du travail théorie de jeux économie du développement économie publique et environnement économie internationale finance économie spatiale économétrie économie sociale économie du crime
25 Organisation du cours Lectures conseillées : Barabasi L., M. Newman, & D. Watts, 2006, The structure and dynamics of networks, Princeton University Press. Jackson M.O., 2008, Social and Economic Networks, Princeton University Press. Wasserman, S, Faust K., 1994, Social Network Analysis. Methods and applications, Cambridge University Press.
26 Organisation du cours Lectures conseillées : Barabasi L., M. Newman, & D. Watts, 2006, The structure and dynamics of networks, Princeton University Press. Jackson M.O., 2008, Social and Economic Networks, Princeton University Press. Wasserman, S, Faust K., 1994, Social Network Analysis. Methods and applications, Cambridge University Press.
27 Organisation du cours Lectures conseillées : Barabasi L., M. Newman, & D. Watts, 2006, The structure and dynamics of networks, Princeton University Press. Jackson M.O., 2008, Social and Economic Networks, Princeton University Press. Wasserman, S, Faust K., 1994, Social Network Analysis. Methods and applications, Cambridge University Press.
28 Organisation du cours Lectures conseillées : Barabasi L., M. Newman, & D. Watts, 2006, The structure and dynamics of networks, Princeton University Press. Jackson M.O., 2008, Social and Economic Networks, Princeton University Press. Wasserman, S, Faust K., 1994, Social Network Analysis. Methods and applications, Cambridge University Press.
29 Plan du cours Chapitre 1. La structure des réseaux sociaux Chapitre 2. La formation stratégique des réseaux Chapitre 3. Réseaux et comportements (diffusion, apprentissage, jeux, et marchés)
30 Plan du cours Chapitre 1. La structure des réseaux sociaux Chapitre 2. La formation stratégique des réseaux Chapitre 3. Réseaux et comportements (diffusion, apprentissage, jeux, et marchés)
31 Plan du cours Chapitre 1. La structure des réseaux sociaux Chapitre 2. La formation stratégique des réseaux Chapitre 3. Réseaux et comportements (diffusion, apprentissage, jeux, et marchés)
32 Evaluation pour M2-R Economie Applique Choix d un article de recherche qui doit être présenté et discuté dans un document.
33 Sections : Introduction 1 Introduction 2 3 L expérience de Milgram Les réseaux aléatoires 4 Le clustering à la Watts et Strogatz 5 Mesures inviduelles de centralité La distribution des degrés Le modèle de Barabasi et Albert 6
34 Definitions Introduction Il y a n agents, N = {1, 2,..., n}. Les agents constituent les noeuds d un graphe, les arcs constituant les relations entre eux. Un lien entre deux agents distincts i et j N est dénoté ij. Le réseau est la liste des paires (ordonnées ou non ordonnées) ij g. On écrit aussi que g ij = 1 si ij g et 0 sinon. Il est aussi possible que g ij R dans le cas des graphes pondérés.
35 Definitions Introduction Il y a n agents, N = {1, 2,..., n}. Les agents constituent les noeuds d un graphe, les arcs constituant les relations entre eux. Un lien entre deux agents distincts i et j N est dénoté ij. Le réseau est la liste des paires (ordonnées ou non ordonnées) ij g. On écrit aussi que g ij = 1 si ij g et 0 sinon. Il est aussi possible que g ij R dans le cas des graphes pondérés.
36 Definitions Introduction Il y a n agents, N = {1, 2,..., n}. Les agents constituent les noeuds d un graphe, les arcs constituant les relations entre eux. Un lien entre deux agents distincts i et j N est dénoté ij. Le réseau est la liste des paires (ordonnées ou non ordonnées) ij g. On écrit aussi que g ij = 1 si ij g et 0 sinon. Il est aussi possible que g ij R dans le cas des graphes pondérés.
37 Definitions Introduction Il y a n agents, N = {1, 2,..., n}. Les agents constituent les noeuds d un graphe, les arcs constituant les relations entre eux. Un lien entre deux agents distincts i et j N est dénoté ij. Le réseau est la liste des paires (ordonnées ou non ordonnées) ij g. On écrit aussi que g ij = 1 si ij g et 0 sinon. Il est aussi possible que g ij R dans le cas des graphes pondérés.
38 Definitions Introduction Il y a n agents, N = {1, 2,..., n}. Les agents constituent les noeuds d un graphe, les arcs constituant les relations entre eux. Un lien entre deux agents distincts i et j N est dénoté ij. Le réseau est la liste des paires (ordonnées ou non ordonnées) ij g. On écrit aussi que g ij = 1 si ij g et 0 sinon. Il est aussi possible que g ij R dans le cas des graphes pondérés.
39 Definitions Introduction Le réseaux complet est g N = {ij i, j N}, l ensemble de tous les sous ensembles de N de taille 2. L ensemble de tous les graphes possibles entre les n agents est G = { g g N}. Le nombre total de liens est donné par η(g) = #g. N i (g) = {j ij g} est l ensemble des voisins de i. η i (g) = #N i (g) est le degré de i.
40 Definitions Introduction Le réseaux complet est g N = {ij i, j N}, l ensemble de tous les sous ensembles de N de taille 2. L ensemble de tous les graphes possibles entre les n agents est G = { g g N}. Le nombre total de liens est donné par η(g) = #g. N i (g) = {j ij g} est l ensemble des voisins de i. η i (g) = #N i (g) est le degré de i.
41 Definitions Introduction Le réseaux complet est g N = {ij i, j N}, l ensemble de tous les sous ensembles de N de taille 2. L ensemble de tous les graphes possibles entre les n agents est G = { g g N}. Le nombre total de liens est donné par η(g) = #g. N i (g) = {j ij g} est l ensemble des voisins de i. η i (g) = #N i (g) est le degré de i.
42 Definitions Introduction Le réseaux complet est g N = {ij i, j N}, l ensemble de tous les sous ensembles de N de taille 2. L ensemble de tous les graphes possibles entre les n agents est G = { g g N}. Le nombre total de liens est donné par η(g) = #g. N i (g) = {j ij g} est l ensemble des voisins de i. η i (g) = #N i (g) est le degré de i.
43 Definitions Introduction Le réseaux complet est g N = {ij i, j N}, l ensemble de tous les sous ensembles de N de taille 2. L ensemble de tous les graphes possibles entre les n agents est G = { g g N}. Le nombre total de liens est donné par η(g) = #g. N i (g) = {j ij g} est l ensemble des voisins de i. η i (g) = #N i (g) est le degré de i.
44 Definitions Introduction Un chemin d un réseaux g G reliant i à j, est une séquence de liens telle que {i 1 i 2, i 2 i 3,..., i k 1 i k } g où i 1 = i, i k = j. i g j est l ensemble des chemins reliant i à j sur le graphe g. L ensemble des plus court chemins entre i et j sur g noté i g j est tel que k i g j, alors k i g j et #k = min h i g j #h. Un composant C est un sous ensemble non vide de l ensemble des agents C N tel que i, j C, il y a un chemin entre i et j, c est-à-dire i g j.
45 Definitions Introduction Un chemin d un réseaux g G reliant i à j, est une séquence de liens telle que {i 1 i 2, i 2 i 3,..., i k 1 i k } g où i 1 = i, i k = j. i g j est l ensemble des chemins reliant i à j sur le graphe g. L ensemble des plus court chemins entre i et j sur g noté i g j est tel que k i g j, alors k i g j et #k = min h i g j #h. Un composant C est un sous ensemble non vide de l ensemble des agents C N tel que i, j C, il y a un chemin entre i et j, c est-à-dire i g j.
46 Definitions Introduction Un chemin d un réseaux g G reliant i à j, est une séquence de liens telle que {i 1 i 2, i 2 i 3,..., i k 1 i k } g où i 1 = i, i k = j. i g j est l ensemble des chemins reliant i à j sur le graphe g. L ensemble des plus court chemins entre i et j sur g noté i g j est tel que k i g j, alors k i g j et #k = min h i g j #h. Un composant C est un sous ensemble non vide de l ensemble des agents C N tel que i, j C, il y a un chemin entre i et j, c est-à-dire i g j.
47 Definitions Introduction Un chemin d un réseaux g G reliant i à j, est une séquence de liens telle que {i 1 i 2, i 2 i 3,..., i k 1 i k } g où i 1 = i, i k = j. i g j est l ensemble des chemins reliant i à j sur le graphe g. L ensemble des plus court chemins entre i et j sur g noté i g j est tel que k i g j, alors k i g j et #k = min h i g j #h. Un composant C est un sous ensemble non vide de l ensemble des agents C N tel que i, j C, il y a un chemin entre i et j, c est-à-dire i g j.
48 Definitions Introduction La distance géodesique (relationnelle) entre i et j est le nombre de liens d un chemin le plus court entre eux : d(i, j) = d g (i, j) = #k, avec k i g j. Graphes typiques : le réseaux vide g, l étoile (complète) g, est telle que #g = n 1 et il existe un agent i N tel que si jk g, alors soit j = i ou k = i. L agent i est le centre de l étoile. l arbre (spanning tree) reliant tous les agents est caractérisé par l existence d un chemin et un seul entre chaque paire d agents (aucun cycle et aucun agent isolé). Nous avons ici : η(g) = n 1.
49 Definitions Introduction La distance géodesique (relationnelle) entre i et j est le nombre de liens d un chemin le plus court entre eux : d(i, j) = d g (i, j) = #k, avec k i g j. Graphes typiques : le réseaux vide g, l étoile (complète) g, est telle que #g = n 1 et il existe un agent i N tel que si jk g, alors soit j = i ou k = i. L agent i est le centre de l étoile. l arbre (spanning tree) reliant tous les agents est caractérisé par l existence d un chemin et un seul entre chaque paire d agents (aucun cycle et aucun agent isolé). Nous avons ici : η(g) = n 1.
50 Definitions Introduction La distance géodesique (relationnelle) entre i et j est le nombre de liens d un chemin le plus court entre eux : d(i, j) = d g (i, j) = #k, avec k i g j. Graphes typiques : le réseaux vide g, l étoile (complète) g, est telle que #g = n 1 et il existe un agent i N tel que si jk g, alors soit j = i ou k = i. L agent i est le centre de l étoile. l arbre (spanning tree) reliant tous les agents est caractérisé par l existence d un chemin et un seul entre chaque paire d agents (aucun cycle et aucun agent isolé). Nous avons ici : η(g) = n 1.
51 Definitions Introduction La distance géodesique (relationnelle) entre i et j est le nombre de liens d un chemin le plus court entre eux : d(i, j) = d g (i, j) = #k, avec k i g j. Graphes typiques : le réseaux vide g, l étoile (complète) g, est telle que #g = n 1 et il existe un agent i N tel que si jk g, alors soit j = i ou k = i. L agent i est le centre de l étoile. l arbre (spanning tree) reliant tous les agents est caractérisé par l existence d un chemin et un seul entre chaque paire d agents (aucun cycle et aucun agent isolé). Nous avons ici : η(g) = n 1.
52 Definitions Introduction La distance géodesique (relationnelle) entre i et j est le nombre de liens d un chemin le plus court entre eux : d(i, j) = d g (i, j) = #k, avec k i g j. Graphes typiques : le réseaux vide g, l étoile (complète) g, est telle que #g = n 1 et il existe un agent i N tel que si jk g, alors soit j = i ou k = i. L agent i est le centre de l étoile. l arbre (spanning tree) reliant tous les agents est caractérisé par l existence d un chemin et un seul entre chaque paire d agents (aucun cycle et aucun agent isolé). Nous avons ici : η(g) = n 1.
53 Sections : Introduction L expérience de Milgram Les réseaux aléatoires 1 Introduction 2 3 L expérience de Milgram Les réseaux aléatoires 4 Le clustering à la Watts et Strogatz 5 Mesures inviduelles de centralité La distribution des degrés Le modèle de Barabasi et Albert 6
54 Les petits mondes L expérience de Milgram Les réseaux aléatoires Expérience de Milgram (69, 74) Sélectionner une cible à Sharon (Massachussets), Sélectionner 296 personnes : 196 à Omaha (Nebraska) 100 à Boston (Massachussets), Une boîte leur est envoyée, dans laquelle il leur est demandé : d atteindre la cible s ils la connaissent, d envoyer la boîte à une personne dont ils pensent qu elle pourrait la connaître sinon, et dans tous les cas, d envoyer un rapport.
55 Les petits mondes L expérience de Milgram Les réseaux aléatoires Expérience de Milgram (69, 74) Sélectionner une cible à Sharon (Massachussets), Sélectionner 296 personnes : 196 à Omaha (Nebraska) 100 à Boston (Massachussets), Une boîte leur est envoyée, dans laquelle il leur est demandé : d atteindre la cible s ils la connaissent, d envoyer la boîte à une personne dont ils pensent qu elle pourrait la connaître sinon, et dans tous les cas, d envoyer un rapport.
56 Les petits mondes L expérience de Milgram Les réseaux aléatoires Expérience de Milgram (69, 74) Sélectionner une cible à Sharon (Massachussets), Sélectionner 296 personnes : 196 à Omaha (Nebraska) 100 à Boston (Massachussets), Une boîte leur est envoyée, dans laquelle il leur est demandé : d atteindre la cible s ils la connaissent, d envoyer la boîte à une personne dont ils pensent qu elle pourrait la connaître sinon, et dans tous les cas, d envoyer un rapport.
57 Les petits mondes L expérience de Milgram Les réseaux aléatoires Expérience de Milgram (69, 74) Sélectionner une cible à Sharon (Massachussets), Sélectionner 296 personnes : 196 à Omaha (Nebraska) 100 à Boston (Massachussets), Une boîte leur est envoyée, dans laquelle il leur est demandé : d atteindre la cible s ils la connaissent, d envoyer la boîte à une personne dont ils pensent qu elle pourrait la connaître sinon, et dans tous les cas, d envoyer un rapport.
58 Les petits mondes L expérience de Milgram Les réseaux aléatoires Expérience de Milgram (69, 74) Sélectionner une cible à Sharon (Massachussets), Sélectionner 296 personnes : 196 à Omaha (Nebraska) 100 à Boston (Massachussets), Une boîte leur est envoyée, dans laquelle il leur est demandé : d atteindre la cible s ils la connaissent, d envoyer la boîte à une personne dont ils pensent qu elle pourrait la connaître sinon, et dans tous les cas, d envoyer un rapport.
59 Les petits mondes L expérience de Milgram Les réseaux aléatoires Expérience de Milgram (69, 74) Sélectionner une cible à Sharon (Massachussets), Sélectionner 296 personnes : 196 à Omaha (Nebraska) 100 à Boston (Massachussets), Une boîte leur est envoyée, dans laquelle il leur est demandé : d atteindre la cible s ils la connaissent, d envoyer la boîte à une personne dont ils pensent qu elle pourrait la connaître sinon, et dans tous les cas, d envoyer un rapport.
60 Les petits mondes L expérience de Milgram Les réseaux aléatoires Expérience de Milgram (69, 74) Sélectionner une cible à Sharon (Massachussets), Sélectionner 296 personnes : 196 à Omaha (Nebraska) 100 à Boston (Massachussets), Une boîte leur est envoyée, dans laquelle il leur est demandé : d atteindre la cible s ils la connaissent, d envoyer la boîte à une personne dont ils pensent qu elle pourrait la connaître sinon, et dans tous les cas, d envoyer un rapport.
61 Les petits mondes L expérience de Milgram Les réseaux aléatoires Expérience de Milgram (69, 74) Sélectionner une cible à Sharon (Massachussets), Sélectionner 296 personnes : 196 à Omaha (Nebraska) 100 à Boston (Massachussets), Une boîte leur est envoyée, dans laquelle il leur est demandé : d atteindre la cible s ils la connaissent, d envoyer la boîte à une personne dont ils pensent qu elle pourrait la connaître sinon, et dans tous les cas, d envoyer un rapport.
62 Les petits mondes L expérience de Milgram Les réseaux aléatoires Expérience de Milgram (69, 74) Sélectionner une cible à Sharon (Massachussets), Sélectionner 296 personnes : 196 à Omaha (Nebraska) 100 à Boston (Massachussets), Une boîte leur est envoyée, dans laquelle il leur est demandé : d atteindre la cible s ils la connaissent, d envoyer la boîte à une personne dont ils pensent qu elle pourrait la connaître sinon, et dans tous les cas, d envoyer un rapport.
63 Les petits mondes L expérience de Milgram Les réseaux aléatoires
64 Les petits mondes L expérience de Milgram Les réseaux aléatoires
65 Les petits mondes L expérience de Milgram Les réseaux aléatoires 64 essais ont atteint la cible et, cela a pris en moyenne 5.2 intermediaires et maximum de 12. La légende des six degrés de séparation est née!
66 Les petits mondes L expérience de Milgram Les réseaux aléatoires 64 essais ont atteint la cible et, cela a pris en moyenne 5.2 intermediaires et maximum de 12. La légende des six degrés de séparation est née!
67 Les petits mondes L expérience de Milgram Les réseaux aléatoires De la longueur des chaînes relationnelles à une estimation de la distance moyenne. Les chaînes non abouties : biais conduisant à une sous-estimation de la distance moyenne mais considérer que le taux de réponse des enquêtes ne dépasse quasiment jamais 30%. Biais conduisant à une sur-estimation de la distance moyenne, les chaînes relationnelles n emprunte pas nécessairement un plus court chemin. Correction par White qui estime que la moyenne est plutôt entre 6 et 8.
68 Les petits mondes L expérience de Milgram Les réseaux aléatoires De la longueur des chaînes relationnelles à une estimation de la distance moyenne. Les chaînes non abouties : biais conduisant à une sous-estimation de la distance moyenne mais considérer que le taux de réponse des enquêtes ne dépasse quasiment jamais 30%. Biais conduisant à une sur-estimation de la distance moyenne, les chaînes relationnelles n emprunte pas nécessairement un plus court chemin. Correction par White qui estime que la moyenne est plutôt entre 6 et 8.
69 Les petits mondes L expérience de Milgram Les réseaux aléatoires De la longueur des chaînes relationnelles à une estimation de la distance moyenne. Les chaînes non abouties : biais conduisant à une sous-estimation de la distance moyenne mais considérer que le taux de réponse des enquêtes ne dépasse quasiment jamais 30%. Biais conduisant à une sur-estimation de la distance moyenne, les chaînes relationnelles n emprunte pas nécessairement un plus court chemin. Correction par White qui estime que la moyenne est plutôt entre 6 et 8.
70 Les petits mondes L expérience de Milgram Les réseaux aléatoires De la longueur des chaînes relationnelles à une estimation de la distance moyenne. Les chaînes non abouties : biais conduisant à une sous-estimation de la distance moyenne mais considérer que le taux de réponse des enquêtes ne dépasse quasiment jamais 30%. Biais conduisant à une sur-estimation de la distance moyenne, les chaînes relationnelles n emprunte pas nécessairement un plus court chemin. Correction par White qui estime que la moyenne est plutôt entre 6 et 8.
71 L expérience de Milgram Les réseaux aléatoires Mesures globale de distance moyenne La distance moyenne (des agents sur leur composant) : i j i d (g) = d (i, j) 1 {i g j } # {i, j i j N, i g j }.
72 Les petits mondes L expérience de Milgram Les réseaux aléatoires Dans leur composant le plus grand (incluant toujours plus de 80% des noeuds) : Distance moyenne de 3.7 dans le actor-movie network (Watt & Strogatz, 1998) Distance moyenne de 3.9 dans le co-authorship math network (de Castro & Grossman, 1999) Distance moyenne de 6.2 dans le cond-mat arxiv physics network (Newman, 2004) Echantillon de sites web, distance moyenne de 3.1 dans le réseau non dirigé des hyperlinks (Adamic, 1999).
73 Les petits mondes L expérience de Milgram Les réseaux aléatoires Dans leur composant le plus grand (incluant toujours plus de 80% des noeuds) : Distance moyenne de 3.7 dans le actor-movie network (Watt & Strogatz, 1998) Distance moyenne de 3.9 dans le co-authorship math network (de Castro & Grossman, 1999) Distance moyenne de 6.2 dans le cond-mat arxiv physics network (Newman, 2004) Echantillon de sites web, distance moyenne de 3.1 dans le réseau non dirigé des hyperlinks (Adamic, 1999).
74 Les petits mondes L expérience de Milgram Les réseaux aléatoires Dans leur composant le plus grand (incluant toujours plus de 80% des noeuds) : Distance moyenne de 3.7 dans le actor-movie network (Watt & Strogatz, 1998) Distance moyenne de 3.9 dans le co-authorship math network (de Castro & Grossman, 1999) Distance moyenne de 6.2 dans le cond-mat arxiv physics network (Newman, 2004) Echantillon de sites web, distance moyenne de 3.1 dans le réseau non dirigé des hyperlinks (Adamic, 1999).
75 Les petits mondes L expérience de Milgram Les réseaux aléatoires Dans leur composant le plus grand (incluant toujours plus de 80% des noeuds) : Distance moyenne de 3.7 dans le actor-movie network (Watt & Strogatz, 1998) Distance moyenne de 3.9 dans le co-authorship math network (de Castro & Grossman, 1999) Distance moyenne de 6.2 dans le cond-mat arxiv physics network (Newman, 2004) Echantillon de sites web, distance moyenne de 3.1 dans le réseau non dirigé des hyperlinks (Adamic, 1999).
76 Les Poisson random networks L expérience de Milgram Les réseaux aléatoires G(n, p) (Solomonoff et Rapoport, 1951 ; Erdös-Renyi, 1959) random graph model : n le nombre de noeuds 0 p 1 est la probabilité (iid) que pour toute paire d agents i et j, ij g G(n, E) (Erdös-Renyi, 1960) n le nombre de noeuds E est le nombre de liens à allouer sur les n(n 1)/2 paires d agents i et j possibles. Etablir tous les réseaux possibles sur les n noeuds, en tirer un aléatoirement.
77 Les Poisson random networks L expérience de Milgram Les réseaux aléatoires G(n, p) (Solomonoff et Rapoport, 1951 ; Erdös-Renyi, 1959) random graph model : n le nombre de noeuds 0 p 1 est la probabilité (iid) que pour toute paire d agents i et j, ij g G(n, E) (Erdös-Renyi, 1960) n le nombre de noeuds E est le nombre de liens à allouer sur les n(n 1)/2 paires d agents i et j possibles. Etablir tous les réseaux possibles sur les n noeuds, en tirer un aléatoirement.
78 Les Poisson random networks L expérience de Milgram Les réseaux aléatoires G(n, p) (Solomonoff et Rapoport, 1951 ; Erdös-Renyi, 1959) random graph model : n le nombre de noeuds 0 p 1 est la probabilité (iid) que pour toute paire d agents i et j, ij g G(n, E) (Erdös-Renyi, 1960) n le nombre de noeuds E est le nombre de liens à allouer sur les n(n 1)/2 paires d agents i et j possibles. Etablir tous les réseaux possibles sur les n noeuds, en tirer un aléatoirement.
79 Les Poisson random networks L expérience de Milgram Les réseaux aléatoires G(n, p) (Solomonoff et Rapoport, 1951 ; Erdös-Renyi, 1959) random graph model : n le nombre de noeuds 0 p 1 est la probabilité (iid) que pour toute paire d agents i et j, ij g G(n, E) (Erdös-Renyi, 1960) n le nombre de noeuds E est le nombre de liens à allouer sur les n(n 1)/2 paires d agents i et j possibles. Etablir tous les réseaux possibles sur les n noeuds, en tirer un aléatoirement.
80 Les Poisson random networks L expérience de Milgram Les réseaux aléatoires G(n, p) (Solomonoff et Rapoport, 1951 ; Erdös-Renyi, 1959) random graph model : n le nombre de noeuds 0 p 1 est la probabilité (iid) que pour toute paire d agents i et j, ij g G(n, E) (Erdös-Renyi, 1960) n le nombre de noeuds E est le nombre de liens à allouer sur les n(n 1)/2 paires d agents i et j possibles. Etablir tous les réseaux possibles sur les n noeuds, en tirer un aléatoirement.
81 Les Poisson random networks L expérience de Milgram Les réseaux aléatoires G(n, p) (Solomonoff et Rapoport, 1951 ; Erdös-Renyi, 1959) random graph model : n le nombre de noeuds 0 p 1 est la probabilité (iid) que pour toute paire d agents i et j, ij g G(n, E) (Erdös-Renyi, 1960) n le nombre de noeuds E est le nombre de liens à allouer sur les n(n 1)/2 paires d agents i et j possibles. Etablir tous les réseaux possibles sur les n noeuds, en tirer un aléatoirement.
82 Les Poisson random networks L expérience de Milgram Les réseaux aléatoires G(n, p) (Solomonoff et Rapoport, 1951 ; Erdös-Renyi, 1959) random graph model : n le nombre de noeuds 0 p 1 est la probabilité (iid) que pour toute paire d agents i et j, ij g G(n, E) (Erdös-Renyi, 1960) n le nombre de noeuds E est le nombre de liens à allouer sur les n(n 1)/2 paires d agents i et j possibles. Etablir tous les réseaux possibles sur les n noeuds, en tirer un aléatoirement.
83 Les Poisson random networks L expérience de Milgram Les réseaux aléatoires Principe d analyse des propriétés structurelles Pour un réseau alétoire (Poisson random graph) Fixons p(n) et laissons n Définissons une propriété de réseau qui elle même définit, pour une population N, un sous-ensemble de tous les réseaux possibles sur N : A(N) G(N) Monotonicité : la propriété A(.) est monotone si N, g g et g A(N) alors g A(N).
84 Les Poisson random networks L expérience de Milgram Les réseaux aléatoires Principe d analyse des propriétés structurelles Pour un réseau alétoire (Poisson random graph) Fixons p(n) et laissons n Définissons une propriété de réseau qui elle même définit, pour une population N, un sous-ensemble de tous les réseaux possibles sur N : A(N) G(N) Monotonicité : la propriété A(.) est monotone si N, g g et g A(N) alors g A(N).
85 Les Poisson random networks L expérience de Milgram Les réseaux aléatoires Principe d analyse des propriétés structurelles Pour un réseau alétoire (Poisson random graph) Fixons p(n) et laissons n Définissons une propriété de réseau qui elle même définit, pour une population N, un sous-ensemble de tous les réseaux possibles sur N : A(N) G(N) Monotonicité : la propriété A(.) est monotone si N, g g et g A(N) alors g A(N).
86 Les Poisson random networks L expérience de Milgram Les réseaux aléatoires Principe d analyse des propriétés structurelles Pour un réseau alétoire (Poisson random graph) Fixons p(n) et laissons n Définissons une propriété de réseau qui elle même définit, pour une population N, un sous-ensemble de tous les réseaux possibles sur N : A(N) G(N) Monotonicité : la propriété A(.) est monotone si N, g g et g A(N) alors g A(N).
Analyse empirique et modélisation de la dynamique de la topologie de l Internet
Analyse empirique et modélisation de la dynamique de la topologie de l Internet Sergey Kirgizov Directrice de thèse: Clémence Magnien Complex Networks, LIP6, (UPMC, CNRS) Paris, 12 décembre 2014 Plan 1
Plus en détailFaceBook aime les Maths!
FaceBook aime les Maths! Michel Rigo http://www.discmath.ulg.ac.be/ http://orbi.ulg.ac.be/ Réseaux Visualizing my Twitter Network by number of followers. Michael Atkisson http://woknowing.wordpress.com/
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de Lyon/Université Claude Bernard Lyon 1/Université
Plus en détailBig Data et Graphes : Quelques pistes de recherche
Big Data et Graphes : Quelques pistes de recherche Hamamache Kheddouci http://liris.cnrs.fr/hamamache.kheddouci Laboratoire d'informatique en Image et Systèmes d'information LIRIS UMR 5205 CNRS/INSA de
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 détailUne nouvelle approche de détection de communautés dans les réseaux sociaux
UNIVERSITÉ DU QUÉBEC EN OUTAOUAIS Département d informatique et d ingénierie Une nouvelle approche de détection de communautés dans les réseaux sociaux Mémoire (INF 6021) pour l obtention du grade de Maîtrise
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détail14. Introduction aux files d attente
14. Introduction aux files d attente MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: Files d attente 1/24 Plan 1. Introduction 2. Modèle M/M/1 3. Modèle M/M/1/K MTH2302D: Files
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 détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailCOURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION. Jean-Loup Guillaume
COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION Jean-Loup Guillaume Le cours Enseignant : Jean-Loup Guillaume équipe Complex Network Page du cours : http://jlguillaume.free.fr/www/teaching-syrres.php Évaluation
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 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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailCours 7 : Utilisation de modules sous python
Cours 7 : Utilisation de modules sous python 2013/2014 Utilisation d un module Importer un module Exemple : le module random Importer un module Exemple : le module random Importer un module Un module est
Plus en détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
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 détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailEnjeux mathématiques et Statistiques du Big Data
Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris
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 détailExposing a test of homogeneity of chronological series of annual rainfall in a climatic area. with using, if possible, the regional vector Hiez.
Test d homogéné$é Y. BRUNET-MORET Ingénieur hydrologue, Bureau Central Hydrologique Paris RÉSUMÉ Présentation d un test d homogénéi.té spécialement conçu pour vérijier Z homogénéité des suites chronologiques
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en 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 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 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 détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
Plus en détailA propos de l enseignant Introduction aux réseaux sociaux
A propos de l enseignant Introduction aux réseaux sociaux Sebastian BERVOETS Sebastian BERVOETS Chercheur CNRS - Greqam Me contacter sebastian.bervoets@univmed.fr 1 A propos du cours Objectifs du cours
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 détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
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 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 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 détailCalculs de probabilités
Calculs de probabilités Mathématiques Générales B Université de Genève Sylvain Sardy 13 mars 2008 1. Définitions et notations 1 L origine des probabilités est l analyse de jeux de hasard, tels que pile
Plus en détailPrincipes de mathématiques 12 SÉRIE DE PROBLÈMES. Septembre 2001. Student Assessment and Program Evaluation Branch
Principes de mathématiques 12 SÉRIE DE PROBLÈMES Septembre 2001 Student Assessment and Program Evaluation Branch REMERCIEMENTS Le Ministère de l Éducation tient à remercier chaleureusement les professionnels
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailIntroduction au Calcul des Probabilités
Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Bât. M2, F-59655 Villeneuve d Ascq Cedex Introduction au Calcul des Probabilités Probabilités à Bac+2 et plus
Plus en détailChapitre 1. L intérêt. 2. Concept d intérêt. 1. Mise en situation. Au terme de ce chapitre, vous serez en mesure de :
Chapitre 1 L intérêt Au terme de ce chapitre, vous serez en mesure de : 1. Comprendre la notion générale d intérêt. 2. Distinguer la capitalisation à intérêt simple et à intérêt composé. 3. Calculer la
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détailSimulation 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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
Plus en détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détail(51) Int Cl.: H04L 29/06 (2006.01) G06F 21/55 (2013.01)
(19) TEPZZ 8 8 4_A_T (11) EP 2 838 241 A1 (12) DEMANDE DE BREVET EUROPEEN (43) Date de publication: 18.02.1 Bulletin 1/08 (1) Int Cl.: H04L 29/06 (06.01) G06F 21/ (13.01) (21) Numéro de dépôt: 141781.4
Plus en détailAnalyser les réseaux avec R (packages statnet, igraph et tnet)
Analyser les réseaux avec R (packages statnet, igraph et tnet) Laurent Beauguitte To cite this version: Laurent Beauguitte. Analyser les réseaux avec R (packages statnet, igraph et tnet). DEA. Analyser
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
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 détailExemples de problèmes et d applications. INF6953 Exemples de problèmes 1
Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation
Plus en détailQu est ce qu un réseau social. CNAM Séminaire de Statistiques Appliquées 13/11/2013. F.Soulié Fogelman 1. Utilisation des réseaux sociaux pour le
Qui je suis Innovation Utilisation des réseaux sociaux pour le data mining Business & Decision Françoise Soulié Fogelman francoise.soulie@outlook.com Atos KDD_US CNAM Séminaire de Statistique appliquée
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en 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 détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
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 détailAnalyse des réseaux sociaux
Analyse des réseaux sociaux Emmanuel Viennet Laboratoire de Traitement et Transport de l Information L2TI Université Paris 13 Réseaux sociaux, analyse et data mining École Normale Supérieure Journée organisée
Plus en détailThéorie des Graphes Cours 3: Forêts et Arbres II / Modélisation
IFIPS S7 - informatique Université Paris-Sud 11 1er semestre 2009/2010 Théorie des Graphes Cours 3: Forêts et Arbres II / 1 Forêts et arbres II Théorème 1.1. Les assertions suivantes sont équivalentes
Plus en détailModélisation et Simulation
Cours de modélisation et simulation p. 1/64 Modélisation et Simulation G. Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Cours de modélisation et simulation
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailArbre de probabilité(afrique) Univers - Evénement
Arbre de probabilité(afrique) Univers - Evénement Exercice 1 Donner l univers Ω de l expérience aléatoire consistant à tirer deux boules simultanément d une urne qui en contient 10 numérotés puis à lancer
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 détail4 Exemples de problèmes MapReduce incrémentaux
4 Exemples de problèmes MapReduce incrémentaux 1 / 32 Calcul des plus courtes distances à un noeud d un graphe Calcul des plus courts chemins entre toutes les paires de noeuds d un graphe Algorithme PageRank
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en 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 détailCorps des nombres complexes, J Paul Tsasa
Corps des nombres complexes, J Paul Tsasa One Pager Février 2013 Vol. 5 Num. 011 Copyright Laréq 2013 http://www.lareq.com Corps des Nombres Complexes Définitions, Règles de Calcul et Théorèmes «Les idiots
Plus en détailPARTIE NUMERIQUE (18 points)
4 ème DEVOIR COMMUN N 1 DE MATHÉMATIQUES 14/12/09 L'échange de matériel entre élèves et l'usage de la calculatrice sont interdits. Il sera tenu compte du soin et de la présentation ( 4 points ). Le barème
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
Plus en détailModèles et simulations informatiques des problèmes de coopération entre agents
Modèles et simulations informatiques des problèmes de coopération entre agents Bruno Beaufils LIFL Axe CIM Équipe SMAC Laboratoire d'informatique Plan 1. Motivations 2. Dilemme itéré du prisonnier 3. Simulations
Plus en détailNombre de marches Nombre de facons de les monter 3 3 11 144 4 5 12 233 5 8 13 377 6 13 14 610 7 21 15 987 8 34 16 1597 9 55 17 2584 10 89
Soit un escalier à n marches. On note u_n le nombre de façons de monter ces n marches. Par exemple d'après l'énoncé, u_3=3. Pour monter n marches, il faut d'abord monter la première. Soit on la monte seule,
Plus en détailMATHÉMATIQUES FINANCIÈRES
MATHÉMATIQUES FINANCIÈRES Table des matières Version 2012 Lang Fred 1 Intérêts et taux 2 1.1 Définitions et notations................................ 2 1.2 Intérêt simple......................................
Plus en détailCours de Probabilités et de Statistique
Cours de Probabilités et de Statistique Licence 1ère année 2007/2008 Nicolas Prioux Université Paris-Est Cours de Proba-Stat 2 L1.2 Science-Éco Chapitre Notions de théorie des ensembles 1 1.1 Ensembles
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
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 détailTowards realistic modeling of IP-level topology dynamics
Towards realistic modeling of IP-level topology dynamics Clémence Magnien, Amélie Medem, Fabien Tarissan LIP6, CNRS et UPMC Sorbonne Universités Algotel 2012 Mai 2012 La Grande Motte, Hérault, France Etude
Plus en détailApproximation diophantienne uniforme et dimension de Hausdorff
Approximation diophantienne uniforme et dimension de Hausdorff Lingmin LIAO Travaux en collaboration avec Yann Bugeaud, Dong Han Kim et Micha l Rams Université Paris-Est Créteil Séminaire de Probabilités
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en 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 détailChapitre 7. Récurrences
Chapitre 7 Récurrences 333 Plan 1. Introduction 2. Applications 3. Classification des récurrences 4. Résolution de récurrences 5. Résumé et comparaisons Lectures conseillées : I MCS, chapitre 20. I Rosen,
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailModélisation géostatistique des débits le long des cours d eau.
Modélisation géostatistique des débits le long des cours d eau. C. Bernard-Michel (actuellement à ) & C. de Fouquet MISTIS, INRIA Rhône-Alpes. 655 avenue de l Europe, 38334 SAINT ISMIER Cedex. Ecole des
Plus en détailPRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.
PRECISION - REJET DE PERTURBATIONS T.D. G.E.I.I.. Donner les erreurs en position, en vitesse et en accélération d un système de transfert F BO = N(p) D(p) (transfert en boucle ouverte) bouclé par retour
Plus en détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailI. Programmation I. 1 Ecrire un programme en Scilab traduisant l organigramme montré ci-après (on pourra utiliser les annexes):
Master Chimie Fondamentale et Appliquée : spécialité «Ingénierie Chimique» Examen «Programmation, Simulation des procédés» avril 2008a Nom : Prénom : groupe TD : I. Programmation I. 1 Ecrire un programme
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 détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailTraitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détail