Supplément théorique Inférence dans les réseaux bayésiens. Rappel théorique. Les processus aléatoires. Les réseaux bayésiens

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Supplément théorique Inférence dans les réseaux bayésiens. Rappel théorique. Les processus aléatoires. Les réseaux bayésiens"

Transcription

1 DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2011 Supplément théorique Inférence dans les réseaux bayésiens Rappel théorique Les processus aléatoires La plupart des processus qui nous entourent, que ce soit la température, le résultat d une rencontre sportive ou la valeur d une action en bourse, comportent un élément d incertitude. Pour modéliser de tels processus et leurs incertitudes, on utilise normalement les probabilités. Ainsi, un processus aléatoire (ou stochastique) peut être défini à l aide variables aléatoires caractérisant son état incertain. Par exemple, l activité faire un pic-nic peut être représentée à l aide d une variable aléatoire PicNic qui dépend de deux autres variables aléatoires Temperature et Transport décrivant l état de la température au moment de l activité et la disponibilité d un moyen de transport pour s y rendre. Alors qu une variable est normalement représentée par un scalaire (ex : une valeur réelle), une variable aléatoire peut être décrite comme une fonction, appelée distribution de probabilité, qui associe à chaque valeur possible de la variable la probabilité que la variable prenne cette valeur. Dans le cas d une variable aléatoire discrète, cette distribution peut être exprimée à l aide d une table. Par exemple, une variable X dont la valeur est restreinte à l ensemble {val 1, val 2,..., val n } : X P (X) val 1 P (X = val 1 ) val 2 P (X = val 2 ) val n P (X = val n ) Les réseaux bayésiens Le problème d inférence et l indépendance conditionnelle Étant donné le modèle d un processus aléatoire composé d un ensemble de variables aléatoires X = {X 1, X 2,..., X n }, on est souvent intéressé à connaître la probabilité d une variable X 1

2 X dont la valeur est inconnue, sachant que l on connaît la valeur de certaines autres variables {Y 1, Y 2,..., Y m } X du modèle. Ce problème, connu sous le nom d inférence, peut se décrire comme la tâche de trouver la probabilité suivante : P (X Y 1, Y 2,..., Y m ). Afin de pouvoir répondre à n importe quelle de ces requêtes, on doit pouvoir représenter les dépendances entre toutes les variables du modèle. Cela est fait à l aide de la distribution conjointe 1 de probabilité : P (X 1, X 2,..., X n ). Dans le cas où les variables X i sont binaires, cette distribution peut être représentée comme une table ayant 2 n lignes, une pour chaque affectation différente de valeurs aux variables. Si le modèle comporte un grand nombre de variables, cette table peut devenir très volumineuse. Par exemple, si n = 30, la table aura plus d un milliard de lignes. Alors qu il peut être complexe de stocker cette table, le principal problème réside au niveau de l inférence. Comme nous le verrons dans ce document, le processus d inférence exige d agréger les termes de la distribution conjointe. Or, si cette distribution contient un nombre exponentiel de termes, il devient difficile, voire impossible, de répondre aux requêtes d inférence. Heureusement, cette difficulté peut généralement être réduite grâce au principe suivant : certaines variables du modèle peuvent être considérées comme indépendantes entre elles, étant donné la connaissance de certaines autres variables. Par exemple, dans un contexte de diagnostique médical, deux symptômes reliés comme la fièvre et le mal de gorge peuvent être considérés comme indépendants, si l on connaît la maladie responsable de ces symptômes (ex. : la grippe). De manière générique, on dit qu une variable X 1 est conditionnellement indépendante d une autre variable X 2 étant donné la valeur d une variable Y, ce qui s exprime comme suit : P (X 1, X 2 Y ) = P (X 1 Y )P (X 2 Y ). Si X 1 et X 2 sont des variables binaires, la distribution conjointe de ces variables qui contient quatre lignes se réduit ainsi à deux distributions contenant chacune une seule ligne. On peut faire un parallèle avec le concept de normalisation dans les bases de données, qui permet d obtenir une représentation plus compacte des données en mettant les colonnes indépendantes d une grosse table dans des tables séparées. Modélisation à l aide de réseaux bayésiens Les réseaux bayésiens constituent une façon d exprimer les relations de causalité entre les variables d un modèle. Dans ces réseaux, chaque variable est représentée par un sommet et il existe une arrête allant de X 1 à X 2 si X 1 influe directement sur X 2. On dénote Parents(X) l ensemble de variables ayant une influence directe sur une variable X. Étant donné un réseau bayésien, la distribution conjointe peut être simplifiée comme suit : P (X 1, X 2,..., X n ) = P (X 1 X 2,..., X n ) P (X 2,..., X n ) règle du produit = P (X 1 Parents(X 1 )) P (X 2,..., X n ) indépendance. 1 Le terme conjoint signifie qu on exprime la probabilité d observer plusieurs variables simultanément. 2

3 P(C).001 Cambriolage Tremblement DeTerre P(T).002 Alarme C T P(A C, T) v v.95 v f.94 f v.29 f f.001 A P(J A) v.90 f.05 JohnAppelle MarieAppelle A P(M A) v.70 f.01 FIG. 1 Exemple de réseau bayésien modélisant l appel potentiel de voisins, suite au déclenchement d une alarme possiblement causé par un cambriolage ou un tremblement de terre. Notation abbrégée : T = TremblementDeTerre, C = Cambriolage, A = Alarme, J = JohnAppelle, M = MarieAppelle. Exemple tiré du livre Artificial Intelligence : A Modern Approach de Rusell et Norvig. En répétant récursivement cette opération sur le dernier terme à droite, on obtient : P (X 1, X 2,..., X n ) = P (X 1 Parents(X 1 )) P (X 2 Parents(X 2 ))... P (X n Parents(X n )) n = P (X i Parents(X i )). i=1 Ainsi, la distribution conjointe s exprime comme le produit des distributions de chaque variable X i conditionnelle à la valeur de ses parents. Il est donc suffisant de conserver les distributions conditionnelles P (X i Parents(X i )). Encore une fois, dans le cas de variables discrètes, ces distributions sont sous la forme de tables. Un exemple de réseau bayésien est illustré à la Figure 1. Cet exemple modélise un processus aléatoire où des voisins appellent au bureau d une personne s ils entendent une alarme sonner dans l appartement de cette personne. Cette alarme peut être déclenchée, entre autres, par un tremblement de terre ou un cambriolage. La probabilité conditionnelle d une alarme est donnée par la table P (A C, T ). Ainsi, la probabilité que l alarme se déclenche s il y a un tremblement de terre mais pas un cambriolage est de : P (A = v C = f, T = v) = 0, 29. La probabilité que l alarme ne se déclenche pas, étant donné les mêmes observations, est simplement la probabilité restante soit : P (A = f C = f, T = v) = 1 P (A = v C = f, T = v) = 0, 71. Pour simplfier la notation, il est courant d écrire la valeur d une variable (qui est normalement représentée avec une lettre majuscule) à l aide d une lettre minuscule. Par exemple, si X est une 3

4 variable, x est la valeur de cette variable. Dans le cas de variables binaires, on peut utiliser la convention suivante : x correspond à X = v, et x à X = f. Ainsi, les probabilités précédentes peuvent s écrire comme : P (a c, f) = 0, 29 P ( a c, f) = 0, 71. Suivant l idée présentée plus haut, la distribution conjointe de ce modèle peut s exprimer comme : P (M, J, A, C, T ) = P (M A) P (J A) P (A C, T ) P (C) P (T ). On note enfin que cet exemple aurait pu être modélisé différemment. Par exemple, Marie pourrait appeler pour prendre des nouvelles en cas de tremblement de terre. De même John pourrait ne pas téléphoner, même si l alarme sonne, sachant que l alarme est déclenchée par un tremblement de terre et non pas un cambriolage. Ces dépendances pourraient être modélisées à l aide d une arête allant directement de TremblementDeTerre aux variables MarieAppelle et JohnAppelle. Inférence dans les réseaux bayésien Revenons au problème d inférence et définissons une procédure générique pour répondre à des requêtes à partir d un réseau bayésien. Rappelons qu une requête peut être formulée comme la tâche de trouver la probabilité d une variable X étant donné l observation de variables {Y 1,..., Y m } : P (X Y 1,..., Y m ). Pour répondre à cette requête, il faut la ramener dans un format standard : la distribution conjointe sur l ensemble des variables. Pour ce faire, on commence par utiliser la règle du produit pour ramener les Y i avec la variable X : P (X Y 1,..., Y m ) = P (X, Y 1,..., Y m ) P ( Y 1,..., Y m ). La probabilité P ( Y 1,..., Y m ) est une constante de normalisation que l on peut remplacer par α pour simplifier l écriture : P (X Y 1,..., Y m ) = αp (X, Y 1,..., Y m ). La plupart du temps, le modèle renferme d autres variables qui sont ni la variable de requête X ni l une des variables observées Y i. Notons Z 1, Z 2,..., Z r ces variables. Pour avoir la distribution conjointe, il faut faire apparaître ces variables dans la distribution de probabilité. Cela est fait à l aide de la règle de marginalisation : P (X Y 1,..., Y m ) = α... P (X, Y 1,..., Y m, Z 1,..., Z r ). Z 2 Z 2 Z r La somme Z signifie que l on calcule le terme à droite pour toutes les valeurs possibles de Z et que l on additionne ces valeurs. 4

5 On remarque que le terme à la droite de la somme correspond bien à la distribution conjointe, et qu on peut maintenant calculer la probabilité de la requête : il suffit d aller chercher les valeurs dans la distribution conjointe (ex. : une table dont les valeurs sont connues) et les additionner. Or, comme nous l avons vu, cette distribution est souvent modélisée à l aide d un réseau bayésien. L étape suivante consiste alors à la remplacer par le produit des distributions conditionnelles : P (X Y 1,..., Y m ) = α Z 2... Z 2 Z r n P (X i Parents(X i )). i=1 Il reste cependant un problème : la valeur de la constante α n est pas connue. Pour obtenir cette valeur, on utilise le principe que la somme d une distribution de X sur l ensemble des valeurs de X doit donner 1. Notons le terme à la droite de α comme f(x). Nous avons alors : P (X Y 1,..., Y m ) = α f(x) = 1, X X ce qui donne α = 1 X f(x). Un exemple À titre d exemple, considérons le modèle de la Figure 1 et calculons la probabilité qu il y ait un tremblement de terre, étant donné que John appelle, mais pas Marie. Il s agît donc de trouver la probabilité : P (t j, m). On commence par ramener tous les termes du même côté : P (t j, m) = αp (t, j, m). Ensuite, il faut ajouter les variables manquantes Cambriolage et Alarme à l aide de deux sommes imbriquées : P (t j, m) = α P (t, j, m, C, A) C A = α [P (t, j, m, c, a) + P (t, j, m, c, a) + P (t, j, m, c, a) + P (t, j, m, c, a)]. 5

6 On utilise ensuite le réseau bayésien pour calculer les valeurs de la distribution conjointe : P (t, j, m, c, a) = P (j a) P ( m a) P (a c, t) P (c) P (t), = 0, 90 0, 30 0, 95 0, 001 0, 002 = 0, P (t, j, m, c, a) = P (j a) P ( m a) P (a c, t) P ( c) P (t) = 0, 90 0, 30 0, 29 0, 999 0, 002 = 0, P (t, j, m, c, a) = P (j a) P ( m a) P ( a c, t) P (c) P (t) = 0, 05 0, 99 0, 05 0, 001 0, 002 = 0, P (t, j, m, c, a) = P (j a) P ( m a) P ( a c, t) P ( c) P (t) = 0, 05 0, 99 0, 71 0, 999 0, 002 = 0, En remplaçant ces valeurs dans l expression précédente, on obtient : P (t j, m) = α [0, , , , ] = α 0, Pour se débarrasser de α, il faut répéter la même opération sur P ( t j, m) : P ( t j, m) = α [P ( t, j, m, c, a) + P ( t, j, m, c, a) +P ( t, j, m, c, a) + P ( t, j, m, c, a)], 6

7 où P ( t, j, m, c, a) = P (j a) P ( m a) P (a c, t) P (c) P ( t), = 0, 90 0, 30 0, 94 0, 001 0, 998 = 0, P ( t, j, m, c, a) = P (j a) P ( m a) P (a c, t) P ( c) P ( t) = 0, 90 0, 30 0, 001 0, 999 0, 998 = 0, P ( t, j, m, c, a) = P (j a) P ( m a) P ( a c, t) P (c) P ( t) = 0, 05 0, 99 0, 06 0, 001 0, 998 = 0, P ( t, j, m, c, a) = P (j a) P ( m a) P ( a c, t) P ( c) P ( t) = 0, 05 0, 99 0, 999 0, 999 0, 998 = 0, En insérant ces valeurs dans la formule précédente, on a : P ( t j, m) = α [0, , , , ] = α 0, Nous savons que P (t j, m) + P ( t j, m) = 1, donc : α(0, , ) = 1 α 19, 978. On peut maintenant donner la réponse à notre requête : P (t j, m) = 19, 978 0, , 005. P ( t j, m) = 19, 978 0, , 995. On remarque que, comme prévu, 0, , 995 = 1. 7

8 Exercices Question 1 Considérez le scénario suivant : Votre compagnie vous met en charge de développer un système de détection de cancer du poumon. Alors que le mécanisme exact de cette maladie n est pas entièrement compris, on sait qu elle est influencée par plusieurs facteurs, dont le sexe, l âge et le fait qu un patient soit fumeur ou non. Par ailleurs, on sait que la cigarette est plus populaire pour certains groupes d âge que pour d autres. La maladie est également plus fréquente chez les patients dont ce type de cancer à déjà été diagnostiqué chez un parent direct, ou les patients ayant déjà souffert du cancer. Par ailleurs, le cancer du poumon possède plusieurs symptômes dont la toux, la perte de poids et la fatigue. Sauf pour la perte de poids, les symptômes de la maladie sont similaires à une infection respiratoire, causée par un virus ou une allergie. Pour diagnostiquer la maladie, deux méthodes peuvent être employées : on peut chercher des lésions ou des masses sur des radiographies, ou mesurer le taux de globules blancs et rouges dans le sang. Cependant, ces deux tests ne sont pas totalement fiables. Ainsi, il arrive ne pas pouvoir détecter un cancer à partir d une radiographie, surtout lors des phases initiales de la maladie. De même, une anomalie au niveau du sang peut également être causée par une maladie affectant le système immunitaire. Proposez un réseau bayésien modélisant ce processus. Le modèle devrait permettre de diagnostiquer la maladie même si certaines informations sur le patient ne sont pas connues. Question 2 En vous basant sur le modèle de la Figure 1, trouver les probabilités des requêtes suivantes : 1. La probabilité que l alarme se déclenche sans que Marie ou John n appelle ; 2. La probabilité qu un tremblement de terre et qu un cambriolage surviennent en même temps ; 3. La probabilité que Marie appelle si un cambriolage est en cours et que l alarme sonne ; 4. La probabilité que l alarme ne sonne pas s il n y a ni tremblement de terre, ni cambriolage ; 5. La probabilité que John appelle mais que Marie n appelle pas, si un cambriolage est en cours. 8

Répresenter l uncertain: Réseaux Bayesiens

Répresenter l uncertain: Réseaux Bayesiens Répresenter l uncertain: Réseaux Bayesiens M1 Miage 2015 2016 Intelligence Artificielle Stéphane Airiau LAMSADE M1 Miage 2015 2016 Intelligence Artificielle (Stéphane Airiau) Répresenter l uncertain: Réseaux

Plus en détail

Raisonnement probabiliste

Raisonnement 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 détail

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

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

Plus en détail

Les réseaux bayésiens

Les réseaux bayésiens Les réseaux bayésiens Un outil de modélisation des connaissances incertaines par apprentissage à partir des données par modélisation interactive 2/1/23 SAMOS - BAYESIA 1 etit exemple contre-intuitif La

Plus en détail

La survie nette actuelle à long terme Qualités de sept méthodes d estimation

La survie nette actuelle à long terme Qualités de sept méthodes d estimation La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg

Plus en détail

Cours 1: lois discrétes classiques en probabilités

Cours 1: lois discrétes classiques en probabilités Cours 1: lois discrétes classiques en probabilités Laboratoire de Mathématiques de Toulouse Université Paul Sabatier-IUT GEA Ponsan Module: Stat inférentielles Définition Quelques exemples loi d une v.a

Plus en détail

Factorisation Factoriser en utilisant un facteur commun Fiche méthode

Factorisation Factoriser en utilisant un facteur commun Fiche méthode Factorisation Factoriser en utilisant un facteur commun Fiche méthode Rappel : Distributivité simple Soient les nombres, et. On a : Factoriser, c est transformer une somme ou une différence de termes en

Plus en détail

Tension d alimentation : V CC. i C R C R B

Tension d alimentation : V CC. i C R C R B Chapitre 4 Polarisation du transistor bipolaire à jonction 4.1 Le problème de la polarisation 4.1.1 Introduction Dans le chapitre 3, nous avons analysé un premier exemple de circuit d amplification de

Plus en détail

Raisonnement probabiliste. Plan. Réseaux bayésiens. Inférence dans les réseaux bayésiens. Inférence exacte. Inférence approximative

Raisonnement probabiliste. Plan. Réseaux bayésiens. Inférence dans les réseaux bayésiens. Inférence exacte. Inférence approximative Raisonnement probabiliste 1 Plan Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 2 Réseaux bayésiens Au chapitre d intro sur les pbs, on a vu que Les distributions

Plus en détail

VI- Des transistors aux portes logiques. Conception de circuits

VI- Des transistors aux portes logiques. Conception de circuits 1 VI- Des transistors aux portes logiques. Conception de circuits Nous savons que l ordinateur traite uniquement des instructions écrites en binaire avec des 0 et des 1. Nous savons aussi qu il est formé

Plus en détail

OPERATIONS SUR LE SYSTEME BINAIRE

OPERATIONS SUR LE SYSTEME BINAIRE OPERATIONS SUR LE SYSTEME BINAIRE 1) Nombres signés Nous n avons, jusqu à présent tenu compte, que des nombre positifs. Pourtant, la plupart des dispositifs numériques traitent également les nombres négatifs,

Plus en détail

Couplages et colorations d arêtes

Couplages et colorations d arêtes Couplages et colorations d arêtes Complément au chapitre 5 «Une employée mécontente» et au chapitre 9 «L apprentie sudokiste» Considérons n équipes de hockey qui doivent s affronter lors d un tournoi.

Plus en détail

Qu est-ce qu une probabilité?

Qu est-ce qu une probabilité? Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont

Plus en détail

Examen de 2ème session du module RFIDEC

Examen de 2ème session du module RFIDEC Reconnaissance des formes et introduction à la décision année 2007 2008 Examen de 2ème session du module RFIDEC Exercice 1 (5 points) Massih-Reza Amini / Christophe Gonzales Durée : 2 heures Le propriétaire

Plus en détail

2 Probabilités conditionnelles. Événements indépendants

2 Probabilités conditionnelles. Événements indépendants 2 Probabilités conditionnelles. Événements indépendants 2.1 Probabilité conditionnelle Soient A et B deux événements tels que P(B) > 0. Soit alors P(A B), la probabilité que A se réalise, B étant réalisé.

Plus en détail

Réseaux Bayésiens. Bruno Bouzy. 3 février 2014

Réseaux Bayésiens. Bruno Bouzy. 3 février 2014 Réseaux Bayésiens Bruno Bouzy 3 février 2014 Introduction Pour sa plus grande partie, ce chapitre présente les réseaux bayésiens à partir du tutoriel d'andrew Moore [1] (http://www.autonlab.org/tutorials/bayesnet.html).

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

Introduction à l étude des Corps Finis

Introduction 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 détail

Terminale S-SI Probabilités conditionnelles

Terminale S-SI Probabilités conditionnelles robabilités conditionnelles Table des matières 1 Introduction 2 2 Définitions 2 3 Formule des probabilités totales 3 4 Indépendance et principe du produit 5 5 Exercices 5 1 1 Introduction Lorsque 7 élèves

Plus en détail

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Patrick Dallaire Université Laval Département d informatique et de génie

Plus en détail

ORDRE DE RÉACTION : MÉTHODES DE

ORDRE DE RÉACTION : MÉTHODES DE ORDRE DE RÉACTION : MÉTHODES DE RÉSOLUTION Table des matières 1 Méthodes expérimentales 2 1.1 Position du problème..................................... 2 1.2 Dégénérescence de l ordre...................................

Plus en détail

Chapitre I. Probabilités. Bcpst 1 2 novembre 2015. I Exemples d expériences aléatoires

Chapitre I. Probabilités. Bcpst 1 2 novembre 2015. I Exemples d expériences aléatoires Chapitre I Probabilités Bcpst 1 2 novembre 2015 I Exemples d expériences aléatoires Une expérience aléatoire est une expérience dont on ne peut pas prédire le résultat avant de l avoir réalisée... ce qui

Plus en détail

Chapitre 2 : Représentation des nombres en machine

Chapitre 2 : Représentation des nombres en machine Chapitre 2 : Représentation des nombres en machine Introduction La mémoire des ordinateurs est constituée d une multitude de petits circuits électroniques qui ne peuvent être que dans deux états : sous

Plus en détail

Chapitre 3 : INFERENCE

Chapitre 3 : INFERENCE Chapitre 3 : INFERENCE 3.1 L ÉCHANTILLONNAGE 3.1.1 Introduction 3.1.2 L échantillonnage aléatoire 3.1.3 Estimation ponctuelle 3.1.4 Distributions d échantillonnage 3.1.5 Intervalles de probabilité L échantillonnage

Plus en détail

Modèles à Événements Discrets. Réseaux de Petri Stochastiques

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

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte 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 détail

Chapitre 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. 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 détail

SUITES ET SÉRIES GÉOMÉTRIQUES

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

Plus en détail

Mth2302B - Intra Été 2011

Mth2302B - Intra Été 2011 École Polytechnique de Montréal page 1 Contrôle périodique Été 2011--------------------------------Corrigé--------------------------------------T.Hammouche Question 1 (12 points) Mth2302B - Intra Été 2011

Plus en détail

Débuter en algorithmique

Débuter en algorithmique Isabelle Morel 1 1 Qu est-ce qu un algorithme? Débuter en algorithmique Définition Un alogorithme est une suite d opérations élémentaires, à appliquer dans un ordre déterminé à des données. Un algorithme

Plus en détail

avec des nombres entiers

avec des nombres entiers Calculer avec des nombres entiers Effectuez les calculs suivants.. + 9 + 9. Calculez. 9 9 Calculez le quotient et le rest. : : : : 0 :. : : 9 : : 9 0 : 0. 9 9 0 9. Calculez. 9 0 9. : : 0 : 9 : :. : : 0

Plus en détail

UNIVERSITÉ DE CERGY. LICENCE d ÉCONOMIE et FINANCE LICENCE de GESTION. Seconde année - Semestre 3 PROBABILITÉS. Cours de M. J.

UNIVERSITÉ DE CERGY. LICENCE d ÉCONOMIE et FINANCE LICENCE de GESTION. Seconde année - Semestre 3 PROBABILITÉS. Cours de M. J. Année 2013-2014 UNIVERSIÉ DE CERGY LICENCE d ÉCONOMIE et FINANCE LICENCE de GESION Seconde année - Semestre 3 PROBABILIÉS Cours de M. J. Stéphan ravaux Dirigés de Mme M. Barrié, M. J-M. Chauvet et M. J.

Plus en détail

Tel que mentionné à la section 9.5, les probabilités utilisées dans les arbres de décision sont des probabilités conditionnelles.

Tel que mentionné à la section 9.5, les probabilités utilisées dans les arbres de décision sont des probabilités conditionnelles. 9A Probabilités conditionnelles et théorème de Bayes Probabilités conditionnelles Tel que mentionné à la section 9.5, les probabilités utilisées dans les arbres de décision sont des probabilités conditionnelles.

Plus en détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre

1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre 1 Fiche méthodologique Passage d un mode de représentation d un sev à l autre BCPST Lycée Hoche $\ CC BY: Pelletier Sylvain Les deux modes de représentation des sous-espaces vectoriels Il existe deux modes

Plus en détail

Incertitude et variabilité : la nécessité de les intégrer dans les modèles

Incertitude 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 détail

Enveloppes convexes dans le plan

Enveloppes convexes dans le plan ÉCOLE POLYTECHNIQUE ÉCOLES NORMALES SUPÉRIEURES ÉCOLE SUPÉRIEURE DE PHYSIQUE ET DE CHIMIE INDUSTRIELLES CONCOURS D ADMISSION FILIÈRE MP HORS SPÉCIALITÉ INFO FILIÈRE PC COMPOSITION D INFORMATIQUE B (XECLR)

Plus en détail

Suites numériques 4. 1 Autres recettes pour calculer les limites

Suites 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 détail

Espace de probabilité, indépendance et probabilité conditionnelle

Espace de probabilité, indépendance et probabilité conditionnelle Chapter 2 Espace de probabilité, indépendance et probabilité conditionnelle Sommaire 2.1 Tribu et événements........................................... 15 2.2 Probabilité................................................

Plus en détail

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples

Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples 36 Probabilité conditionnelle et indépendance. Couples de variables aléatoires. Exemples (Ω, B, P est un espace probabilisé. 36.1 Définition et propriétés des probabilités conditionnelles Définition 36.1

Plus en détail

Pourquoi moi? Pleins feux sur les croyances entourant le cancer. Équipe d oncologie psychosociale et spirituelle du CHUQ

Pourquoi moi? Pleins feux sur les croyances entourant le cancer. Équipe d oncologie psychosociale et spirituelle du CHUQ Pourquoi moi? Équipe d oncologie psychosociale et spirituelle du CHUQ Pleins feux sur les croyances entourant le cancer Équipe d oncologie psychosociale et spirituelle du CHUQ 2 1 Vous venez d apprendre

Plus en détail

Problème de contrôle optimal pour une chaîne de Markov

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

Plus en détail

Rappels sur les suites - Algorithme

Rappels 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 détail

23. Interprétation clinique des mesures de l effet traitement

23. Interprétation clinique des mesures de l effet traitement 23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d

Plus en détail

Master IAD Module PS. Reconnaissance de la parole (suite) Modèles de Markov et bases de données. Gaël RICHARD Février 2008

Master IAD Module PS. Reconnaissance de la parole (suite) Modèles de Markov et bases de données. Gaël RICHARD Février 2008 Master IAD Module PS Reconnaissance de la parole (suite) Modèles de Markov et bases de données Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance vocale

Plus en détail

Représentation des nombres entiers et réels. en binaire en mémoire

Représentation des nombres entiers et réels. en binaire en mémoire L3 Mag1 Phys. fond., cours C 15-16 Rep. des nbs. en binaire 25-09-05 23 :06 :02 page 1 1 Nombres entiers 1.1 Représentation binaire Représentation des nombres entiers et réels Tout entier positif n peut

Plus en détail

L informatique des entrepôts de données

L informatique des entrepôts de données L informatique des entrepôts de données Daniel Lemire SEMAINE 8 Introduction à OLAP 8.1. Présentation de la semaine Le modèle OLAP (Online Analytical Processing) est un modèle quasiomniprésent en intelligence

Plus en détail

Définitions. Numéro à préciser. (Durée : )

Définitions. Numéro à préciser. (Durée : ) Numéro à préciser (Durée : ) On étudie dans ce problème l ordre lexicographique pour les mots sur un alphabet fini et plusieurs constructions des cycles de De Bruijn. Les trois parties sont largement indépendantes.

Plus en détail

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont

Plus en détail

Cours de spécialité mathématiques en Terminale ES

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

Plus en détail

Couples de variables aléatoires discrètes

Couples 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 détail

Variables aléatoires continues

Variables aléatoires continues IUT Aix-en-Provence Année 204-205 DUT Informatique TD Probabilités feuille n 6 Variables aléatoires continues Exercice (La station-service) Dans une station-service, la demande hebdomadaire en essence,

Plus en détail

Procédure. Exemple OPÉRATIONS DANS UN SYSTÈME POSITIONNEL

Procédure. Exemple OPÉRATIONS DANS UN SYSTÈME POSITIONNEL Opérations dans un système positionnel OPÉRATIONS DANS UN SYSTÈME POSITIONNEL INTRODUCTION Dans tout système de numération positionnel, les symboles sont utilisés de façon cyclique et la longueur du correspond

Plus en détail

Poker. A rendre pour le 25 avril

Poker. A rendre pour le 25 avril Poker A rendre pour le 25 avril 0 Avant propos 0.1 Notation Les parties sans * sont obligatoires (ne rendez pas un projet qui ne contient pas toutes les fonctions sans *). Celles avec (*) sont moins faciles

Plus en détail

Représentation des Nombres

Représentation des Nombres Chapitre 5 Représentation des Nombres 5. Representation des entiers 5.. Principe des représentations en base b Base L entier écrit 344 correspond a 3 mille + 4 cent + dix + 4. Plus généralement a n a n...

Plus en détail

Les graphes planaires

Les graphes planaires Les graphes planaires Complément au chapitre 2 «Les villas du Bellevue» Dans le chapitre «Les villas du Bellevue», Manori donne la définition suivante à Sébastien. Définition Un graphe est «planaire» si

Plus en détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

ANNUITES. Les annuités définissent une suite de versements identiques ou non effectués à intervalles de temps égaux. -annuités non constantes

ANNUITES. Les annuités définissent une suite de versements identiques ou non effectués à intervalles de temps égaux. -annuités non constantes ANNUITES I Notions d annuités a.définition Les annuités définissent une suite de versements identiques ou non effectués à intervalles de temps égaux. Le processus de versements dépend du montant de l annuité,

Plus en détail

Chapitre 5. Calculs financiers. 5.1 Introduction - notations

Chapitre 5. Calculs financiers. 5.1 Introduction - notations Chapitre 5 Calculs financiers 5.1 Introduction - notations Sur un marché économique, des acteurs peuvent prêter ou emprunter un capital (une somme d argent) en contrepartie de quoi ils perçoivent ou respectivement

Plus en détail

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

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

Plus en détail

Chapitre 2. Eléments pour comprendre un énoncé

Chapitre 2. Eléments pour comprendre un énoncé Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données

Plus en détail

Codes correcteurs d erreurs

Codes correcteurs d erreurs Codes correcteurs d erreurs 1 Partie théorique 1.1 Définition Un code correcteur est une technique de codage de l information basée sur la redondance, qui vise à détecter et corriger des éventuelles erreurs

Plus en détail

MATHÉMATIQUES ET SCIENCES HUMAINES

MATHÉMATIQUES ET SCIENCES HUMAINES MATHÉMATIQUES ET SCIENCES HUMAINES B. MARCHADIER Dépendance et indépendance de deux aléas numériques images Mathématiques et sciences humaines, tome 25 (1969), p. 2534.

Plus en détail

9. Distributions d échantillonnage

9. Distributions d échantillonnage 9. Distributions d échantillonnage MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v3) MTH2302D: distributions d échantillonnage 1/46 Plan 1. Échantillons aléatoires 2. Statistiques et distributions

Plus en détail

3 Exercices. 3.1 Probabilités simples. 3.2 Probabilités avec dénombrement. Probabilités 3. Exercice 1 On tire au hasard une carte parmi un jeu de 52.

3 Exercices. 3.1 Probabilités simples. 3.2 Probabilités avec dénombrement. Probabilités 3. Exercice 1 On tire au hasard une carte parmi un jeu de 52. Probabilités 3 3 Exercices 3.1 Probabilités simples Exercice 1 On tire au hasard une carte parmi un jeu de 52. Calculer la probabilité d obtenir : 1. un roi 2. le valet de trèfle 3. l as de coeur ou la

Plus en détail

TAXeNEWS. Corporate Tax. Acquisition d actions propres restrictions, délais, conséquences

TAXeNEWS. Corporate Tax. Acquisition d actions propres restrictions, délais, conséquences TAXeNEWS Corporate Tax Acquisition d actions propres restrictions, délais, conséquences fiscales En pratique, nous avons maintes fois remarqué qu en matière d acquisition d actions propres des incertitudes

Plus en détail

Étapes du développement et de l utilisation d un modèle de simulation

Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Formulation du problème Cueillette et analyse de données Conception

Plus en détail

Théorie de l information : historique

Théorie de l information : historique Théorie de l information : historique Développée dans les années quarante par Claude Shannon. Objectif : maximiser la quantité d information pouvant être transmise par un canal de communication imparfait.

Plus en détail

Exercices sur le chapitre «Probabilités»

Exercices sur le chapitre «Probabilités» Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de

Plus en détail

Chapitre 5 Les Probablilités

Chapitre 5 Les Probablilités A) Introduction et Définitions 1) Introduction Chapitre 5 Les Probablilités De nombreuses actions provoquent des résultats qui sont dus en partie ou en totalité au hasard. Il est pourtant nécessaire de

Plus en détail

IAE Master 2 Gestion de Portefeuille Année 2011 2012. Feuille 3 Pricing et couverture Modèles discret

IAE Master 2 Gestion de Portefeuille Année 2011 2012. Feuille 3 Pricing et couverture Modèles discret Université de Paris Est Créteil Mathématiques financières IAE Master 2 Gestion de Portefeuille Année 2011 2012 1. Le problème des partis 1 Feuille 3 Pricing et couverture Modèles discret Le chevalier de

Plus en détail

Systèmes de Numération & Codage

Systèmes de Numération & Codage Systèmes de Numération & Codage Objectif : L électronicien est amené à manipuler des valeurs exprimées dans différentes bases (notamment avec les systèmes informatiques). Il est essentiel de posséder quelques

Plus en détail

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes

Probabilités 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 détail

Collecte de données. Laurent Dorey

Collecte de données. Laurent Dorey Laurent Dorey Mercredi 16 Décembre 2014 Programme : Recensement & Echantillonnage Étapes pour sélectionner un échantillon La population observée La base de sondage Les unités d enquête La taille de l échantillon

Plus en détail

Série 2 Premiers programmes

Série 2 Premiers programmes Licence pro. GTSBD 2013-2014 Structures de données, langage Python Série 2 Premiers programmes Programmes avec des affectations, des lectures et des écritures Exo 2.1 Le problème de la machine qui rend

Plus en détail

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale.

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Aix Marseille Université. Algorithmes Stochastiques. M MIS. Fabienne Castell... Chapitre : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Le but de ce chapitre

Plus en détail

Probabilités. Chapitre 2 : Le modèle probabiliste - Indépendance d évènements. Julian Tugaut. 15 janvier 2015

Probabilités. Chapitre 2 : Le modèle probabiliste - Indépendance d évènements. Julian Tugaut. 15 janvier 2015 Indépendance de deux évènements Chapitre 2 : Le modèle probabiliste - Indépendance d évènements 15 janvier 2015 Sommaire 1 Indépendance de deux évènements 2 Indépendance de deux évènements Approche intuitive

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

NOTIONS DE PROBABILITÉS

NOTIONS DE PROBABILITÉS NOTIONS DE PROBABILITÉS Sommaire 1. Expérience aléatoire... 1 2. Espace échantillonnal... 2 3. Événement... 2 4. Calcul des probabilités... 3 4.1. Ensemble fondamental... 3 4.2. Calcul de la probabilité...

Plus en détail

Probabilités. I Petits rappels sur le vocabulaire des ensembles 2 I.1 Définitions... 2 I.2 Propriétés... 2

Probabilités. 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 détail

Machine de Turing. Informatique II Algorithmique 1

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

Plus en détail

Licence de Sciences et Technologies. Fiche de cours 1 - Nombres réels.

Licence de Sciences et Technologies. Fiche de cours 1 - Nombres réels. Licence de Sciences et Technologies EM21 - Analyse Fiche de cours 1 - Nombres réels. On connaît les ensembles suivants, tous munis d une addition, d une multiplication, et d une relation d ordre compatibles

Plus en détail

Utiliser le réseau des écoles de Strasbourg (Windows 7)

Utiliser le réseau des écoles de Strasbourg (Windows 7) Utiliser le réseau des écoles de Strasbourg (Windows 7) Comment distribuer un travail aux élèves Comment le récupérer Comment organiser les dossiers partagés Un document type à distribuer Nous allons prendre

Plus en détail

Travaux pratiques. Compression en codage de Huffman. 1.3. Organisation d un projet de programmation

Travaux pratiques. Compression en codage de Huffman. 1.3. Organisation d un projet de programmation Université de Savoie Module ETRS711 Travaux pratiques Compression en codage de Huffman 1. Organisation du projet 1.1. Objectifs Le but de ce projet est d'écrire un programme permettant de compresser des

Plus en détail

IA54 Compte-rendu «STATIONNEMENT AUTOMATIQUE DE VEHICULE»

IA54 Compte-rendu «STATIONNEMENT AUTOMATIQUE DE VEHICULE» IA54 Compte-rendu «STATIONNEMENT AUTOMATIQUE DE VEHICULE» Henri Payno - Cyril Bailly 1/12/2011 SOMMAIRE 1. Introduction... 3 2. Contraintes... 3 3. Architecture globale... 4 4. Interface... 5 A. Scène

Plus en détail

Conception des bases de données : Modèle Entité-Association

Conception des bases de données : Modèle Entité-Association Conception des bases de données : Modèle Entité-Association La modélisation d un problème, c est-à-dire le passage du monde réel à sa représentation informatique, se définit en plusieurs étapes pour parvenir

Plus en détail

La focométrie, pour les nuls! Première partie : théorie. par Charles Rydel, Société Astronomique de France. http://www.astrosurf.

La focométrie, pour les nuls! Première partie : théorie. par Charles Rydel, Société Astronomique de France. http://www.astrosurf. La focométrie, pour les nuls! Première partie : théorie. par Charles Rydel, Société Astronomique de France. http://www.astrosurf.com/astroptics Banc optique Pellin (XIXe siècle). Ici pour mesures photométriques

Plus en détail

Puissances de 10 Exercices corrigés

Puissances de 10 Exercices corrigés Puissances de 10 Exercices corrigés Sont abordés dans cette fiche : Exercice 1 : produit de deux puissances de : Exercice 2 : inverse d une puissance de : et Exercice 3 : quotient de deux puissances de

Plus en détail

Simulation de variables aléatoires

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

Plus en détail

Chapitre 8 : Probabilités-Indépendance

Chapitre 8 : Probabilités-Indépendance Cours de mathématiques Terminale S Chapitre 8 : Probabilités-Indépendance Année scolaire 008-009 mise à jour 6 janvier 009 Fig. Andreï Kolmogorov Un précurseur de la formalisation de la théorie des probabilités

Plus en détail

Architecture des ordinateurs. Optimisation : pipeline. Pipeline (I) Pipeline (II) Exemple simplifié : Instructions de type R

Architecture des ordinateurs. Optimisation : pipeline. Pipeline (I) Pipeline (II) Exemple simplifié : Instructions de type R Architecture des ordinateurs Licence Informatique - Université de Provence Jean-Marc Talbot Optimisation : pipeline jtalbot@cmi.univ-mrs.fr L3 Informatique - Université de Provence () Architecture des

Plus en détail

Module ITC34 - Algorithmique et Programmation

Module ITC34 - Algorithmique et Programmation Module ITC34 - Algorithmique et Programmation TDs Algorithmique (trois séances) Benoît Darties - benoit.darties@u-bourgogne.fr Univ. Bourgogne Franche-Comté Année universitaire 2015-2016 Avant-propos :

Plus en détail

POLY-PREPAS Centre de Préparation aux Concours Paramédicaux

POLY-PREPAS Centre de Préparation aux Concours Paramédicaux POLY-PREPAS Centre de Préparation aux Concours Paramédicaux - Sections : L1 Santé - 1 Olivier CAUDRELIER oc.polyprepas@orange.fr Chapitre 1 : Equations aux dimensions 1. Equation aux dimensions a) Dimension

Plus en détail

Probabilités conditionnelles

Probabilités conditionnelles Probabilités conditionnelles Exercice Dans une usine, on utilise conjointement deux machines M et M 2 pour fabriquer des pièces cylindriques en série. Pour une période donnée, leurs probabilités de tomber

Plus en détail

Définition 0,752 = 0,7 + 0,05 + 0,002 SYSTÈMES DE NUMÉRATION POSITIONNELS = 7 10 1 + 5 10 2 + 2 10 3

Définition 0,752 = 0,7 + 0,05 + 0,002 SYSTÈMES DE NUMÉRATION POSITIONNELS = 7 10 1 + 5 10 2 + 2 10 3 8 Systèmes de numération INTRODUCTION SYSTÈMES DE NUMÉRATION POSITIONNELS Dans un système positionnel, le nombre de symboles est fixe On représente par un symbole chaque chiffre inférieur à la base, incluant

Plus en détail

Chapitre 3 : Introduction aux probabilités

Chapitre 3 : Introduction aux probabilités IUT de Sceaux Département TC1 Mathématiques Chapitre 3 : Introduction aux probabilités 1. Évènements Les événements élémentaires sont les issues possibles d'une expérience aléatoire. Un événement est un

Plus en détail

Références. Compter les mots. Le langage comme donnée. Communication Langagière Ingénierie des langues et de la parole

Références. Compter les mots. Le langage comme donnée. Communication Langagière Ingénierie des langues et de la parole Communication Langagière Ingénierie des langues et de la parole 1. Introduction générale 2. Ingénierie des langues 2.1 Représentation et codage des textes 2.2 Théorie de l information et probabilités 2.3

Plus en détail

1 Générateurs à Congruences Linéaires (GCL)

1 Générateurs à Congruences Linéaires (GCL) TP 4 : Générateurs pseudo-aléatoires et applications Un générateur de nombres pseudo-aléatoires, pseudorandom number generator (PRNG) en anglais, est un algorithme qui génère une séquence de nombres présentant

Plus en détail

Les graphes d intervalles

Les graphes d intervalles Les graphes d intervalles Complément au chapitre 3 «Vol aux archives cantonales» Considérons un ensemble de tâches ayant chacune une heure de début et une heure de fin bien précises. Supposons qu on demande

Plus en détail