Application des méthodes d apprentissage pour l étude des risques de pollution dans le Lac Léman.

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Application des méthodes d apprentissage pour l étude des risques de pollution dans le Lac Léman."

Transcription

1 5 e Cooque transfrontaer CLUSE Rsques maeurs: percepton, gobaosaton et management Unversté de Genève, - septembre 000 Axe : Management des rsques, dspostf de sécurté et prncpe de précauton Appcaton des méthodes d apprentssage pour étude des rsques de pouton dans e Lac Léman. Ncoas GILARDI,, Aex GAMMERMAN 3, Mkha KANEVSKI,3, Mche MAIGNAN, Tom MELLUISH 3, Crag SAUNDERS 3, Vooda VOVK 3 : Insttut de Mnéraoge, Unversté de Lausanne, Lausanne, Susse : Insttut Dae Moe d Integence Artfcee Perceptve (IDIAP), Martgny, Susse 3 : Department of Computer Scence, Roya Hooway, Unversty of London, Egham, UK 4 : Insttute of Nucear Safety (IBRAE), Moscow, Russa Introducton Depus queques années, de nouvees méthodes d apprentssage se déveoppent sur a base de a Théore de Apprentssage Statstque (Statstca Learnng Theory) de Vapnk et Chervonenks [Vapnk, 995]. L une de ces méthodes, appeée Machne à Vecteur de Support ou SVM (Support Vector Machne) [Cortes et a., 995], permet de réaser des estmatons en cassfcaton (à deux casses ou pus) [Burges, 998] ou en régresson [Smoa et a., 998]. De tees méthodes permettent généraement de s affranchr de contrantes statstques sur es données étudées comme a normaté de a dstrbuton. De pus, ees sont non néares ce qu eur donne un pouvor de générasaton supéreur dans certans cas, aux méthodes de régressons pus cassques. Cependant, ces méthodes, comme beaucoup d autres, ne permettent pas d obtenr d ntervae de confance sur estmaton effectuée. Ce probème est résou par es méthodes de «transducton unversee» déveoppées à Unversté du Roya Hooway [Gammerman et a., 998]. Sur a base d une méthode de cassfcaton ou de régresson queconque, ces méthodes permettent d étabr une probabté de dépasser une vaeur donnée. Dans ce document, nous présenterons tout d abord une théore de a cassfcaton avec es SVM pus es résutats de utsaton de cette méthode pour étude de a pouton des sédments du Lac Léman. Ensute, nous expquerons es grandes gnes du prncpe de a méthode de transducton déveoppée par es chercheurs du Roya Hooway. Et en concuson, nous montrerons comment ces deux méthodes peuvent, de par eur prncpe même, se révéer compémentares dans e déveoppement de cartes de rsque. Théore des Support Vector Machnes Les Support Vector Machnes sont une casse d agorthmes basés sur e prncpe de mnmsaton du «rsque structure» décrt par a Théore de Apprentssage Statstque de Vapnk et Chervonenks [Vapnk, 995] [Schökopf et a., 999]. - -

2 Mnmsaton du rsque structure Lorsque on utse des méthodes d apprentssage, on utse généraement deux eux de données prncpaux : e eu d entraînement et e eu de test. Le eu d entraînement représente a part des données d orgne utsée pour cacuer e modèe, et e eu de test est autre parte, nconnue de agorthme d apprentssage et utsée pour évauer es performances de générasaton du modèe. La quaté de ce modèe est aors ugée à sa capacté à rédure erreur de test ou de «générasaton». Cependant, comme e modèe n est pas construt en utsant e eu de test, erreur de générasaton ne peut pas être évauée exactement car ee dépend de a dstrbuton de probabté des données : R = dp( x, y) [ f ] Q( x) où Q est a foncton d erreur (erreur absoue dans e cas des SVM), x est e vecteur d entrée, et P(x,y) est a dstrbuton des données (qu nous est nconnue). La seue nformaton dont nous dsposons comme évauaton de erreur est erreur d entraînement : où est e nombre de ponts d entraînement. R emp [ f ] = Q( x ) Ce n est pas suffsant. La rason en est que on peut facement trouver un modèe mnmsant erreur d entraînement mas pour eque erreur de générasaton sera très grande. Un exempe smpe est a régresson de données néares brutées au moyen d une foncton poynomae : pus e degré du poynôme sera grand, pus erreur d entraînement sera fabe, mas pus erreur de générasaton sera éevée. On peut donc comprendre que cette dernère est auss ée à a fame de foncton utsée comme modèe. Cette dépendance est nommée «rsque structure». Dans eur Théore de Apprentssage Statstque, Vapnk et Chervonenks ont prouvé qu est possbe de défnr une maoraton du rsque structure en foncton de a fame de foncton utsée pour e modèe. L une de ces maoratons peut être cacuée en utsant a dmenson de Vapnk-Chervonenks (dmenson VC) qu représente e pus grand nombre de ponts pouvant être séparés de toutes es façons possbes par un membre de ensembe de foncton. La borne VC est aors défne ans : s a dmenson VC h de a fame de foncton utsée est nféreure au nombre de ponts d entraînement, aors avec une probabté d au mons η, on a: = R [ f ] R [ f ] emp + η h og + og h 4 - -

3 Cassfcaton par hyperpan N Consdérons mantenant ponts x R, =,...,, séparés en deux casses défnes par f ( x ) = et f, néarement séparabes dans R N. Cassons ces ponts en utsant une fame de fonctons ( x ) =,, de sorte que f ( x) (( w x) + b) N néares défne par ( w x) + b = 0, avec w R b R = sgn. I a été démontré que maxmser a dstance (a marge) entre un hyperpan de cette fame de foncton et chacune des deux casses de ponts rédut a dmenson VC de a fame de foncton décrvant e cassfeur. De pus, exste un seu hyperpan pour eque a marge est maxmum. Donc pour trouver e meeur cassfeur, en terme de mnmsaton du rsque structure, faut résoudre e probème d optmsaton sous contrante suvant : mnmser τ ( ) w = w sachant que y ( ( w x ) + b), f ( x ) = y, =,..., Agorthme des Support Vectors Ce genre de probème d optmsaton se résout en ntrodusant des mutpcateurs de Lagrange α 0 et e Lagrangen L ( w, b, α ) = w α ( y ( ( x w) + b) ) = D autres contrantes sont nécessares pour résoudre ce probème car e Lagrangen dot être mnmsé seon w et b et maxmsé seon α. Cec condut à une formuaton duae de notre probème, pus smpe, qu est expresson de agorthme des Support Vectors pour des données néarement séparabes : maxmser W ( α ) = α α α y y ( x x ) =, = sachant que α 0, =,...,, and α y = 0 a foncton de décson est aors : f = ( x) sgn ( y α ( x x )) + b = = Cette foncton de décson est donc seuement nfuencée par es ponts correspondants à des vaeurs non nues de α. Ces ponts sont appeés es Vecteurs de Support (Support Vectors). Is correspondent, dans un cas néarement séparabe, aux ponts es pus proches de a mte de décson, c est à dre aux ponts se trouvant exactement sur a marge. I s agt à d une proprété très ntéressante des SVM : seus es Support Vectors sont nécessares pour décrre cette mte de décson, et e nombre de SV pour e modèe optma est généraement pett devant e nombre de données d entraînement

4 Générasaton Ben sûr, est assez rare d avor des données néarement séparabes. Afn de trater égaement des données brutées ou non néarement séparabes, es SVM ont été générasées grâce à deux outs : a «marge soupe» (soft margn) et es «fonctons noyau» (kerne functons). Le prncpe de a marge soupe est d autorser des erreurs de cassfcaton. La nouvee formuaton du probème d optmsaton est aors : = mnmser τ ( w, ξ ) w + C, C > 0 ξ = sachant que y ( ( w x ) + b) ξ, ξ 0, f ( x ) = y, =,..., Le paramètre C est défn par utsateur. I peut être nterprété comme une toérance au brut du cassfeur : pour de grandes vaeurs de C, seues de très fabes vaeurs de ξ sont autorsées, et par conséquent, e nombre de ponts ma cassés sera très fabe (données fabement brutées). A contraro, s C est pett, ξ peut devenr très grand, et on autorse aors ben pus d erreur de cassfcaton (données fortement brutées). Le nouve agorthme est donc : maxmser W ( α ) = α α α y y ( x x ) =, = sachant que 0 α C, =,...,, and α y = 0 = La seue dfférence avec e cas néarement séparabe est donc ntroducton d une borne supéreure pour es paramètres α. I est égaement ntéressant de noter que es ponts se trouvant, par ntroducton de cette technque, du «mauvas» côté de a mte de décson sont tous des Support Vectors, quee que sot eur dstance à cette mte, ce qu sgnfe qu s exercent une nfuence sur e cacu de cette mte. Mantenant, que fare s es données ne sont pas néarement séparabes? L dée est de proeter notre espace d entrée dans un espace de pus grande dmenson afn d obtenr une confguraton néarement séparabe (à approxmaton de a marge soupe près) de nos données, et d appquer aors agorthme nta des SVM. Le nouve agorthme peut donc être écrt ans : partant de Φ : R N R M, M > N maxmser W ( α ) = α α α y y ( Φ( x ) Φ( x ) =, = sachant que 0 α C, =,...,, and α y = 0 = Mas ce genre de transformaton peut devenr très coûteux du pont de vue cacu pour de grandes vaeurs de M. Afn d évter ce probème, dée est d utser es fonctons noyau de Mercer. La - 4 -

5 N M prncpae proprété de ces fonctons est que, partant d une proecton Φ : R R et deux vecteurs N x, y R, on a k( x, y) = Φ( x) Φ( y). De ce fat, n est pas nécessare de procéder à cette proecton : a foncton noyau donne e même résutat dans espace d entrée. Une dffcuté possbe reste de chosr une foncton noyau effcace. Nous avons mantenant un agorthme généra pour résoudre n mporte que probème de cassfcaton : maxmser W ( α ) = α α α y y k( x x ) =, = sachant que 0 α C, =,...,, and α y = 0 = et a nouvee foncton de décson est aors : f ( x) sgn ( y α k( x x )) + b = = Appcaton à des études de pouton Afn d évauer effcacté de ces méthodes pour trater des données spataes, nous es avons comparées à des technques pus cassques, comme e krgeage des ndcatrces [Gard et a., 999]. Nous avons pour cea utsé un eu de données fourn par a CIPEL (Commsson Internatonae pour a Protecton des Eaux du Léman). I s agt d une sére d anayses physco-chmques effectuées sur es sédments du Lac Léman au cours des années 978, 983 et 988. Pour nos expérences, nous avons utsé es anayses de 988 de concentraton en Cadmum. Les données de a CIPEL étant contnues, nous avons défn nos casses seon e prncpe de a vaeur seu : au-dessus d une certane teneur, nous consdérons que e pont appartent à a casse -, en dessous, appartent à a casse +. Cette méthode nous permet donc de dresser une carte des zones du Lac dépassant une certane concentraton de cadmum dans eurs sédments. Les teneurs utsées, en mcrogrammes de cadmum par grammes de sédments, sont de 0,8 et,0. Le chox de ces vaeurs, proche de a concentraton moyenne, n a aucune orgne égae ou santare. I est avant tout motvé par e désr d avor un nombre suffsant de représentants des deux casses. Cassfcatons optmaes pour es nveaux 0.8 ppm et.0 ppm de Cd - 5 -

6 Les résutats de ces cassfcatons se sont révéés conformes à ceux de a méthode par krgeage des ndcatrces et ont montré un bon potente des SVM pour trater des données spataes. Mas s, dans e cas d une étude envronnementae, est ntéressant de posséder une méthode qu fournt une bonne évauaton des zones pouées, est encore pus ntéressant de posséder une nformaton de «confance» sur cette évauaton. Cec permet d évter que es queques erreurs fates par a méthode ne pussent avor de graves conséquences. C est ce que se propose de fare a méthode dte de «p-vaue Transducton» déveoppée au département d nformatque de unversté de Roya Hooway [Gammerman et a., 998] Théore de a «p-vaue Transducton» Seon a défnton de Vapnk [Vapnk,995], e terme de transducton s appque à des méthodes d apprentssage s attachant à résoudre, à ade de données partcuères, un probème partcuer. Cec s oppose à a méthode nductve qu, touours à partr de données partcuères, produt un résutat généra (un modèe) et appque ensute de façon dentque à toute nouvee donnée. Dans absou, une méthode transductve construra autant de modèes qu y aura de ponts à estmer. L appcaton de ce prncpe a donné eu à de mutpes appcatons ayant montré d exceents résutats en terme de générasaton. La méthode présentée c s ntéresse d avantage à évauaton d un ntervae de confance et d une mesure de crédbté du résutat qu à a quaté du résutat u-même. La méthode présentée c-dessous évaue ces ntervaes à partr d une cassfcaton par SVM [Saunders et a., 999]. D autres travaux ont montré qu état possbe d appquer ce même prncpe à d autres types de cassfeur, mas auss à a régresson. Prncpe Comme montré dans e paragraphe «Agorthme des Support Vectors», a méthode des SVM consste à résoudre un probème d optmsaton quadratque dont es soutons sont es mutpcateurs de Lagrange α. La vaeur de ces mutpcateurs ndque e pods reatf des ponts de ensembe d entraînement dans a constructon de a mte de décson entre es casses : es ponts pour esques ces mutpcateurs sont nus n ntervennent pas du tout dans a constructon de cette mte. Par conséquent, dée de dre que ces paramètres représentent, d une certane façon, «étrangeté» d un pont parat approprée : pus son mutpcateur de Lagrange est grand et mons est représentatf de a casse à aquee appartent. C est cette mesure d étrangeté qu va nous permettre de construre nos ntervaes de confance. Des travaux sur ce suet sont menés par Tom Meush : I n y a pas de paradoxe à cea : agorthme des SVM modése a mte entre es casses et non eurs zones d nfuence. Par conséquent ce sont es ponts «mtes» qu servent de base à a modésaton et non es ponts représentatfs

7 Défntons des p-vaues Supposons mantenant qu à partr de ponts d entraînement réparts en casses, nous souhatons détermner a casse à aquee appartent un nouveau pont mas égaement a confance que nous pouvons accorder à notre résutat. Nous aons donc construre deux modèes de SVM : un dans eque nous supposerons que notre nouveau pont appartent à a casse -, et autre supposant qu appartent à a casse +. De ces deux modèes, nous aons obtenr pour notre pont deux vaeurs du mutpcateur de Lagrange correspondant α n. S on suppose que nos données sont dentquement et ndépendamment dstrbuées (d), aors on peut P { α n > maxα} + dre que a probabté que α n at a pus grande vaeur parm tous es α du modèe étudé est : Les p-vaues correspondant à notre nouveau pont sont défnes ans: connassant e rang n de a vaeur α n au sen de ensembe des vaeurs α, a p-vaue assocée est a probabté que e rang de α n sot supéreur à n. Autrement dt, a p-vaue est a probabté que notre pont sot «conforme» à a casse à aquee est assocé. { } nbr : α p vaue = α n + Cette probabté peut s écrre comme sut, touours en supposant nos données d: Dans e cas de notre exempe, nous aons obtenr deux p-vaues: une pour chaque cassfcaton. I est ben évdent que une de ces deux cassfcatons est mauvase, notre pont appartenant à une et seuement une des deux casses. C est a pus grande des vaeurs des p-vaues qu va donc nous donner a casse que notre agorthme de SVM a estmé être a bonne. Confance et crédbté Mantenant, qu en est- de a confance (probabté que e résutat sot uste) à accorder à notre cassfcaton? Dans [Gammerman et a., 998] et [Saunders et a. 999], est expqué que s nous appeons P a pus grande des deux p-vaues, et P a pus pette, nous pouvons dre que cette confance est de -P. Par conséquent, pus P sera fabe, mons a probabté que notre pont sot conforme à a «mauvase» casse sera grande, et pus nous aurons de confance dans notre résutat. Une autre proprété ntéressante concernant ces p-vaues, décrte dans ces artces, est que on peut égaement fournr une nformaton de crédbté de nos données. En effet, s P est reatvement fabe (ben que supéreure à P), un doute peut subsster sur a quaté de notre cassfcaton. C est pourquo a crédbté du pont traté est défne par a vaeur -P. I est ben évdent que toutes ces mesures de probabtés reposent sur nos données d entraînement. I est donc très mportant qu ees soent ben représentatves du phénomène étudé, ou tout du mons de ce que on connaît de u

8 Concuson Le déveoppement des méthodes d apprentssage sur a base de a Théore de Apprentssage Statstque a fourn de préceux outs de cassfcaton et de régresson. L un d entre eux, es SVM, s est révéé tout à fat effcace pour anayser des probèmes envronnementaux és à des phénomènes dstrbués spataement. L aout à cette méthode, grâce à une approche transductve, de a possbté d évauer un ntervae de confance ans qu une nformaton sur a crédbté des données, ouvre de formdabes possbtés pour a constructon de cartes de rsque. Basée unquement sur nformaton portée par es données, cette méthode en devent pus fabe et pus unversee que des approches mposant une dstrbuton normae ou og-normae. La phosophe transductve est égaement partcuèrement adaptée à étabssement de carte de rsque orsque nformaton désrée ne s étend pas à tout une régon, mas se mte à queques zones partcuères (masons, zones urbanes, acs, cours d eaux, etc ), ce qu est souvent e cas. Références A. Gammerman, V. Vapnk, V. Vovk, Learnng by Transducton, Uncertanty n Artfca Integence, 998 C. Saunders, A. Gammerman, V. Vovk, Transducton wth Confdence and Credbty, 999. B. Schökopf, C.J.C. Burges, and A.J. Smoa. Advances n kerne methods-support Vector Learnng. MIT Press, 999 C. Cortes and V. Vapnk. Support vector networks. Machne Learnng, 0: 73 97, 995. V. Vapnk, The Nature of Statstca Learnng Theory, Sprnger-Verag, New York, 995. C.J.C Burges. A tutora on Support Vector Machnes for patterns recognton. Data Mnng and Knowedge Dscovery, ():-67, 998. A.J. Smoa and B. Schökopf. A tutora on Support Vector Regresson, NeuroCOLT Technca Report Seres, NC-TR October 998. J. Weston, A. Gammerman, M. Sttson, V. Vapnk, V. Vovk, C. Watkns, Densty Estmaton usng Support Vector Machnes, Technca Report, Csd-TR February 998. N. Gard, M. Kanevsk, E. Mayoraz, M. Magnan, Envronmenta and Pouton Spata Data Cassfcaton wth Support Vector Machnes and Geostatstcs, 999. Mots-cefs Machnes à vecteurs de support, SVM, transducton, pouton, apprentssage, données spataes, carte de rsque

Support Vector Machines (SVM)

Support Vector Machines (SVM) Ecoe Centrae de Lyon Cours: SVM Support Vector Machne Séparateurs à Vastes Marges Par : Lmng Chen Lmng.chen@ec-yon.fr 9/03/007 Ecoe Centrae de Lyon Support Vector Machnes SVM Une méthodooge d nférence

Plus en détail

DOUBLE CODAGE : APPLICATION A LA MATRICE DE COOCCURRENCE

DOUBLE CODAGE : APPLICATION A LA MATRICE DE COOCCURRENCE DOUBLE CODAGE : APPLCATON A LA MATRCE DE COOCCURRENCE Madouayne HANF (*,**), Forence SEDES (*), Drss ABOUTAJDNE (**),Abdea LASFAR hanf@rt.fr, sedes@rt.fr, abouta@fsr.ac.ma, asfar@fsr.ac.ma, (*) Unversté

Plus en détail

SYSTEME DE DIAGNOSTIC PAR DES MACHINES A VECTEURS DE SUPPORT

SYSTEME DE DIAGNOSTIC PAR DES MACHINES A VECTEURS DE SUPPORT SYSEME DE DIAGNOSIC PAR DES MACHINES A VECEURS DE SUPPOR Appcaton à a Détecton de Hypovgance du Conducteur Automobe Mgue GONZÁLEZ MENDOZA Drecteur(s) de thèse: André ILI et Ne HERNÁNDEZ GRESS Laboratore

Plus en détail

Modélisation modulaire pour prototypage rapide

Modélisation modulaire pour prototypage rapide 16 ème Congrès Franças de Mécanque Nce, 1-5 septembre 003 Modésaton moduare pour prototypage rapde Ncoas Séguy, Perre Jo & Madeene Pasca Unversté d Evry- Va d Essonne * Laboratore Systèmes Compexes 40

Plus en détail

Introduction aux réseaux de neurones artificiels

Introduction aux réseaux de neurones artificiels Introducton aux réseaux de neurones artfces A. Introducton Le cerveau capabe d apprendre et de réaser des rasonnements compexes est consttué d un très grand nombre de neurones (envron 10 15 ) reés entre

Plus en détail

CHAPITRE 4 METHODOLOLOGIE DE COMPRESSION DES IMAGES RSO 64 4.1 INTRODUCTION

CHAPITRE 4 METHODOLOLOGIE DE COMPRESSION DES IMAGES RSO 64 4.1 INTRODUCTION 64 4. ITODUCTIO Les méthodes de compresson/décompresson CODEC d mages sont suettes à dverses contrantes dépendantes des appcatons cbes. Une catégorsaton des modèes peut être fate en foncton des contextes

Plus en détail

Détection et suivi de visages par Support Vector Machine robustes aux changements d échelle

Détection et suivi de visages par Support Vector Machine robustes aux changements d échelle Détecton et suv de vsages par Support Vector Machne robustes au changements d échelle Lonel CARMINATI Drectrce de Thèse : Jenny Benos-Pneau Projet Analyse et Indeaton Vdéo lcarmna@labr.fr http://www.labr.fr/recherche/imageson/aiv/

Plus en détail

Remboursement d un emprunt par annuités constantes

Remboursement d un emprunt par annuités constantes Sére STG Journées de formaton Janver 2006 Remboursement d un emprunt par annutés constantes Le prncpe Utlsaton du tableur Un emprunteur s adresse à un prêteur pour obtenr une somme d argent (la dette)

Plus en détail

Méthodes à vecteurs de support et Indexation sonore

Méthodes à vecteurs de support et Indexation sonore FORMATION DOCTORALE EN INFORMATIQUE UNIVERSITE PAUL SABATIER DEA INFORMATIQUE de L IMAGE et du LANGAGE (IIL) Méthodes à vecteurs de support et Indexaton sonore par José Anbal ARIAS AGUILAR Drecteur de

Plus en détail

Solution : 1. Soit y = α + βt, l équation de la droite considérée. Le problème de régression linéaire s écrit. i=1 2(α + βt i b i )t i

Solution : 1. Soit y = α + βt, l équation de la droite considérée. Le problème de régression linéaire s écrit. i=1 2(α + βt i b i )t i Exercces avec corrgé succnct du chaptre 3 (Remarque : les références ne sont pas gérées dans ce document, par contre les quelques?? qu apparassent dans ce texte sont ben défns dans la verson écran complète

Plus en détail

Exercices d algorithmique

Exercices d algorithmique Exercces d algorthmque Les algorthmes proposés ne sont pas classés par ordre de dffculté Nombres Ecrre un algorthme qu renvoe la somme des nombre entre 0 et n passé en paramètre Ecrre un algorthme qu renvoe

Plus en détail

Cours de Calcul numérique MATH 031

Cours de Calcul numérique MATH 031 Cours de Calcul numérque MATH 03 G. Bontemp, A. da Slva Soares, M. De Wulf Département d'informatque Boulevard du Tromphe - CP22 http://www.ulb.ac.be/d Valeurs propres en pratque. Localsaton. Méthode de

Plus en détail

THÈSE. présentée par. Karim TAMANI. pour obtenir le diplôme de DOCTEUR DE L UNIVERSITÉ DE SAVOIE. (Arrêté ministériel du 30 mars 1992)

THÈSE. présentée par. Karim TAMANI. pour obtenir le diplôme de DOCTEUR DE L UNIVERSITÉ DE SAVOIE. (Arrêté ministériel du 30 mars 1992) THÈSE présentée par Karm TAMANI pour obtenr e dpôme de DOCTEUR DE L UNIVERSITÉ DE SAVOIE (Arrêté mnstére du 3 mars 99) Spécaté : Eectronque Eectrotechnque Automatque Déveoppement d une méthodooge de potage

Plus en détail

Combinaison de dires d'experts en élicitation de lois a priori. pour Listeria chez la souris. Exposé AppliBugs

Combinaison de dires d'experts en élicitation de lois a priori. pour Listeria chez la souris. Exposé AppliBugs Combnason de dres d'experts en élctaton de los a pror. Applcaton à un modèle doseréponse pour Lstera chez la sours. Exposé ApplBugs ISABELLE ALBERT 8 / / 03 INTRODUCTION Cet exposé présente une parte du

Plus en détail

SIMNUM : Simulation de systèmes auto-gravitants en orbite

SIMNUM : Simulation de systèmes auto-gravitants en orbite SIMNUM : Smulaton de systèmes auto-gravtants en orbte sujet proposé par Ncolas Kelbasewcz : ncolas.kelbasewcz@ensta-parstech.fr 14 janver 2014 1 Établssement du modèle 1.1 Approxmaton de champ lontan La

Plus en détail

Ajustement affine par les moindres carrés

Ajustement affine par les moindres carrés 1. Nveau Termnales STG et ES Ajustement affne par les mondres carrés 2. Stuaton-problème proposée Introducton à la méthode des mondres carrés. 3. Support utlsé Tableur et calculatrce. 4. Contenu mathématque

Plus en détail

ÉCHANTILLON REPRÉSENTATIF (D UNE POPULATION FINIE) : DÉFINITION STATISTIQUE

ÉCHANTILLON REPRÉSENTATIF (D UNE POPULATION FINIE) : DÉFINITION STATISTIQUE ÉCHANTILLON REPRÉSENTATIF (D UNE POPULATION FINIE) : DÉFINITION STATISTIQUE ET PROPRIÉTÉS Léo Gervlle-Réache, Vncent Coualler To cte ths verson: Léo Gervlle-Réache, Vncent Coualler. ÉCHANTILLON REPRÉSENTATIF

Plus en détail

Proposition d'une solution au problème d initialisation cas du K-means

Proposition d'une solution au problème d initialisation cas du K-means Proposton d'une soluton au problème d ntalsaton cas du K-means Z.Guelll et L.Zaou, Unversté des scences et de la technologe d Oran MB, Unversté Mohamed Boudaf USTO -BP 505 El Mnaouer -ORAN - Algére g.zouaou@gmal.com,

Plus en détail

Généralités sur les fonctions 1ES

Généralités sur les fonctions 1ES Généraltés sur les fonctons ES GENERALITES SUR LES FNCTINS I. RAPPELS a. Vocabulare Défnton Une foncton est un procédé qu permet d assocer à un nombre x appartenant à un ensemble D un nombre y n note :

Plus en détail

DOCUMENT DE TRAVAIL 2004-023

DOCUMENT DE TRAVAIL 2004-023 Publé par : Publsed by : Publcacón de la : Édton électronque : Electronc publsng : Edcón electrónca : Dsponble sur Internet : Avalable on Internet Dsponble por Internet : Faculté des scences de l admnstraton

Plus en détail

SEPTEMBRE 2009 RC-POS

SEPTEMBRE 2009 RC-POS SEPTEMBRE 2009 RC-POS (09_POS_131) (mn.) RAPPORT DE MINORITE DE LA COMMISSION THEMATIQUE DE LA SANTE PUBLIQUE chargée d'examner l'objet suvant: Postulat Fabenne Despot et consorts demandant à qu profte

Plus en détail

classification non supervisée : pas de classes prédéfinies Applications typiques

classification non supervisée : pas de classes prédéfinies Applications typiques Qu est ce que le clusterng? analyse de clusterng regroupement des obets en clusters un cluster : une collecton d obets smlares au sen d un même cluster dssmlares au obets appartenant à d autres clusters

Plus en détail

Chapitre 3: Stockage et distribution

Chapitre 3: Stockage et distribution I- Défntons Chaptre 3: Stockage et dstrbuton Réseau de desserte = Ensemble des équpements (canalsatons et ouvrages annexes) achemnant de manère gravtare ou sous presson l eau potable ssue des untés de

Plus en détail

Un Système de Vérification de Signature manuscrite en Ligne pour PDA.

Un Système de Vérification de Signature manuscrite en Ligne pour PDA. Un Système de Vérfcaton de Sgnature manuscrte en Lgne pour PDA. zar Rokban, Ade Am To cte ths verson: zar Rokban, Ade Am. Un Système de Vérfcaton de Sgnature manuscrte en Lgne pour PDA.. Jun 2004.

Plus en détail

Corrélation et régression linéaire

Corrélation et régression linéaire Corrélaton et régresson lnéare 1. Concept de corrélaton. Analyse de régresson lnéare 3. Dfférences entre valeurs prédtes et observées d une varable 1. Concept de corrélaton L objectf est d analyser un

Plus en détail

Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 Année 2011 12. TD4. Tribus.

Université Pierre & Marie Curie (Paris 6) Licence de Mathématiques L3 UE LM364 Intégration 1 Année 2011 12. TD4. Tribus. Unversté Perre & Mare Cure (Pars 6) Lcence de Mathématques L3 UE LM364 Intégraton 1 Année 2011 12 TD4. Trbus. Échauffements Exercce 1. Sot X un ensemble. Donner des condtons sur X pour que les classes

Plus en détail

Installation du dispositif Cisco TelePresence MX200 - Support de table

Installation du dispositif Cisco TelePresence MX200 - Support de table 1a Déballage du système vdéo MX200 oîte du support de table MX200 La boîte du support de table MX200 content le support de table équpé d un pvot et un cache arrère. Placez le support de table sur une surface

Plus en détail

Note méthodologique. Traitements hebdomadaires Quiestlemoinscher.com. Quelle méthode de collecte de prix? Qui a collecté les prix?

Note méthodologique. Traitements hebdomadaires Quiestlemoinscher.com. Quelle méthode de collecte de prix? Qui a collecté les prix? Note méthodologque Tratements hebdomadares Questlemonscher.com Quelle méthode de collecte de prx? Les éléments méthodologques ont été défns par le cabnet FaE onsel, socété d études et d analyses statstques

Plus en détail

Analyse Numérique - Projet A rendre au plus tard le jour de l examen final, en Janvier 2010.

Analyse Numérique - Projet A rendre au plus tard le jour de l examen final, en Janvier 2010. Master 1ère année de Mathématques Analyse Numérque - Projet A rendre au plus tard le jour de l examen fnal, en Janver 2010. CMI, Unversté de Provence Année 2009-2010 Ce qu vous est demandé : Rédger les

Plus en détail

Chapitre 5: La programmation dynamique

Chapitre 5: La programmation dynamique Chaptre 5: La programmaton dynamque. Introducton La programmaton dynamque est un paradgme de concepton qu l est possble de vor comme une améloraton ou une adaptaton de la méthode dvser et régner. Ce concept

Plus en détail

Classification des images des dattes par SVM : contribution à l amélioration du processus de tri

Classification des images des dattes par SVM : contribution à l amélioration du processus de tri Classfcaton des mages des dattes par SVM : contrbuton à l améloraton du processus de tr Djeffal Abdelhamd 1, Regueb Salah 1, Babahenn Mohamed Chaouk 1,Taleb Ahmed Abdelmalk 2, 1 Département d Informatque,

Plus en détail

Banque d exercices pour le cours de "mise à niveau" de statistique de M1 AgroParisTech

Banque d exercices pour le cours de mise à niveau de statistique de M1 AgroParisTech Banque d exercces pour le cours de "mse à nveau" de statstque de M1 AgroParsTech Instructons pour les exercces 1. Lorsque ren n est précsé, on suppose que la dstrbuton étudée est gaussenne. Pour les exercces

Plus en détail

Le théorème du viriel

Le théorème du viriel Le théorème du vrel On se propose de démontrer le théorème du vrel de deux manères dfférentes. La premère fat appel à deux "trcks" qu l faut vor. Cette preuve met en avant une quantté, notée S c, qu permet

Plus en détail

Installation du dispositif Cisco TelePresence MX200 - Sur pied

Installation du dispositif Cisco TelePresence MX200 - Sur pied 1a Déballage du système vdéo MX200 oîte de la base du ped de support MX200 La boîte de la base du ped de support MX200 content la colonne du ped de support, deux caches et la base du ped de support, ans

Plus en détail

V FORMATION DES IMAGES DANS L EXEMPLE DU MIROIR PLAN

V FORMATION DES IMAGES DANS L EXEMPLE DU MIROIR PLAN Chaptre V page V-1 V FORMTION DES IMGES DNS L EXEMPLE DU MIROIR PLN Le but de ce chaptre est d ntrodure la noton d mage { travers l exemple du mror plan. Vous vous êtes sûrement déjà regardé(e) dans un

Plus en détail

3- Réseau Neurologique (NN) 3-1- Réseau classique

3- Réseau Neurologique (NN) 3-1- Réseau classique OUTILS DE PREVISION DE LA VITESSE DE VENT : APPLICATION A LA CARACTERISATION ET A L OPTIMISATION DES CENTRALES EOLIENNES POUR L'INTEGRATION DANS LES RESEAUX ELECTRIQUES A MADAGASCAR. Andramahtasoa Bernard

Plus en détail

Valeur absolue et fonction valeur absolue Cours

Valeur absolue et fonction valeur absolue Cours Valeur absolue foncton valeur absolue Cours CHAPITRE 1 : Dstance entre deu réels 1) Eemples prélmnares 2) Défnton 3) Proprétés CHAPITRE 2 : Valeur absolue d un réel 1) Défnton 2) Proprétés CHAPITRE 3 :

Plus en détail

Montage émetteur commun

Montage émetteur commun tour au menu ontage émetteur commun Polarsaton d un transstor. ôle de la polarsaton La polarsaton a pour rôle de placer le pont de fonctonnement du transstor dans une zone où ses caractérstques sont lnéares.

Plus en détail

Implémentation de la commande MPPT sur circuit FPGA utilisant les techniques intelligentes

Implémentation de la commande MPPT sur circuit FPGA utilisant les techniques intelligentes Impémentaton de a commande MT sur crcut FGA utsant es technques ntegentes F. Chekred*, C. Larbes**, D. Bendb*, Z. Samara* *Unté de déveoppement des équpements soares, Bousma, Agére., Ema: chekredfathya@yahoo.fr

Plus en détail

Cours Corporate finance

Cours Corporate finance Cours Corporate fnance Eléments de théore du portefeulle Le edaf Franços Longn www.longn.fr lan Notons de rentablté Défnton odélsaton Eléments de théore du portefeulle ortefeulle Dversfcaton Le edaf Le

Plus en détail

Information mutuelle et partition optimale du support d une mesure de probabilité

Information mutuelle et partition optimale du support d une mesure de probabilité Informaton mutuelle et partton optmale du support d une mesure de probablté Bernard Coln et Ernest Monga Département de Mathématques Unversté de Sherbrooke Sherbrooke JK-R (Québec) Canada bernard.coln@usherbrooke.ca

Plus en détail

LE RÉGIME DE RETRAITE DU PERSONNEL CANADIEN DE LA CANADA-VIE (le «régime») INFORMATION IMPORTANTE CONCERNANT LE RECOURS COLLECTIF

LE RÉGIME DE RETRAITE DU PERSONNEL CANADIEN DE LA CANADA-VIE (le «régime») INFORMATION IMPORTANTE CONCERNANT LE RECOURS COLLECTIF 1 LE RÉGIME DE RETRAITE DU PERSONNEL CANADIEN DE LA CANADA-VIE (le «régme») INFORMATION IMPORTANTE CONCERNANT LE RECOURS COLLECTIF AVIS AUX RETRAITÉS ET AUX PARTICIPANTS AVEC DROITS ACQUIS DIFFÉRÉS Expédteurs

Plus en détail

Fiche n 7 : Vérification du débit et de la vitesse par la méthode de traçage

Fiche n 7 : Vérification du débit et de la vitesse par la méthode de traçage Fche n 7 : Vérfcaton du débt et de la vtesse par la méthode de traçage 1. PRINCIPE La méthode de traçage permet de calculer le débt d un écoulement ndépendamment des mesurages de hauteur et de vtesse.

Plus en détail

Gestion et stratégie Utilisateur

Gestion et stratégie Utilisateur Geston et stratége Utlsateur GESTION ET STRATEGIE UTILISATEUR...2 1.) Comment gérer des utlsateurs?...2 1.1) Geston des utlsateurs en groupe de traval...2 1.2) Geston des utlsateurs par domane...2 Rôle

Plus en détail

Electronique TD1 Corrigé

Electronique TD1 Corrigé nersté du Mane - Faculté des Scences! etour D électronque lectronque D1 Corrgé Pour un sgnal (t) quelconque : 1 $ (t) # MOY! (t) dt 1 FF! (t) dt (t) MX MOY mpltude crête à - crête mpltude Mn Pérode t emarque

Plus en détail

TD 1. Statistiques à une variable.

TD 1. Statistiques à une variable. Danel Abécasss. Année unverstare 2010/2011 Prépa-L1 TD de bostatstques. Exercce 1. On consdère la sére suvante : TD 1. Statstques à une varable. 1. Calculer la moyenne et l écart type. 2. Calculer la médane

Plus en détail

EXEMPLES D UTILISATION DE LA TECHNIQUE DES OBSERVATIONS INSTANTANÉES.

EXEMPLES D UTILISATION DE LA TECHNIQUE DES OBSERVATIONS INSTANTANÉES. EXEMPLES D UTILISATIN DE LA TECHNIQUE DES BSERVATINS INSTANTANÉES. Chrstan Fortn, ng., Ph.D. Ergonome et hygénste du traval Centre of santé et servces socaux de la Montagne, Montréal. Résumé La technque

Plus en détail

1 Introduction. 2 Définitions des sources de tension et de courant : Cours. Date : A2 Analyser le système Conversion statique de l énergie. 2 h.

1 Introduction. 2 Définitions des sources de tension et de courant : Cours. Date : A2 Analyser le système Conversion statique de l énergie. 2 h. A2 Analyser le système Converson statque de l énerge Date : Nom : Cours 2 h 1 Introducton Un ConVertsseur Statque d énerge (CVS) est un montage utlsant des nterrupteurs à semconducteurs permettant par

Plus en détail

Contrats prévoyance des TNS : Clarifier les règles pour sécuriser les prestations

Contrats prévoyance des TNS : Clarifier les règles pour sécuriser les prestations Contrats prévoyance des TNS : Clarfer les règles pour sécurser les prestatons Résumé de notre proposton : A - Amélorer l nformaton des souscrpteurs B Prévor plus de souplesse dans l apprécaton des revenus

Plus en détail

Ch 4 Séries statistiques à une dimension Définitions et représentation graphique

Ch 4 Séries statistiques à une dimension Définitions et représentation graphique Ch 4 Séres statstques à une dmenson Défntons et représentaton graphque Termnologe Ensemble étudé = populaton Eléments de cet ensemble = ndvdus ou untés Attrbut consdéré = caractère qu peut être qualtatf

Plus en détail

Assurance maladie et aléa de moralité ex-ante : L incidence de l hétérogénéité de la perte sanitaire

Assurance maladie et aléa de moralité ex-ante : L incidence de l hétérogénéité de la perte sanitaire Assurance malade et aléa de moralté ex-ante : L ncdence de l hétérogénété de la perte santare Davd Alary 1 et Franck Ben 2 Cet artcle examne l ncdence de l hétérogénété de la perte santare sur les contrats

Plus en détail

EXAMEN FINAL DE STATISTIQUES DESCRIPTIVES L1 ECO - SESSION 1 - Correction - Minimum Moyenne Ecart-type

EXAMEN FINAL DE STATISTIQUES DESCRIPTIVES L1 ECO - SESSION 1 - Correction - Minimum Moyenne Ecart-type EAME FIAL DE STATISTIQUES DESCRIPTIVES L1 ECO - SESSIO 1 - Correcton - Exercce 1 : 1) Questons à Chox Multples (QCM). Cochez la bonne réponse Classer ces statstques selon leur nature (ndcateur de poston

Plus en détail

Mesure avec une règle

Mesure avec une règle Mesure avec une règle par Matheu ROUAUD Professeur de Scences Physques en prépa, Dplômé en Physque Théorque. Lycée Alan-Fourner 8000 Bourges ecrre@ncerttudes.fr RÉSUMÉ La mesure d'une grandeur par un système

Plus en détail

C.P.G.E-TSI-SAFI Redressement non commandé 2006/2007

C.P.G.E-TSI-SAFI Redressement non commandé 2006/2007 C.P.G.E-TSI-SAFI edressement non commandé 2006/2007 edressement non commandé Introducton : es réseaux et les récepteurs électrques absorbent de l énerge sous deux formes, en contnus ou en alternatfs. Pour

Plus en détail

UNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 3

UNIVERSITE MONTESQUIEU BORDEAUX IV. Année universitaire 2006-2007. Semestre 2. Prévisions Financières. Travaux Dirigés - Séances n 3 UNIVERSITE MONTESQUIEU BORDEAUX IV Lcence 3 ère année Econome - Geston Année unverstare 2006-2007 Semestre 2 Prévsons Fnancères Travaux Drgés - Séances n 3 «Les Crtères Fondamentaux des Chox d Investssement»

Plus en détail

Mobilité à Téhéran. Sous trois angles : Comme un objet de recherche Comme un support d apprentissage Comme une opportunité commerciale

Mobilité à Téhéran. Sous trois angles : Comme un objet de recherche Comme un support d apprentissage Comme une opportunité commerciale Moblté à Téhéran Sous tros angles : Comme un objet de recherche Comme un support d apprentssage Comme une opportunté commercale INRETS/GRETIA MDP 1 GRETIA (Géne des Réseaux de Transport et Informatque

Plus en détail

Pour ce problème, une analyse est proposée à l adresse : http://www.ac-amiens.fr/pedagogie/maths/new/ue2007/synthese_atelier_annette_alain.

Pour ce problème, une analyse est proposée à l adresse : http://www.ac-amiens.fr/pedagogie/maths/new/ue2007/synthese_atelier_annette_alain. Pour ce problème, une analyse est proposée à l adresse : http://www.ac-amens.fr/pedagoge/maths/new/ue2007/synthese_ateler_annette_alan.pdf 1 La règle du jeu Un drecteur de casno se propose d nstaller le

Plus en détail

écrans de sous-toiture

écrans de sous-toiture écrans de sous-toture Les règles de bonne pratque # défnton Un écran souple de sous-toture est une feulle déroulée sur la charpente, sur un solant thermque ou sur un support contnu ventlé, avant la mse

Plus en détail

10.1 Inférence dans la régression linéaire

10.1 Inférence dans la régression linéaire 0. Inférence dans la régresson lnéare La régresson lnéare tente de modeler le rapport entre deux varables en adaptant une équaton lnéare avec des données observées. Chaque valeur de la varable ndépendante

Plus en détail

Dirigeant de SAS : Laisser le choix du statut social

Dirigeant de SAS : Laisser le choix du statut social Drgeant de SAS : Lasser le chox du statut socal Résumé de notre proposton : Ouvrr le chox du statut socal du drgeant de SAS avec 2 solutons possbles : apprécer la stuaton socale des drgeants de SAS comme

Plus en détail

MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA)

MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) MASTER ECONOMETRIE ET STATISTIQUE APPLIQUEE (ESA) Unversté d Orléans Econométre des Varables Qualtatves Chaptre 3 Modèles à Varable Dépendante Lmtée Modèles Tobt Smples et Tobt Généralsés Chrstophe Hurln

Plus en détail

EXAMEN FINAL DE STATISTIQUES DESCRIPTIVES L1 AES - SESSION 1 - Correction -

EXAMEN FINAL DE STATISTIQUES DESCRIPTIVES L1 AES - SESSION 1 - Correction - EXAME FIAL DE STATISTIQUES DESCRIPTIVES L1 AES - SESSIO 1 - Correcton - Exercce 1 : 1) Consdérons une entreprse E comportant deux établssements : E1 et E2 qu emploent chacun 200 salarés. Au sen de l'établssement

Plus en détail

Représentation de l'information

Représentation de l'information 1. L nformaton 1-1 Dualté état et temps Représentaton de l'nformaton La noton d'nformaton correspond à la connassance d'un état donné parm pluseurs possbles à un nstant donné. La Fgure 1 llustre cette

Plus en détail

Régression linéaire et incertitudes expérimentales

Régression linéaire et incertitudes expérimentales 91 e Année - N 796 Publcaton Mensuelle Jullet/Août/Septembre 1997 Régresson lnéare et ncerttudes expérmentales par Danel BEAUFILS Insttut Natonal de Recherche Pédagogque Département Technologes Nouvelles

Plus en détail

Mémento de théorie de l information

Mémento de théorie de l information Mémento de théore de l nformaton Glles Zémor 6 octobre 204 0 Rappels de probabltés Espaces probablsés. Un espace probablsé (Ω, P ) est un ensemble Ω mun d une mesure de probablté P qu est, lorsque Ω est

Plus en détail

Prévision des ventes des articles textiles confectionnés. B. Zitouni*, S. Msahli* * Unité de Recherches Textiles, Ksar-Hellal, Tunisie.

Prévision des ventes des articles textiles confectionnés. B. Zitouni*, S. Msahli* * Unité de Recherches Textiles, Ksar-Hellal, Tunisie. Prévson des ventes des artcles textles confectonnés B Ztoun*, S Msahl* * Unté de Recherches Textles, Ksar-Hellal, Tunse Résumé Dans cette étude, on se propose de détermner s le recours à des réseaux de

Plus en détail

Indicateurs de compétitivité- prix et de performances à l exportation

Indicateurs de compétitivité- prix et de performances à l exportation Décembre 2009 Indcateurs de compéttvté- prx et de performances à Méthodologe Les ndcateurs présentés dans ce document vsent à mesurer en temps réel l évoluton des parts de marché des prncpaux exportateurs

Plus en détail

Editions ENI. Project 2010. Collection Référence Bureautique. Extrait

Editions ENI. Project 2010. Collection Référence Bureautique. Extrait Edtons ENI Project 2010 Collecton Référence Bureautque Extrat Défnton des tâches Défnton des tâches Project 2010 Sasr les tâches d'un projet Les tâches représentent le traval à accomplr pour attendre l'objectf

Plus en détail

Informations de l'unité d'enseignement Implantation. Cursus de. Intitulé. Code. Cycle 1. Bloc 2. Quadrimestre 1. Pondération 4. Nombre de crédits 4

Informations de l'unité d'enseignement Implantation. Cursus de. Intitulé. Code. Cycle 1. Bloc 2. Quadrimestre 1. Pondération 4. Nombre de crédits 4 Informatons de l'unté d'ensegnement Implantaton Cursus de Inttulé Code ECAM Insttut Supéreur Industrel Bacheler en Scences ndustrelles Outls de communcaton B2050 Cycle 1 Bloc 2 Quadrmestre 1 Pondératon

Plus en détail

Méthodologie Version 3, septembre 2007

Méthodologie Version 3, septembre 2007 Méthodologe Verson 3, septembre 2007 Le bulletn Tendances Carbone présente chaque mos sx groupes d ndcateurs : - Synthèse du mos 2 Météo 3 - Actvté économque Energe 5 - Envronnement nsttutonnel 6 - Tableau

Plus en détail

Application de la méthode hybride RT/RS au problème d engagement des turbines "Unit Commitment"

Application de la méthode hybride RT/RS au problème d engagement des turbines Unit Commitment Applcaton de la méthode hybrde RT/RS au problème d engagement des turbnes "nt Commtment" R. D. OHAEDI S. ARIF A. HELLAL Laboratore d Analyse et de Commande des Systèmes d Énerge et Réseaux Électrques,

Plus en détail

Algorithme approché d optimisation d un modèle de Processus Décisionnel de Markov sur Graphe

Algorithme approché d optimisation d un modèle de Processus Décisionnel de Markov sur Graphe Algorthme approché d optmsaton d un modèle de Processus Décsonnel de Markov sur Graphe Nathale Peyrard Régs Sabbadn INRA-MIA Avgnon et Toulouse E-Mal: {peyrard,sabbadn}@toulouse.nra.fr Réseau MSTGA, Avgnon,

Plus en détail

Chapitre 5. Menu de SUPPORT

Chapitre 5. Menu de SUPPORT 155 Chaptre 5. Menu de SUPPORT Ce que vous apprendrez dans ce chaptre Ce chaptre vous présentera des routnes supplémentares susceptbles de vous ader dans les analyses de données présentées dans le chaptre

Plus en détail

Synthèse de cours PanaMaths (Terminale S) Les nombres complexes

Synthèse de cours PanaMaths (Terminale S) Les nombres complexes Snthèse de cours PanaMaths (Termnale S) L ensemble des nombres complees Défntons n pose tel que = 1 { } L ensemble des nombres complees, noté, est l ensemble : z /(, ) = + Le réel est appelé «parte réelle

Plus en détail

Interface OneNote 2013

Interface OneNote 2013 Interface OneNote 2013 Interface OneNote 2013 Offce 2013 - Fonctons avancées Lancer OneNote 2013 À partr de l'nterface Wndows 8, utlsez une des méthodes suvantes : - Clquez sur la vgnette OneNote 2013

Plus en détail

SPE PSI DEVOIR LIBRE N 9 pour le 04/01/12. Phénomènes d induction et conversion électromécanique:

SPE PSI DEVOIR LIBRE N 9 pour le 04/01/12. Phénomènes d induction et conversion électromécanique: SPE PSI DEVOIR LIBRE N 9 pour le 04/01/12 Phénomènes d nducton et converson électromécanque: 1/ Inductance propre et nductance mutuelle. 11/ Défntons et proprétés : 11a/ Défnr l'nductance propre L d un

Plus en détail

CHAPITRE 2. La prévision des ventes

CHAPITRE 2. La prévision des ventes CHAPITRE La prévson des ventes C est en foncton des prévsons de ventes que l entreprse détermne la producton, les achats et les nvestssements nécessares. La prévson des ventes condtonne l ensemble de la

Plus en détail

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2015 2016. Statistiques Descriptives

UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2015 2016. Statistiques Descriptives UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année unverstare 215 216 L1 Économe Cours de B. Desgraupes Statstques Descrptves Séance 7: Indces synthétques Table des matères 1 Introducton 1 1.1

Plus en détail

) = n. ) = 2n. D - Inférence Statistique - Estimation et Tests d hypothèses 5. Tests du Khi-deux (non paramétrique) Loi du Chi-deux (χ 2 n

) = n. ) = 2n. D - Inférence Statistique - Estimation et Tests d hypothèses 5. Tests du Khi-deux (non paramétrique) Loi du Chi-deux (χ 2 n 5. Tests du Kh-deux (non paramétrque) Lo du Ch-deux (χ n ) à n degrés de lberté (ddl) S X 1, X,..., X n, sont n varables ndépendantes, suvant toutes une lo normale N (0,1), la varable χ n = X 1 + X + +

Plus en détail

Feuilles de style CSS

Feuilles de style CSS Feulles de style CSS 71 Feulles de style CSS Les standards du web Les langages du web : le HTML et les CSS Depus la verson 4 de l'html (décembre 1999), le W3C propose les feulles de style en cascade, les

Plus en détail

PROPOSITION D UNE PROCEDURE DE DETERMINATION DE TEMPS UNITAIRE DE PIECES DECOUPEES

PROPOSITION D UNE PROCEDURE DE DETERMINATION DE TEMPS UNITAIRE DE PIECES DECOUPEES 8 e Conférence Internatonale de MOdélsaton et SIMulaton - MOSIM - au 2 ma - Hammamet - Tunse «Evaluaton et optmsaton des systèmes nnovants de producton de bens et de servces» PROPOSITION D UNE PROCEDURE

Plus en détail

ETUDE GENERALE DES AVERSES EXCEPTIONNELLES EN AFRIQUE OCCIDENTALE '

ETUDE GENERALE DES AVERSES EXCEPTIONNELLES EN AFRIQUE OCCIDENTALE ' Offce de a Recherche Scentfque et Technque Outre-Mer.".. COMITÉ d'études INTER-ÉTATS H.YDRAUUQUES.".. ETUDE GENERALE DES AVERSES EXCEPTIONNELLES EN AFRIQUE OCCIDENTALE ' Répubque Isamque de MAURITANIE

Plus en détail

Mesurer la qualité de la prévision

Mesurer la qualité de la prévision Mesurer la qualté de la prévson Luc Baetens 24/11/2011 www.mobus.eu Luc Baetens 11 ans d expérence Planfcaton Optmsaton des stocks Organsaton de la Supply Chan Performance de la Supply Chan Geston de la

Plus en détail

Les risques des pesticides mieux les connaître pour les réduire

Les risques des pesticides mieux les connaître pour les réduire Les rsques des pestcdes meux les connaître pour les rédure Des outls à votre portée pour rédure les rsques des pestcdes Vous avez mantenant accès à des outls d ade pour meux connaître les rsques des pestcdes

Plus en détail

Chapitre 3 : Incertitudes CHAPITRE 3 INCERTITUDES. Lignes directrices 2006 du GIEC pour les inventaires nationaux de gaz à effet de serre 3.

Chapitre 3 : Incertitudes CHAPITRE 3 INCERTITUDES. Lignes directrices 2006 du GIEC pour les inventaires nationaux de gaz à effet de serre 3. Chaptre 3 : Incerttudes CHAPITRE 3 INCERTITUDES Lgnes drectrces 2006 du GIEC pour les nventares natonaux de gaz à effet de serre 3.1 Volume 1 : Orentatons générales et établssement des rapports Auteurs

Plus en détail

Notes de cours. Échantillonnage STT-2000. David Haziza Département de mathématiques et de statistique Université de Montréal

Notes de cours. Échantillonnage STT-2000. David Haziza Département de mathématiques et de statistique Université de Montréal otes de cours Échantllonnage STT-000 Davd Hazza Département de mathématques et de statstque nversté de Montréal Automne 008 PRÉFACE Ces notes de cours ont été rédgées pour le cours STT-000 (Échantllonnage)

Plus en détail

Somfy Box. Activation de l option io et programmation de vos produits io

Somfy Box. Activation de l option io et programmation de vos produits io Somfy Box Actvaton de l opton o et programmaton de vos produts o Sommare Pré-requs pour la programmaton de produts o sur la Somfy Box 1 Harmonser la clé système 1 Qu est-ce que la clé système? 1 Dans quel

Plus en détail

Statistiques. A) Vocabulaire. B) Caractéristiques de position et de dispersion.

Statistiques. A) Vocabulaire. B) Caractéristiques de position et de dispersion. Statstques A) Vocabulare. Poulaton et ndvdu : La oulaton est l ensemble des ndvdus sur lequel vont orter les observatons. Caractère : Le caractère est la rorété étudée. Le caractère est qualtatf s l n

Plus en détail

Éducation et pauvreté au Vietnam : Une analyse en équilibre général calculable

Éducation et pauvreté au Vietnam : Une analyse en équilibre général calculable Éducaton et pauvreté au Vetnam : Une anayse en éubre généra cacuabe Couter, Mare-Héène Cockburn, Jon Decauwé, Bernard Avr 2004 Résumé Dans e cadre de cette étude, nous réasons, à ade d un modèe d éubre

Plus en détail

Chapitre 8 Actions du champ magnétique

Chapitre 8 Actions du champ magnétique 8.0 Introducton Chaptre 8 Actons du champ magnétque Actons (orce) du champ magnétque : a) sur des fs parcourus par un courant ( transaton) ; baance de courant b) sur des bobnes de fs parcourus par un courant

Plus en détail

Les jeunes économistes

Les jeunes économistes Chaptre1 : les ntérêts smples 1. défnton et calcul pratque : Défnton : Dans le cas de l ntérêt smple, le captal reste nvarable pendant toute la durée du prêt. L emprunteur dot verser, à la fn de chaque

Plus en détail

GENESIS - Generalized System for Imputation Simulations (Système généralisé pour simuler l imputation)

GENESIS - Generalized System for Imputation Simulations (Système généralisé pour simuler l imputation) GENESS - Generalzed System for mputaton Smulatons (Système généralsé pour smuler l mputaton) GENESS est un système qu permet d exécuter des smulatons en présence d mputaton. L utlsateur fournt un ensemble

Plus en détail

Choix de Portefeuille

Choix de Portefeuille Année 2007-2008 Chox de Portefeulle Chrstophe Boucher Chaptre 1. Théore de la décson en avenr ncertan Crtère d espérance d utlté L atttude vs-à-vs du rsque Chaptre 2. Rendements et crtères de chox entre

Plus en détail

Définition des tâches

Définition des tâches Défnton des tâches Défnton des tâches Project 2010 Sasr les tâches d'un projet Les tâches représentent le traval à accomplr pour attendre l'objectf du projet. Elles représentent de ce fat, les éléments

Plus en détail

L'INDUCTION ON5WF (MNS)

L'INDUCTION ON5WF (MNS) 'IDUCTIO ème parte / O5WF (MS) Dans la ère parte de cet artcle, nous avons vu qu'un courant électrque donnat leu à un champ magnétque (expérence d'oersted). ous avons ensute vu comment Faraday, après avor

Plus en détail

Guide d'installation rapide

Guide d'installation rapide Gude d'nstallaton rapde Calbrer le capteur avant toute utlsaton La calbraton se fat par un appu sur le bouton ON de la télécommande, porte fermée, après nstallaton du capteur et de l'amant. Bonjour! Merc

Plus en détail

ÉLÉMENTS DE THÉORIE DE L INFORMATION POUR LES COMMUNICATIONS.

ÉLÉMENTS DE THÉORIE DE L INFORMATION POUR LES COMMUNICATIONS. ÉLÉMETS DE THÉORIE DE L IFORMATIO POUR LES COMMUICATIOS. L a théore de l nformaton est une dscplne qu s appue non seulement sur les (télé-) communcatons, mas auss sur l nformatque, la statstque, la physque

Plus en détail

EH SmartView. Identifiez vos risques et vos opportunités. www.eulerhermes.be. Pilotez votre assurance-crédit. Services en ligne Euler Hermes

EH SmartView. Identifiez vos risques et vos opportunités. www.eulerhermes.be. Pilotez votre assurance-crédit. Services en ligne Euler Hermes EH SmartVew Servces en lgne Euler Hermes Identfez vos rsques et vos opportuntés Plotez votre assurance-crédt www.eulerhermes.be Les avantages d EH SmartVew L expertse Euler Hermes présentée de manère clare

Plus en détail

TP Programmation de protocoles de communication Basé sur un TP de M1- Master IST, Université Paris-Sud

TP Programmation de protocoles de communication Basé sur un TP de M1- Master IST, Université Paris-Sud IUT Bordeaux 1 2008-2009 Département Informatque ASR2-Réseaux TP Programmaton de protocoles de communcaton Basé sur un TP de M1- Master IST, Unversté Pars-Sud Ce TP a pour objectf d'nter à la programmaton

Plus en détail

Le raisonnement incertain

Le raisonnement incertain 1 Plan général 2 Le rasonnement ncertan dans les systèmes experts I- Introducton aux systèmes experts II- Fondements : organsaton et fonctonnement des SE III- Le rasonnement ncertan Introducton Antone

Plus en détail