Méthodes Stochastiques en Analyse de Risques
|
|
- Agnès Bureau
- il y a 8 ans
- Total affichages :
Transcription
1 Méthodes Stochastiques en Analyse de Risques P. Del Moral (Équipe INRIA ALEA) INRIA & Bordeaux Mathematical Institute & X CMAP Horizon Maths, Fondation Sciences Mathématiques de Paris AREVA, 12 Déc., 2011 Quelques refs et liens Feynman-Kac formulae, Genealogical & Interacting Particle Systems with appl., Springer (2004) Sequential Monte Carlo Samplers for Rare Events. (joint work with Johansen, Doucet) (2006) Branching and Interacting Particle Interpretations of Rare Event Probabilities Springer (2006). [+ Réfs] Plus de références delmoral/index.html [+ Liens]
2 Introduction Quelques exemples d actualité La notion de risque Outils mathématiques Formalisation mathématique Méthodes de Monte Carlo Echantillonnage d importance Méthodes particulaires Ilustrations Fiabilité de plateformes offshores en conditions extrêmes Sécurité et fiabilité de centrales nucléaires Fiabilité de codes de Tardos pour le fingerprinting Fiabilité réseaux de communication par fibres optiques Risques alimentaires et propagations d épidémies Analyse des performances Modèles de simulation particulaires Estimateurs particulaires Taux d erreurs exponentiellement faibles Perspectives et projets en cours
3 Introduction Quelques exemples d actualité La notion de risque Outils mathématiques Formalisation mathématique Méthodes de Monte Carlo Ilustrations Analyse des performances Perspectives et projets en cours
4 Exemples d actualité Risques sanitaires : propagations d épidémies, développement tumeurs, risques cardio-vasculaires, traitements et risques de rechutes, risques alimentaires, prolifération bactérienne. Fiabilité de systèmes : chaînes de production et d exploitation, plateformes offshore, surcharge de réseaux de communication, sécurité informatique. Sécurité du traffic aérien : défaillances, risques de collision. Sécurité nucléaire : stockage, fissures de cuves de centrales. Risques éco. et financiers : krachs boursiers, défauts de paiement. Risques naturels : climatiques, inondations, tremblements de terre... /...
5 La notion de risque Phénomènes peu documentés : peu d observation, manque de données statistiques. modèles empiriques peu formalisés. Systèmes imprévisibles complexes : interaction multi-niveaux, multi-échelles. systèmes chaotiques et instables. combinaison d aléa dans des espaces de grande dimension.
6 Outils mathématiques Calibration de modèles : 1. Estimation statistique directe : Étude empirique sur de faible jeux de données. Analyse et théorie des valeurs extrêmes. 2. Calibration de systèmes formalisés en fonction d observation partielles et des événements critiques étudiés : Quantification des incertitudes et des aléas. Estimation des paramètres de modèles. Formalisation des erreurs de modèles. Méthodes stochastiques : Filtrage de processus, inférence bayésienne, méthodes de Monte Carlo séquentielles, algorithmes de simulation particulaires, mesures de sensibilité, gradients de semigroupes.
7 Outils mathématiques (suite) Analyse des propagations d incertitudes dans ces modèles formalisés. Simulation d événements rares : estimation des probabilités de réalisation. simulation des arbres de défauts. Calcul de mesures de sensibilité : stabilité et robustesse des estimations. sensibilité par rapport à des conditions initiales, sensibilité par rapport à des variations de paramètres. Méthodes stochastiques : Simulation par des systèmes de particules en interaction (accept.-rejet+recyclage) généalogie des défaillances, branchement multi-niveaux, Calcul de gradient d énergie libre, lois conditionnelles trajectorielles, échantillonnage d importance non intrusif, modèles d îlots particulaires de type génétiques (calcul parallèle).
8 Formalisation mathématique X = variable ou processus aléatoire (variable statique, trajectoire, excursion) W = les aléas du phénomène (erreurs de modèles, incertitudes, variables externes au système) Θ = paramètre du modèle (condition initiale, paramètre cinétique, variable de contrôle) A = un événement critique (P(X A) )
9 Formalisation mathématique X = variable ou processus aléatoire (variable statique, trajectoire, excursion) W = les aléas du phénomène (erreurs de modèles, incertitudes, variables externes au système) Θ = paramètre du modèle (condition initiale, paramètre cinétique, variable de contrôle) A = un événement critique (P(X A) ) Objectifs P(X A) et Loi (X X A)? P((W, Θ) tels que X A) et Loi ((W, Θ) X A)?
10 Formalisation mathématique X = variable ou processus aléatoire (variable statique, trajectoire, excursion) W = les aléas du phénomène (erreurs de modèles, incertitudes, variables externes au système) Θ = paramètre du modèle (condition initiale, paramètre cinétique, variable de contrôle) A = un événement critique (P(X A) ) Objectifs P(X A) et Loi (X X A)? P((W, Θ) tels que X A) et Loi ((W, Θ) X A)? Mesures de sensibilité : θ θ P(X A) et θ E (f (X ) X A)?
11 Introduction Méthodes de Monte Carlo Echantillonnage d importance Méthodes particulaires Ilustrations Analyse des performances Perspectives et projets en cours
12 Echantillonnage d importance P(X A) = P X (A) = Trouver P Y t.q. P Y (A) = P(Y A) 1 Simulation Monte Carlo classique Y i i.i.d. P Y dpx dp Y (y) 1 A (y) P Y (dy) = P X (A) P N X (A) := 1 N 1 i N dp X dp Y (Y i ) 1 A (Y i ) Variance = dpx dp Y (x) 1 A (x) P X (dx) P X (A) 2
13 Echantillonnage d importance P(X A) = P X (A) = Trouver P Y t.q. P Y (A) = P(Y A) 1 Simulation Monte Carlo classique Y i i.i.d. P Y dpx dp Y (y) 1 A (y) P Y (dy) = P X (A) P N X (A) := 1 N 1 i N dp X dp Y (Y i ) 1 A (Y i ) Variance = dpx dp Y (x) 1 A (x) P X (dx) P X (A) 2 Loi d importance optimale Variance = 0 P Y (dx) = 1 A(x) P X (A) P X (dx) = P (X dx X A)
14 Echantillonnage d importance (suite) Les défauts de la méthode Systèmes complexes Choix difficile de la loi d importance. Problèmes de robustesse : énorme variance si Y mal choisi. Ex.: Processus aléatoire X = (X 0,..., X n ) dp n dq n (X ) := n k=0 p k (X k X k 1 ) q k (X k X k 1 ) martingale 0 produit dégénéré Méthode intrusive : on simule Y et non X.
15 Méthodes particulaires Un événement critique = Une cascade d événements (moins rares) Exemples : niveaux d énergie croissants, passerelles physiques/chimiques, excursions de plus en plus critiques, configurations d entrées de codes numériques conduisant à des sorties critiques,...
16 Méthodes particulaires Un événement critique = Une cascade d événements (moins rares) Exemples : niveaux d énergie croissants, passerelles physiques/chimiques, excursions de plus en plus critiques, configurations d entrées de codes numériques conduisant à des sorties critiques,... Mesures conditionnelles = Lois d échantillonnage optimales n η n = Loi(v.a., état ou trajectoire n événements intermédiaires) Les proba d événements rares = constantes de normalisation Z n = P (n événements intermédiaires)
17 Algorithme de type génétique avec N individus (ξ i n) 1 i N Explorations/propositions/prédiction/exploration locale de l espace des aléas du système (transitions, aléas internes, erreurs de modèles) Branchements-Selection-Duplication des prédictions & individus simulés conduisant le système dans les régimes critiques supérieurs.
18 Algorithme de type génétique avec N individus (ξ i n) 1 i N Explorations/propositions/prédiction/exploration locale de l espace des aléas du système (transitions, aléas internes, erreurs de modèles) Branchements-Selection-Duplication des prédictions & individus simulés conduisant le système dans les régimes critiques supérieurs. Estimations particulaires: η n = Loi(aléas, états ou trajectoire n événements) N ηn N := Mesure d occupation d un arbre généalogique Estimation non biaisée : Z n = P(n événements successifs) = P(n-ième (n 1) précédents)... P(2nd le premier) P(le premier) N Zn N := [% succès (n 1) n ]... [% succès 1 2 ] [% dans 1 ]
19 Illustration graphique : η n η N n := 1 N 1 i N δ ξ i n
20 Illustration graphique : η n η N n := 1 N 1 i N δ ξ i n
21 Illustration graphique : η n η N n := 1 N 1 i N δ ξ i n
22 Illustration graphique : η n η N n := 1 N 1 i N δ ξ i n
23 Illustration graphique : η n η N n := 1 N 1 i N δ ξ i n
24 Illustration graphique : η n η N n := 1 N 1 i N δ ξ i n
25 Illustration graphique : η n η N n := 1 N 1 i N δ ξ i n
26 Illustration graphique : η n η N n := 1 N 1 i N δ ξ i n
27 Illustration graphique : η n η N n := 1 N 1 i N δ ξ i n
28 Illustration graphique : η n η N n := 1 N 1 i N δ ξ i n
29 Illustration graphique : η n η N n := 1 N 1 i N δ ξ i n
30 Illustration graphique : η n η N n := 1 N 1 i N δ ξ i n
31 Illustration graphique : η n η N n := 1 N 1 i N δ ξ i n
32 Illustration graphique : η n η N n := 1 N 1 i N δ ξ i n
33 Illustration graphique : η n η N n := 1 N 1 i N δ ξ i n
34 Illustration graphique : η n η N n := 1 N 1 i N δ ξ i n
35 Illustration graphique : η n η N n := 1 N 1 i N δ ξ i n
36 Illustration graphique : η n η N n := 1 N 1 i N δ ξ i n
37 Illustration graphique : η n η N n := 1 N 1 i N δ ξ i n
38 Introduction Méthodes de Monte Carlo Ilustrations Fiabilité de plateformes offshores en conditions extrêmes Sécurité et fiabilité de centrales nucléaires Fiabilité de codes de Tardos pour le fingerprinting Fiabilité réseaux de communication par fibres optiques Risques alimentaires et propagations d épidémies Analyse des performances Perspectives et projets en cours
39 Code IFREMER : hydro. + mécanique (contrat ALEA-IFREMER 2010) Entrées I : hauteur de vagues, données météo, courbes de température, incertitudes+paramètres. (ex. de formalisation : I = 2000 v.a. gaussiennes) Sortie O : courbes de forces t F t (I) exercées sur une plateforme offshore (méthanier, éolienne, plateforme pétrolière). Événement rare : dépassement d un seuil/niveau de force critique a sur un intervalle de temps [0, T ]. { } A = B(a) = I telles que sup 0 t T F t (I) a Loi (Entrées I I A )
40 Code IFREMER : hydro. + mécanique (contrat ALEA-IFREMER 2010) Entrées I : hauteur de vagues, données météo, courbes de température, incertitudes+paramètres. (ex. de formalisation : I = 2000 v.a. gaussiennes) Sortie O : courbes de forces t F t (I) exercées sur une plateforme offshore (méthanier, éolienne, plateforme pétrolière). Événement rare : dépassement d un seuil/niveau de force critique a sur un intervalle de temps [0, T ]. { } A = B(a) = I telles que sup 0 t T F t (I) a Loi (Entrées I I A ) Algorithme de branchement multi-niveaux A n = B(a n ) avec a n Exploration de type MCMC des niveaux A n. Sélection des individus A n+1 ( choix adaptatif de A n+1 )
41 Sécurité et fiabilité de centrales nucléaires (Contrat CIFRE, ALEA-EDF R&D Risques industriels) Entrées I : grandeurs/défauts matériaux, température d injection, incertitudes et paramètres du modèle. (ex. de formalisation : I = 20 v.a. gaussiennes) Sortie codes neutroniques/mécaniques/hydrau. : O = F(I) Événement rare : G(O) R fonct. de risque (G 1 {0}=surface de défaillance) A = {I tels que G F(I) < 0} Loi (I I A )
42 Sécurité et fiabilité de centrales nucléaires (Contrat CIFRE, ALEA-EDF R&D Risques industriels) Entrées I : grandeurs/défauts matériaux, température d injection, incertitudes et paramètres du modèle. (ex. de formalisation : I = 20 v.a. gaussiennes) Sortie codes neutroniques/mécaniques/hydrau. : O = F(I) Événement rare : G(O) R fonct. de risque (G 1 {0}=surface de défaillance) A = {I tels que G F(I) < 0} Loi (I I A ) Même algorithme de branchement multi-niveaux A n Analyse de sensibilité (corrélation entre v.a., paramètres)
43 Watermarking & Digital fingerprinting (détection de copies illégales) (ANR Nebbiano 06-09, INRIA ALEA-ASPI-TEMICS) V.a. aléatoires : message caché (empreinte) Formalisation : série de bits X = (X 1,..., X d ) {0, 1}, v.a. Gauss. Événement rare : Accuser un innocent (copie illégale).
44 Watermarking & Digital fingerprinting (détection de copies illégales) (ANR Nebbiano 06-09, INRIA ALEA-ASPI-TEMICS) V.a. aléatoires : message caché (empreinte) Formalisation : série de bits X = (X 1,..., X d ) {0, 1}, v.a. Gauss. Événement rare : Accuser un innocent (copie illégale). Le doc. trouvé contient un code y = (y 1,..., y d ). Degré d accusation à tord dépassement de niveau d une fonction : F(X ) = y i f i (X i ) a Codes Tardos 1 i d F(X ) = X, u / X a Zero-bit watermarking ( u = 1) A = {X tels que F(X ) a} Loi (X F(X ) a )
45 Watermarking & Digital fingerprinting (détection de copies illégales) (ANR Nebbiano 06-09, INRIA ALEA-ASPI-TEMICS) V.a. aléatoires : message caché (empreinte) Formalisation : série de bits X = (X 1,..., X d ) {0, 1}, v.a. Gauss. Événement rare : Accuser un innocent (copie illégale). Le doc. trouvé contient un code y = (y 1,..., y d ). Degré d accusation à tord dépassement de niveau d une fonction : F(X ) = y i f i (X i ) a Codes Tardos 1 i d F(X ) = X, u / X a Zero-bit watermarking ( u = 1) A = {X tels que F(X ) a} Loi (X F(X ) a ) Même algorithme de branchement multi-niveaux A n Analyse de sensibilité (corrélation entre v.a., paramètres)
46 Communication par fibres optiques DM + J. Garnier. Simulations of rare events in fiber optics by interacting particle systems. Optics Communications (2006). DM + J. Garnier. Genealogical particle analysis of rare events. Ann. Appl. Probab. (2005). Modèle probabiliste : Impulsions élémentaires X k dans les k-ième segment de fibre (fictif) : profils d impulsions type solitons. Aléas : ω k = perturbations aléatoires dans chaque section. (fluctuations des dispersions de vitesses) X k = F k (X k 1, ω k ) } {{ } éq. de Schrödinger non linéaire Événement rare : dépassement de niveau d une grandeur caractéristique V (X T ) (largeur du profil d impulsion, dispersion modale, puissance). P (V (X T ) a) & Loi ((X t ) 0 t T V (X T ) a )
47 Communication par fibres optiques Algorithme particulaire = N particules ξt i = (Xt i, Xt+1 i ) Exploration libre selon les transitions X t 1 X t = F t (X t 1, ω t ). Sélection des transitions niveaux (critère e α(v (Xt) V (Xt 1)) )
48 Communication par fibres optiques Algorithme particulaire = N particules ξt i = (Xt i, Xt+1 i ) Exploration libre selon les transitions X t 1 X t = F t (X t 1, ω t ). Sélection des transitions niveaux (critère e α(v (Xt) V (Xt 1)) ) Estimation non biaisée des constantes de normalisation Z T = P(V T (X T ) a) ( = E 1 VT (X T ) a e αv (X T ) { 0 t T eα(v (Xt) V (Xt 1)) }) ( ) 1 N N 1 i N 1 V T (X it ) a e αv (X i T ) 0 t T 1 N 1 i N eα(v (X i t ) V (X i )) t 1 Arbres généalogiques N Arbre des défaillances
49 Risques alimentaires et propagations d épidémies ANR VIROSCOPY 08-11: Epidemic propagations analysis INRIA-ENST. ARC EPS INRA-INRIA : Eco-microbiologie previsonnelle (09-10). Projet CNRS : ENS Paris et Institut de Maths de Bordeaux ( ). Modéles cinétiques d évolution paramètres inconnus Θ : X k = F k (X k 1, ω k, Θ) Calibration : observations partielles et bruitées (web, mesures stat.) filtres particulaires, méthodes de Monte Carlo séquentielles. Analyse de risques : dépassement de niveau de grandeurs caractéristiques V (X ) > a, régimes et excursions critiques,... Mêmes algorithmes particulaires (branchement, selection)
50 Introduction Méthodes de Monte Carlo Ilustrations Analyse des performances Modèles de simulation particulaires Estimateurs particulaires Taux d erreurs exponentiellement faibles Perspectives et projets en cours
51 Modèles particulaires de type génétique Algorithme de simulation interactif + adaptatif + universel Mutation-Propositions : transitions de Markov X n 1 X n E n. Selection-Accept/Rejet-Recyclage : critères locaux fonction G n.
52 Modèles d arbres généalogiques (Taille population, horizon de temps)=(n, n) = (3, 3) = = =
53 Modèles d arbres généalogiques (Taille population, horizon de temps)=(n, n) = (3, 3) = = = Théorème (96-98 ): Les lignes ancestrales v.a. i.i.d. de loi = mesure de Feynman-Kac Q n := 1 G Z n p (X p ) P n avec P n := Loi (X 0,..., X n ) 0 p<n
54 Modèles d arbres généalogiques (Taille population, horizon de temps)=(n, n) = (3, 3) = = = Théorème (96-98 ): Les lignes ancestrales v.a. i.i.d. de loi = mesure de Feynman-Kac Q n := 1 G Z n p (X p ) P n avec P n := Loi (X 0,..., X n ) Exemple 0 p<n G n = 1 An Q n = Loi((X 0,..., X n ) X p A p, p < n)
55 Mesures de sensibilité θ R d=1 ( ) Xn θ, Gn θ, Q θ n Z n (θ) = P(événement critique θ) = E 0 p<n Gp θ (Xp θ )
56 Mesures de sensibilité θ R d=1 ( ) Xn θ, Gn θ, Q θ n Z n (θ) = P(événement critique θ) = E θ log Z n(θ) = x=trajectoires avec la fonctionnelle additive f n (x 0,..., x n ) = 1 n 0 p<n 0 p<n Gp θ (Xp θ ) Q θ n(dx) f n (x) := Q θ n (f n ) θ log ( p θ (x p+1 x p ) Gp θ (x p ) )
57 Mesures de sensibilité θ R d=1 ( ) Xn θ, Gn θ, Q θ n Z n (θ) = P(événement critique θ) = E θ log Z n(θ) = x=trajectoires avec la fonctionnelle additive f n (x 0,..., x n ) = 1 n 0 p<n 0 p<n Gp θ (Xp θ ) Q θ n(dx) f n (x) := Q θ n (f n ) θ log ( p θ (x p+1 x p ) Gp θ (x p ) ) Approximations particulaires θ log Z n(θ) = Q θ 1 n (f n ) N N 1 i N f n (ligne ancestrale n (i))
58 En résumé Arbre généalogique A N n (f n ) = N 1 N 1 i N f n (ligne ancestrale n (i)) Q n (f n ) = E (f n (X 0,..., X n ) événement critique)
59 En résumé Arbre généalogique A N n (f n ) = N 1 N 1 i N f n (ligne ancestrale n (i)) Q n (f n ) = E (f n (X 0,..., X n ) événement critique) Population courante ηn N (f n ) := 1 f n (ξ i N n) N η n (f n ) = E (f n (X n ) événement critique) 1 i N
60 En résumé Arbre généalogique A N n (f n ) = N 1 N 1 i N f n (ligne ancestrale n (i)) Q n (f n ) = E (f n (X 0,..., X n ) événement critique) Population courante η N n (f n ) := 1 N 1 i N f n (ξ i n) N η n (f n ) = E (f n (X n ) événement critique) Approximation particulaire non biaisée Z N n = 0 p<n 1 N 1 i N G p (ξ i p) N Z n = P (événement critique)
61 En résumé Arbre généalogique A N n (f n ) = N 1 N 1 i N f n (ligne ancestrale n (i)) Q n (f n ) = E (f n (X 0,..., X n ) événement critique) Population courante η N n (f n ) := 1 N 1 i N f n (ξ i n) N η n (f n ) = E (f n (X n ) événement critique) Approximation particulaire non biaisée Z N n = 0 p<n 1 N 1 i N G p (ξ i p) N Z n = P (événement critique) Exemple : G n = 1 An Z N n = % de succès P(X p A p, p < n)
62 Arbre généalogique complet = [ (ξ i p) 1 i N, 0 p n ] Formulation markovienne à rebours Q N n (ξ i0 0, ξi1 1,..., ξin n ) := 1 N MN n (i n, i n 1 )... M N 2 (i 2, i 1 ) M N 1 (i 1, i 0 ) avec les transitions aléatoires : (p n =densité des transitions x n 1 x n ) M N p n+1 (ξ in+1 n+1 n+1(i n+1, i n ) = ξin n )G n (ξn in ) 1 k N p n+1(ξ in+1 n+1 ξk n )G n (ξn k )
63 Arbre généalogique complet = [ (ξ i p) 1 i N, 0 p n ] Formulation markovienne à rebours Q N n (ξ i0 0, ξi1 1,..., ξin n ) := 1 N MN n (i n, i n 1 )... M N 2 (i 2, i 1 ) M N 1 (i 1, i 0 ) avec les transitions aléatoires : (p n =densité des transitions x n 1 x n ) M N p n+1 (ξ in+1 n+1 n+1(i n+1, i n ) = ξin n )G n (ξn in ) 1 k N p n+1(ξ in+1 n+1 ξk n )G n (ξn k ) Exemple: Intégration de fonctionnelles additives normalisées Q n (f n ) N Q N n (f n ) := 1 n + 1 f n (x 0,..., x n ) = 1 n p n 0 p n f p (x p ) [ 1 N,..., 1 ] M N n M N n 1... M N p+1 N f p (ξp) 1. f p (ξp N )
64 Inégalités de concentration Constantes (c 1, c 2 ) liées au (biais,variance) n, c cte universelle, f n 1, et F n fonctionnelle additive normalisée (x 0, n 0, N 1, ɛ {+1, 1}), la probabilité des inégalités suivante est supérieure à 1 e x : [ η N n η n ] (fn ) c 1 N ( 1 + x + x ) + c 2 N x [ A N n Q n ] (fn ) c 1 n + 1 N ( 1 + x + x ) + c2 (n + 1) N x [ ] Q N 1 n Q n (Fn ) c 1 N (1 + (x + x x)) + c 2 N(n + 1) ɛ n log ZN n c 1 Z n N ( 1 + x + x ) + c 2 N x
65 Introduction Méthodes de Monte Carlo Ilustrations Analyse des performances Perspectives et projets en cours
66 Perspectives et projets en cours Arbres généalogiques = Arbres de défauts = Trajectoires typiques liées aux événements rares Estimation de paramètres/aléas favorisant l événement critique Contrôle de processus évoluant dans des régimes critiques Augmentation du degré de fiabilité de systèmes Prédiction des phénomènes en fonction d observations réelles
Sommaire Chapitre 1 Chapitre 2 Chapitre 3 Chapitre 4 Chapitre 5 Chapitre 6 Chapitre 7. ARC EPS Eco-microbiologie Prévisionnelle Statistique
ARC EPS Eco-microbiologie Prévisionnelle Statistique 1 Objectifs de l ARC EPS 2 Partenaires 3 Moyens 4 Problématique Microbiologique 5 Démarche et Résultats 6 Perspectives 7 Valorisation LES OBJECTIFS
Plus en détailChapitre 3. Algorithmes stochastiques. 3.1 Introduction
Chapitre 3 Algorithmes stochastiques 3.1 Introduction Les algorithmes stochastiques sont des techniques de simulation numériques de chaînes de Markov, visant à résoudre des problèmes d optimisation ou
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailHealth Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation
Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailIncertitude et variabilité : la nécessité de les intégrer dans les modèles
Incertitude et variabilité : la nécessité de les intégrer dans les modèles M. L. Delignette-Muller Laboratoire de Biométrie et Biologie Evolutive VetAgro Sup - Université de Lyon - CNRS UMR 5558 24 novembre
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailQu est-ce qu un ordinateur quantique et à quoi pourrait-il servir?
exposé UE SCI, Valence Qu est-ce qu un ordinateur quantique et à quoi pourrait-il servir? Dominique Spehner Institut Fourier et Laboratoire de Physique et Modélisation des Milieux Condensés Université
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailCours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailSystèmes de communications numériques 2
Systèmes de Communications Numériques Philippe Ciuciu, Christophe Vignat Laboratoire des Signaux et Systèmes CNRS SUPÉLEC UPS SUPÉLEC, Plateau de Moulon, 91192 Gif-sur-Yvette ciuciu@lss.supelec.fr Université
Plus en détailFormation à la C F D Computational Fluid Dynamics. Formation à la CFD, Ph Parnaudeau
Formation à la C F D Computational Fluid Dynamics Formation à la CFD, Ph Parnaudeau 1 Qu est-ce que la CFD? La simulation numérique d un écoulement fluide Considérer à présent comme une alternative «raisonnable»
Plus en détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailProjet ANR. Bruno Capra - OXAND. 04/06/2015 CEOS.fr - Journée de restitution (Paris) B. CAPRA
Projet ANR Bruno Capra - OXAND MEFISTO : Maîtrise durable de la fissuration des infrastructures en bétons Contexte Problématique des Maîtres d Ouvrages Evaluation et prédiction de la performance des ouvrages
Plus en détailPRÉCIS DE SIMULATION
PRÉCIS DE SIMULATION P. Del Moral Centre INRIA Bordeaux Sud-Ouest & Institut de Mathématiques de Bordeaux Université Bordeaux I, 351, cours de la Libération 33405 Talence, France Table des matières 1
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailMémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.
Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détail3ème séance de Mécanique des fluides. Rappels sur les premières séances Aujourd hui : le modèle du fluide parfait. 2 Écoulements potentiels
3ème séance de Mécanique des fluides Rappels sur les premières séances Aujourd hui : le modèle du fluide parfait 1 Généralités 1.1 Introduction 1.2 Équation d Euler 1.3 Premier théorème de Bernoulli 1.4
Plus en détailPhotons, expériences de pensée et chat de Schrödinger: une promenade quantique
Photons, expériences de pensée et chat de Schrödinger: une promenade quantique J.M. Raimond Université Pierre et Marie Curie Institut Universitaire de France Laboratoire Kastler Brossel Département de
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailUNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS
UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP20-9717 Pointe-à-Pitre Cedex CONTRAT 2010-201 LE MASTER NOM DU DOMAINE STS Mention : Mathématiques Implantation : Guadeloupe FICHES DESCRIPTIVES
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailChapitre 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 détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailSur quelques applications des processus de branchement en biologie moléculaire
Sur quelques applications des processus de branchement en biologie moléculaire Didier Piau Exposés donnés les 3 et 4 novembre 2003 à l ÉNS dans le cadre de l atelier «Applications à la biologie et à la
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailIntelligence artificielle et les défis en robotique mobile et autonome
Intelligence artificielle et les défis en robotique mobile et autonome Éric Beaudry http://planiart.usherbrooke.ca/~eric/ Étudiant au doctorat en informatique Laboratoires Planiart et Laborius 13 février
Plus en détailExpérience 3 Formats de signalisation binaire
Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx
Plus en détailRelever les défis des véhicules autonomes
EMM 2014 12eme rencontre européenne de mécatronique Relever les défis des véhicules autonomes Mathias Perrollaz Ingénieur expert Inria Christian Laugier Directeur de recherche Inria E-Motion Team Annecy,
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailRenforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.
Master Mathématiques et Applications Spécialité : Ingénierie mathématique et modélisation Parcours : Mathématique et Informatique : Statistique, Signal, Santé (MI3S) 2015-2016 RÉSUMÉ DES COURS : (dernière
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailMémoire d Actuariat Tarification de la branche d assurance des accidents du travail Aymeric Souleau aymeric.souleau@axa.com 3 Septembre 2010 Plan 1 Introduction Les accidents du travail L assurance des
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en détailMesure et gestion des risques d assurance
Mesure et gestion des risques d assurance Analyse critique des futurs référentiels prudentiel et d information financière Congrès annuel de l Institut des Actuaires 26 juin 2008 Pierre THEROND ptherond@winter-associes.fr
Plus en détailThéorie des probabilités
Théorie des probabilités LAVOISIER, 2008 LAVOISIER 11, rue Lavoisier 75008 Paris www.hermes-science.com www.lavoisier.fr ISBN 978-2-7462-1720-1 ISSN 1952 2401 Le Code de la propriété intellectuelle n'autorisant,
Plus en détailUE 503 L3 MIAGE. Initiation Réseau et Programmation Web La couche physique. A. Belaïd
UE 503 L3 MIAGE Initiation Réseau et Programmation Web La couche physique A. Belaïd abelaid@loria.fr http://www.loria.fr/~abelaid/ Année Universitaire 2011/2012 2 Le Modèle OSI La couche physique ou le
Plus en détailLes mathématiques du XXe siècle
Itinéraire de visite Les mathématiques du XXe siècle Tous publics de culture scientifique et technique à partir des classes de 1ères Temps de visite : 1 heure 30 Cet itinéraire de visite dans l exposition
Plus en détailIncertitudes expérimentales
Incertitudes expérimentales F.-X. Bally et J.-M. Berroir Février 2013 Table des matières Introduction 4 1 Erreur et incertitude 4 1.1 Erreurs............................................. 4 1.1.1 Définition
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
Plus en détailCommunications numériques
Communications numériques 1. Modulation numérique (a) message numérique/signal numérique (b) transmission binaire/m-aire en bande de base (c) modulation sur fréquence porteuse (d) paramètres, limite fondamentale
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailANALYSE NUMERIQUE ET OPTIMISATION. Une introduction à la modélisation mathématique et à la simulation numérique
1 ANALYSE NUMERIQUE ET OPTIMISATION Une introduction à la modélisation mathématique et à la simulation numérique G. ALLAIRE 28 Janvier 2014 CHAPITRE I Analyse numérique: amphis 1 à 12. Optimisation: amphis
Plus en détailAlgorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication. Philippe Robert INRIA Paris-Rocquencourt
Algorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication Philippe Robert INRIA Paris-Rocquencourt Le 2 juin 2010 Présentation Directeur de recherche à l INRIA Institut
Plus en détailCOURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION. Jean-Loup Guillaume
COURS SYRRES RÉSEAUX SOCIAUX INTRODUCTION Jean-Loup Guillaume Le cours Enseignant : Jean-Loup Guillaume équipe Complex Network Page du cours : http://jlguillaume.free.fr/www/teaching-syrres.php Évaluation
Plus en détailMASTER de sciences et technologies, Mention MATHÉMATIQUES ET APPLICATIONS Université Pierre et Marie Curie (Paris VI) Année 2012-2013
MASTER de sciences et technologies, Mention MATHÉMATIQUES ET APPLICATIONS Université Pierre et Marie Curie (Paris VI) Année 2012-2013 [version du 29 juin 2012] 2 Table des matières 1 Master 2, Spécialité
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailLe concept cellulaire
Le concept cellulaire X. Lagrange Télécom Bretagne 21 Mars 2014 X. Lagrange (Télécom Bretagne) Le concept cellulaire 21/03/14 1 / 57 Introduction : Objectif du cours Soit un opérateur qui dispose d une
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailChaine de transmission
Chaine de transmission Chaine de transmission 1. analogiques à l origine 2. convertis en signaux binaires Échantillonnage + quantification + codage 3. brassage des signaux binaires Multiplexage 4. séparation
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailÉPREUVE COMMUNE DE TIPE - PARTIE D. Mesures sur les fibres optiques
ÉPREUVE COMMUNE DE TIPE - PARTIE D TITRE : Mesures sur les fibres optiques 0 Temps de préparation :... h 5 minutes Temps de présentation devant le jury :.0 minutes Entretien avec le jury :..0 minutes GUIDE
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailLa 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 détailChapitre I La fonction transmission
Chapitre I La fonction transmission 1. Terminologies 1.1 Mode guidé / non guidé Le signal est le vecteur de l information à transmettre. La transmission s effectue entre un émetteur et un récepteur reliés
Plus en détail