Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07

Dimension: px
Commencer à balayer dès la page:

Download "Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07"

Transcription

1 Axe MSA Bilan scientifique et perspectives ENSM.SE L. Carraro - 17 décembre 07

2 17 décembre 07 2 Plan Compétences acquises domaines scientifiques compétences transverses Domaines ou activités accessibles : immédiatement au prix d adaptations faciles via des efforts conséquents Conclusion

3 17 décembre 07 3 Cartographie (domaines scientifiques) spatial Complexité croissante temporel monodim multidim linéaire multidim non linéaire statique

4 17 décembre 07 4 Cartographie (domaines scientifiques) spatial séries chros processus temporel monodim Cours 1A projet statique multidim régression linéaire plans exp. anal. données multidim non linéaire

5 17 décembre 07 5 Cartographie Compétences transverses Questionnement sur un problème Compréhension Prise en compte du contexte, des contraintes Rapport coût/qualité Communication écrite orale Travail en groupe

6 17 décembre 07 Domaines ou activités 6 accessibles immédiatement Etudes de données expérimentales laboratoires (industrie, santé ) mise en évidence de facteurs importants service qualité Prévisions prévisions de vente ou de consommation finance, assurances prévisions de coûts

7 17 décembre 07 Domaines ou activités 7 accessibles immédiatement Aide à la décision construction d indicateurs probabilisation de décisions sociétés de conseil (finance, risques ) Appui méthodologique à un autre domaine mécanique, matériaux procédés, environnement santé

8 17 décembre 07 Domaines ou activités 8 accessibles facilement Statistical Process Control. Traitement statistique du signal. Séries temporelles multidimensionnelles, économétrie. Régression non linéaire. Méthodes non paramétriques en petite dimension.

9 17 décembre 07 9 géostatistique linéaire spatial analyse d images séries chros monodim calcul processus stochastique processus, champs de Markov Cours 1A statique Aller plus loin? temporel traitement du signal - filtrage géostatistique non linéaire compression, ondelettes multidim régression linéaire plans exp. anal. données Apprentissage statistique : réseaux multidim de neurones support non vector linéaire machines bagging, boosting

10 17 décembre géostatistique linéaire spatial analyse d images séries chros monodim calcul processus stochastique processus, champs de Markov Cours 1A statique Aller plus loin? temporel traitement du signal - filtrage géostatistique non linéaire compression, ondelettes multidim régression linéaire plans exp. anal. données Apprentissage statistique : réseaux multidim de neurones support non vector linéaire machines bagging, boosting

11 17 décembre 07 Filtrage de Kalman 11 et modèles d état! Modèle d état : X n = F X n"1 + G# n équation d état Y n = H X n + F n équation d observation Y n : vecteur p*1 observé au temps n X n : vecteur q*1 décrivant le système au temps n E n, F n : vecteurs de résidus aléatoires Modèle discret d équation différentielle bruitée, avec mesure.

12 17 décembre Cas d un ARMA(2,1)!! x n " # 1 x n"1 " # 2 x n"2 = $ n " % 1 $ n"1 # X n = % $ x n x n"1 & # (, E n = ) n % ' $ ) n"1 & (, Y n = x n ' # X n = " 1 " 2 & # % ( X $ 1 0 n)1 + 1 )* & 1 % ( E ' $ 0 0 n ' [ ] X n Y n = 1 0!

13 17 décembre Problèmes traités Filtrage : E(X n /Y 1,,Y n ) =? Prévision : E(X n+h /Y 1,,Y n ) =? Var(X n+h /Y 1,,Y n ) =? Loi de X n+h /Y 1,,Y n ) =? Algorithme de Kalman, valable en temps continu (ED stochastiques), non stationnaire. Applications innombrables aux pbs temps réel (cf. aéronautique) Vers le contrôle

14 17 décembre Géostatistique Historique : exploitation minière (or) D. Krige, G. Matheron Modélisation de phénomènes spatiaux : Géométrie en 2D ou 3D (ou ND!) Observations non régulières Observation d une fonction y(x) en certains points x de l espace. Objectif = prévoir y(x) pour des x non observés ou inobservables.

15 17 décembre Modèle probabiliste y(x) est supposé être la réalisation d un processus gaussien Y(x) tel que : [ ] = m E Y(x) [( ) 2 ] = 2#(h) E Y(x + h) " Y(x) γ est le (demi-) variogramme du processus! Si Var(Y(x)) = σ 2 : cov(y(x),y(x + h)) = " 2 # $(h)!

16 17 décembre Lien variogramme-processus

17 17 décembre Simulations en 2D

18 17 décembre Simulations en 2D

19 17 décembre Applications Tous les domaines qui mettent en œuvre des variables spatiales non totalement accessibles : Mines, pétrole, gaz Environnement Halieutique Computer experiments

20 17 décembre 07 Estimation de la longueur 20 moyenne du hareng écossais

21 17 décembre Carte au toit d un champ pétrolier

22 17 décembre Vers l apprentissage statistique Arbres de régression : Principe : Première séparation : Parmi tous les prédicteurs et tous les niveaux, trouver ceux qui séparent la réponse en deux groupes les plus hétérogènes (déviance) Séparations suivantes : Recommencer dans chaque sous-groupe Elagage de l arbre Remonter dans l arbre et couper les branches homogènes.

23 17 décembre Exemple : données de spam 1 réponse qualitative : spam ou pas spam 57 prédicteurs : fréquence d apparition de caractères ou de mots observations NB : X. = ; X..3=! X..1=( X..2=[ X..4=$ X..5=#

24 17 décembre Arbre avant élagage

25 17 décembre 07 Arbre après élagage 25

26 17 décembre 07 Problèmes de stabilité 26

27 17 décembre Modèles de ruine Origine : assurances sinistres, conception de barrages, fils d attentes Réserve de risque Z(t)au temps t : Z(t) = x + βt - X(t) x = capital initial β = taux (constant) de primes d assurances entrantes X(t) = montant des sinistres cumulé au temps t X(t) = N " t X k k=1

28 17 décembre Hypothèses et premiers éléments (N t ) t est un processus de Poisson homogène d intensité λ Les variables X k sont i.i.d. d espérance µ!! E(X(t) /N t ) = µn t Et par suite : E(Z(t)) = x + "t # $µt Donc on doit avoir " > #µ!

29 17 décembre Vers la théorie de la ruine Explicitation du lien entre x et P(T<+ ) T = instant de ruine = Inf{t, Z(t)<0} Difficulté du problème : Théorique (voir martingales) Numérique (processus à sauts) Introduction de la réassurance

30 17 décembre Conclusion Axe MSA = des bases solides Compléments méthodologiques : option maths applis finance, assurance autres Compléments applicatifs : tous domaines

PROJET DE SPÉCIALITÉ DU MASTER DE MATHÉMATIQUES. MODÉLISATION MATHÉMATIQUE & ANALYSE STATISTIQUE

PROJET DE SPÉCIALITÉ DU MASTER DE MATHÉMATIQUES. MODÉLISATION MATHÉMATIQUE & ANALYSE STATISTIQUE PROJET DE SPÉCIALITÉ DU MASTER DE MATHÉMATIQUES. MODÉLISATION MATHÉMATIQUE & ANALYSE STATISTIQUE Porteurs du projet Marc Arnaudon, professeur des universités, responsable des relations avec les entreprises.

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

Journée de rencontres ANSES - IGN - INA - Labex Bézout

Journée de rencontres ANSES - IGN - INA - Labex Bézout Journée de rencontres ANSES - IGN - INA - Labex Bézout Présentation du LAMA Stéphane Sabourau 3 mars 2014 Présentation générale Le Laboratoire d Analyse et Mathématiques Appliquées (LAMA) est composé de

Plus en détail

Introduction au datamining

Introduction 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 détail

Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.

Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. 2 jours : Mardi 15 et mercredi 16 novembre 2005 de 9 heures 30 à 17 heures 30 Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. Madame, Monsieur, On parle

Plus en détail

Approche hybride De la correction des erreurs à la sélection de variables

Approche hybride De la correction des erreurs à la sélection de variables Approche hybride De la correction des erreurs à la sélection de variables G.M. Saulnier 1, W. Castaing 2 1 Laboratoire EDYTEM (UMR 5204, CNRS, Université de Savoie) 2 TENEVIA (http://www.tenevia.com) Projet

Plus en détail

GENIE STATISTIQUE GESTION DES RISQUES ET INGENIERIE FINANCIERE MARKETING QUANTITATIF ET REVENUE MANAGEMENT

GENIE STATISTIQUE GESTION DES RISQUES ET INGENIERIE FINANCIERE MARKETING QUANTITATIF ET REVENUE MANAGEMENT Remarque : Tous les cours sont en français, sauf contre-indication. Pour des traductions anglaises des titres, des descriptifs, et plus de renseignements, consultez l intégralité du Programme des enseignements

Plus en détail

Modèle classique Extensions Modèle multi-branches. Théorie de la ruine. Esterina Masiello (ISFA)

Modèle classique Extensions Modèle multi-branches. Théorie de la ruine. Esterina Masiello (ISFA) Esterina Masiello Institut de Science Financière et d Assurances Université Lyon 1 Premières Journées Actuarielles de Strasbourg 6-7 octobre 2010 En résumé... Modèle classique de la théorie de la ruine

Plus en détail

Provisionnement face au risque de défaut des emprunteurs

Provisionnement face au risque de défaut des emprunteurs Provisionnement face au risque de défaut des emprunteurs Geoffrey Nichil et Pierre Vallois Institut Elie Cartan de Lorraine. 6-11 Avril 2014 1/12 Geoffrey Nichil et Pierre Vallois Provisionnement face

Plus en détail

Programme détaillé des enseignements

Programme détaillé des enseignements Programme détaillé des enseignements SEMESTRE S1 STATISTIQUES Méthodes d'estimation ponctuelle (méthodes des moments, du maximum de vraisemblances, bayésienne) et par intervalles de confiance. Statistiques

Plus en détail

SOMMAIRES D OUVRAGES PARUS

SOMMAIRES D OUVRAGES PARUS SOMMAIRES D OUVRAGES PARUS TITRE : MÉTHODES ACTUARIELLES DE L'ASSURANCE VIE (cours et exercices corrigés) AUTEUR : Christian HESS ÉDITEUR : ÉCONOMICA, PARIS DATE DE PARUTION : NOVEMBRE 2000 357 pages prix

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation 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 détail

Maquette, licence en économie quantitative

Maquette, licence en économie quantitative Maquette, licence en économie quantitative Semestre1 Analyse Analyse 1 60 4 Calcul Calcul 1 60 4 Algèbre Algèbre linéaire 60 4 Arithmétique Mathématiques discrètes 60 4 Prob. et Statistique Introduction

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation 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 détail

Introduction aux modèles financiers

Introduction aux modèles financiers Notes pour le module spécifique Introduction aux modèles financiers Ecole Centrale de Lyon Option Mathématiques 1 2 Introduction Quelques références Pour comprendre les marchés financiers, avoir un apreçu

Plus en détail

IFT6561. Simulation: aspects stochastiques

IFT6561. Simulation: aspects stochastiques IFT 6561 Simulation: aspects stochastiques DIRO Université de Montréal Automne 2013 Détails pratiques Professeur:, bureau 3367, Pav. A.-Aisenstadt. Courriel: bastin@iro.umontreal.ca Page web: http://www.iro.umontreal.ca/~bastin

Plus en détail

Intérêt du découpage en sous-bandes pour l analyse spectrale

Intérêt du découpage en sous-bandes pour l analyse spectrale Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,

Plus en détail

Processus aléatoires avec application en finance

Processus 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 détail

COURS DE STATISTIQUE APPLIQUÉE

COURS DE STATISTIQUE APPLIQUÉE UNIVERSITE PROTESTANTE AU CONGO CENTRE CONGOLAIS-ALLEMAND DE MICROFINANCE COURS DE STATISTIQUE APPLIQUÉE Professeur Daniel MUKOKO Samba daniel_mukoko@yahoo.fr Quelques références Droesbeke, Jean-Jacques,

Plus en détail

INTRODUCTION À LA THÉORIE DE STABILITÉ DES SYSTÈMES CONSERVATIFS

INTRODUCTION À LA THÉORIE DE STABILITÉ DES SYSTÈMES CONSERVATIFS INTRODUCTION À LA THÉORIE DE STABILITÉ DES SYSTÈMES CONSERVATIFS David Ryckelynck Centre des Matériaux, Mines ParisTech David.Ryckelynck@mines-paristech.fr Bibliographie : Stabilité et mécanique non linéaire,

Plus en détail

Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS

Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS 1er semestre UE1-01 E Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS Introduction au système SAS 25,5

Plus en détail

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique

ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique ALEATOIRE - Les enjeux du cours de Probabilités en première année de l Ecole Polytechnique Télécom ParisTech, 09 mai 2012 http://www.mathematiquesappliquees.polytechnique.edu/ accueil/programmes/cycle-polytechnicien/annee-1/

Plus en détail

Problèmes de fiabilité dépendant du temps

Problèmes de fiabilité dépendant du temps Problèmes de fiabilité dépendant du temps Bruno Sudret Dépt. Matériaux et Mécanique des Composants Pourquoi la dimension temporelle? Rappel Résistance g( RS, ) = R S Sollicitation g( Rt (), St (),) t =

Plus en détail

Formation Actuaire Data-Scientist PROGRAMME

Formation Actuaire Data-Scientist PROGRAMME Formation Actuaire Data-Scientist PROGRAMME 15 Septembre 2014 Arthur Charpentier, Romuald Élie & Jérémie Jakubowicz 15914 Programme Séance inaugurale : révolu-on numérique besoins des entreprises cadre

Plus en détail

Méthodes d apprentissage statistique («Machine Learning»)

Méthodes d apprentissage statistique («Machine Learning») Méthodes d apprentissage statistique («Machine Learning») Journées d Etudes IARD Niort, 21 Mars 2014 Fabrice TAILLIEU Sébastien DELUCINGE Rémi BELLINA 2014 Milliman. All rights reserved Sommaire Introduction

Plus en détail

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing

Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Statistique et analyse de données pour l assureur : des outils pour la gestion des risques et le marketing Gilbert Saporta Chaire de Statistique Appliquée, CNAM ActuariaCnam, 31 mai 2012 1 L approche statistique

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets

Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Master Modélisation Statistique M2 Finance - chapitre 3 Modèles financiers discrets Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université de Franche-Comté)

Plus en détail

Modèles à Événements Discrets. Réseaux de Petri Stochastiques

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

Plus en détail

Evaluation de performance en Sûreté de Fonctionnement

Evaluation de performance en Sûreté de Fonctionnement Groupe SdF Midi-Pyrénées Toulouse 5 juin 2015 Evaluation de performance en Sûreté de Fonctionnement - Andre.cabarbaye Plan Introduction Types de performances Finalité des analyses Attentes du donneur d

Plus en détail

INTRODUCTION : EDP ET FINANCE.

INTRODUCTION : EDP ET FINANCE. INTRODUCTION : EDP ET FINANCE. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) EDP et finance. 1 / 16 PLAN DU COURS 1 MODÈLE ET ÉQUATION DE BLACK SCHOLES 2 QUELQUES EXTENSIONS A. Popier

Plus en détail

Maquette pédagogique : Licence en Finance quantitative

Maquette pédagogique : Licence en Finance quantitative Maquette pédagogique : Licence en Finance quantitative Semestre1 Analyse Analyse 1 60 4 Calcul Calcul 1 60 4 Algèbre Algèbre linéaire 60 4 Arithmétique Mathématiques discrètes 60 4 Prob. et Statistique

Plus en détail

Arbres de décisions et forêts aléatoires.

Arbres de décisions et forêts aléatoires. Arbres de décisions et forêts aléatoires. Pierre Gaillard 7 janvier 2014 1 Plan 1 Arbre de décision 2 Les méthodes d ensembles et les forêts aléatoires 2 Introduction 3 Introduction Jeu de données (ex

Plus en détail

Document de travail issu de la commission CTI-SMF-SMAI

Document de travail issu de la commission CTI-SMF-SMAI Document de travail issu de la commission CTI-SMF-SMAI 1) Place des mathématiques actuellement dans le document de référence de la CTI Le document CTI - Références et Orientations n évoque pas explicitement

Plus en détail

K. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau

K. 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 détail

LES MODÈLES DE PRÉVISIONS ÉCONOMIQUES. René GARCIA John GALBRAITH 17 juin 1999

LES MODÈLES DE PRÉVISIONS ÉCONOMIQUES. René GARCIA John GALBRAITH 17 juin 1999 LES MODÈLES DE PRÉVISIONS ÉCONOMIQUES René GARCIA John GALBRAITH 17 juin 1999 1 GESTION INTÉGRÉE DES RISQUES HYDRO-QUÉBEC 17 juin 1999 Prévisions économiques utilisées pour le modèle financier de Hydro-Québec

Plus en détail

Renforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.

Renforcement 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 détail

Résumé des communications des Intervenants

Résumé 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 détail

Agrégation séquentielle d'experts

Agrégation séquentielle d'experts Agrégation séquentielle d'experts avec application à la prévision de consommation électrique Pierre Gaillard pierre-p.gaillard@edf.fr avec Yannig Goude (EDF R&D) et Gilles Stoltz (CNRS, HEC Paris) 27 août

Plus en détail

Modèle GARCH Application à la prévision de la volatilité

Modèle GARCH Application à la prévision de la volatilité Modèle GARCH Application à la prévision de la volatilité Olivier Roustant Ecole des Mines de St-Etienne 3A - Finance Quantitative Décembre 2007 1 Objectifs Améliorer la modélisation de Black et Scholes

Plus en détail

Asymétrie des rendements et volatilité multifractale

Asymétrie des rendements et volatilité multifractale Asymétrie des rendements et volatilité multifractale Emmanuel Bacry 1, Laurent Duvernet 2, Jean-François Muzy 3 Séminaire du Labex MME-DII 26 février 2013 1. CNRS École Polytechnique 2. Univ. Paris-Ouest

Plus en détail

Plan de la présentation. La simulation de Monte Carlo des processus de diffusion. La simulation de Monte Carlo. La simulation de Monte Carlo

Plan de la présentation. La simulation de Monte Carlo des processus de diffusion. La simulation de Monte Carlo. La simulation de Monte Carlo La simulation de Monte Carlo des processus de diffusion Les méthodes stochastiques dans les sciences de la gestion 6-640-93 Geneviève Gauthier Plan de la présentation La simulation de Monte Carlo La simulation

Plus en détail

Processus Markoviens Déterministes par Morceaux et Fiabilité Dynamique

Processus Markoviens Déterministes par Morceaux et Fiabilité Dynamique Processus Markoviens Déterministes par Morceaux et Fiabilité Dynamique Karen Gonzalez Benoîte de Saporta et François Dufour IMB, Université Bordeaux Neuvième Colloque Jeunes Probabilistes et Statisticiens

Plus en détail

Présentation de l épreuve

Présentation de l épreuve MÉTHODO Présentation de l épreuve 1. Programme de l arrêté du 22 décembre 2006 DURÉE DE L ENSEIGNEMENT ÉPREUVE N 11 CONTRÔLE DE GESTION (à titre indicatif) : 210 heures 18 crédits européens 1. Positionnement

Plus en détail

MASTER DE MATHÉMATIQUES DE POITIERS. MODÉLISATION MATHÉMATIQUE & ANALYSE STATISTIQUE. Responsables

MASTER DE MATHÉMATIQUES DE POITIERS. MODÉLISATION MATHÉMATIQUE & ANALYSE STATISTIQUE. Responsables ÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒ ÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒÒ MASTER DE MATHÉMATIQUES DE POITIERS. SPÉCIALITÉ : MODÉLISATION MATHÉMATIQUE & ANALYSE STATISTIQUE Responsables Marc Arnaudon, professeur des

Plus en détail

Le marché boursier. Tour d horizon sur les thèmes théoriques.

Le marché boursier. Tour d horizon sur les thèmes théoriques. Le marché boursier Tour d horizon sur les thèmes théoriques. 1 Introduction : objectifs Têtes de chapitres : A - Coordination inter-temporelle et valorisation des actions: Aa - Valeur fondamentale : Fluctuations

Plus en détail

SCIENCES & TECHNOLOGIES - SANTÉ ET STAPS MASTER MATHÉMATIQUES

SCIENCES & TECHNOLOGIES - SANTÉ ET STAPS MASTER MATHÉMATIQUES SCIENCES & TECHNOLOGIES - SANTÉ ET STAPS MASTER MATHÉMATIQUES Le Master Mathématiques comprend 3 parcours. Le M1 est commun aux 3 parcours, le choix du parcours se faisant au M2. 1. Mathématiques fondamentales.

Plus en détail

INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS

INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS INTERNATIONAL CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS (ICMPA) UNESCO CHAIR IN MATHEMATICAL PHYSICS AND APPLICATIONS established in 2006 at the University of Abomey-Calavi (Republic of Benin) UNITWIN/UNESCO

Plus en détail

Introduction aux Méthodes de Monte Carlo

Introduction aux Méthodes de Monte Carlo Méthodes de Monte Carlo pour la Modélisation et le Calcul Intensif Applications à la Physique Numérique et à la Biologie Séminaire CIMENT GRID Introduction aux Méthodes de Monte Carlo Olivier François

Plus en détail

en sciences de l ingénieur

en sciences de l ingénieur Systèmes Automatisés Optimisation en sciences de l ingénieur présente les principales méthodes exactes d optimisation statique et dynamique. Parmi les méthodes décrites figurent : - la programmation linéaire

Plus en détail

MASTER DE MATHÉMATIQUES DE POITIERS. MODÉLISATION MATHÉMATIQUE & ANALYSE STATISTIQUE

MASTER DE MATHÉMATIQUES DE POITIERS. MODÉLISATION MATHÉMATIQUE & ANALYSE STATISTIQUE MASTER DE MATHÉMATIQUES DE POITIERS. SPÉCIALITÉ : MODÉLISATION MATHÉMATIQUE & ANALYSE STATISTIQUE Responsables Marc Arnaudon, professeur des universités, responsable de la formation et des relations avec

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

Couverture dynamique des produits dérivés de crédit dans les modèles à copules

Couverture dynamique des produits dérivés de crédit dans les modèles à copules Couverture dynamique des produits dérivés de crédit dans les modèles à copules David Kurtz, Groupe de Recherche Opérationnelle Workshop Copula in Finance, 14 mai 2004, ENS Cachan Sommaire 1 Le marché des

Plus en détail

Projet de Traitement du Signal Segmentation d images SAR

Projet 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 détail

MASTER SMIS. Mention Mathématiques et Applications. Spécialité : Ingénierie Mathématique

MASTER SMIS. Mention Mathématiques et Applications. Spécialité : Ingénierie Mathématique UNIVERSITE PAUL SABATIER TOULOUSE III SCIENCES U.F.R. MATHEMATIQUE INFORMATIQUE GESTION Année Universitaire 2004 2005 PRESENTATION DES ENSEIGNEMENTS Syllabus MASTER SMIS Mention Mathématiques et Applications

Plus en détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage 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 détail

Problématique de la «base empirique» : l exemple des trajectoires boursières

Problématique de la «base empirique» : l exemple des trajectoires boursières Analyse critique des certitudes actuarielles Problématique de la «base empirique» : l exemple des trajectoires boursières Christian Walter Dirigeant fondateur de H&W Conseil Professeur associé à l IAE

Plus en détail

MATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA

MATHS 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 détail

Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1

Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1 Université Paris Diderot Physique L2 2014-2015 Simulations Numériques SN4 Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1 Objectifs : Simuler

Plus en détail

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin

Plan de la séance. Partie 4: Restauration. Restauration d images. Restauration d images. Traitement d images. Thomas Oberlin Plan de la séance Traitement d images Partie 4: Restauration Thomas Oberlin Signaux et Communications, RT/ENSEEHT thomasoberlin@enseeihtfr 1 ntroduction 2 Modélisation des dégradations Modèles de bruit

Plus en détail

Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation

Health 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 détail

Prévision de la demande pour la planification efficace des effectifs"

Prévision de la demande pour la planification efficace des effectifs Prévision de la demande pour la planification efficace des effectifs" Nicolas Chapados, Ph.D., CFA Directeur, modélisation statistique ApSTAT Technologies Inc." "Améliorer la satisfaction des employés"

Plus en détail

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé I. Réseau Artificiel de Neurones 1. Neurone 2. Type de réseaux Feedforward Couches successives Récurrents Boucles de rétroaction Exemples de choix pour la fonction : suivant une loi de probabilité Carte

Plus en détail

AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f

AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f JFMS Toulouse 24, 25, 26 mars 2010 AK-MCS : une méthode d apprentissage alliant krigeage et simulation Monte Carlo pour évaluer efficacement P f Benjamin Echard Nicolas Gayton Maurice Lemaire LaMI Laboratoire

Plus en détail

Niveaux 1 2 3 4 Option spécifique - 2 2 3 Option complémentaire - - 2 2

Niveaux 1 2 3 4 Option spécifique - 2 2 3 Option complémentaire - - 2 2 Direction de l'instruction publique, de la culture et du sport Direktion für Erziehung, Kultur und Sport Service de l enseignement secondaire du deuxième degré Amt für Unterricht der Sekundarstufe 2 CANTON

Plus en détail

CONCOURS 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) 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 détail

Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure

Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure Estimation et modélisation de dépendance dans des modèles de survie bivariés en présence de censure Svetlana Gribkova, Olivier Lopez Laboratoire de Statistique Théorique et Appliquée, Paris 6 4 Mars 2014

Plus en détail

TARIFICATION EN ASSURANCE COMPLEMENTAIRE SANTE: il était une fois, un statisticien, un actuaire, un économiste de la santé

TARIFICATION EN ASSURANCE COMPLEMENTAIRE SANTE: il était une fois, un statisticien, un actuaire, un économiste de la santé TARIFICATION EN ASSURANCE COMPLEMENTAIRE SANTE: il était une fois, un statisticien, un actuaire, un économiste de la santé Plan de l intervention 1 2 3 Généralités sur le fonctionnement de l assurance

Plus en détail

Ingénierie Financière et Modèles Aléatoires

Ingénierie Financière et Modèles Aléatoires Ingénierie Financière et Modèles Aléatoires Master Mathématiques et Applications Spécialité Ingénierie Mathématique Université Pierre et Marie Curie Formation proposée par le laboratoire Probabilités et

Plus en détail

Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel.

Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel. Managements des risques industriels : quelques verrous scientifiques et techniques à résoudre pour le futur. Le point de vue d'un industriel. Workshop du GIS 3SGS Reims, 29 septembre 2010 Sommaire Missions

Plus en détail

Mathématiques et Applications 57. Modèles aléatoires. Applications aux sciences de l'ingénieur et du vivant

Mathématiques et Applications 57. Modèles aléatoires. Applications aux sciences de l'ingénieur et du vivant Mathématiques et Applications 57 Modèles aléatoires Applications aux sciences de l'ingénieur et du vivant Bearbeitet von Jean-François Delmas, Benjamin Jourdain 1. Auflage 2006. Taschenbuch. xxv, 431 S.

Plus en détail

UNIVERSITE 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 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 détail

assurance Février 2012

assurance Février 2012 Modèles fréquence coût : Construire un générateur de scénarios Quelles perspectives économiques d évolution en? assurance Version 0.7 Version 1.2 Mars 2014 Février 2012 Frédéric PLANCHET frederic@planchet.net

Plus en détail

Ingénierie d aide à la décision

Ingénierie d aide à la décision Ingénierie d aide à la décision Maria Malek 1 er septembre 2009 1 Objectifs et débouchés Nous proposons dans cette option deux grands axes pour l aide à la décision : 1. La recherche opérationnelle ; 2.

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 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 détail

Analyse et modélisation de visages

Analyse et modélisation de visages Analyse et modélisation de visages Pascal Bourdon Laboratoire XLIM-SIC (UMR CNRS 7252) / Université de Poitiers pascal.bourdon@univ-poitiers.fr Analyse et modélisation de visages Plan Introduction Outils

Plus en détail

L enseignement des probabilités à Telecom Paristech

L enseignement des probabilités à Telecom Paristech L enseignement des probabilités à Telecom Paristech L. Decreusefond TPT L. Decreusefond (TPT) L enseignement des probabilités à Telecom Paristech 1 / 39 1 Enjeux 2 Difficultés 3 Modèle de Cox-Ross-Rubinstein

Plus en détail

Apprentissage Automatique

Apprentissage Automatique Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs

Plus en détail

PROBLÉMATIQUE «Comment améliorer la motricité du modèle réduit de la voiture 4 roues motrices en phase d accélération?»

PROBLÉMATIQUE «Comment améliorer la motricité du modèle réduit de la voiture 4 roues motrices en phase d accélération?» D après les productions de l équipe du lycée Clément Ader de Dourdan Mme Fabre-Dollé, Mr Dollé et Mr Berthod THÈME SOCIÉTAL Mobilité PROBLÉMATIQUE «Comment améliorer la motricité du modèle réduit de la

Plus en détail

MASTER SC. ET TECHNOLOGIE : MATH. & APPLICATION

MASTER SC. ET TECHNOLOGIE : MATH. & APPLICATION MASTER SC. ET TECHNOLOGIE : MATH. & APPLICATION Résumé de la formation Type de diplôme : MASTER 1 et 2 Domaine ministériel : Sciences Mention : Mathématiques et applications Présentation Le master 1 est

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 0. Introduction au cours de finance

Master Modélisation Statistique M2 Finance - chapitre 0. Introduction au cours de finance Master Modélisation Statistique M2 Finance - chapitre 0 Introduction au cours de finance Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université de Franche-Comté)

Plus en détail

MATHEMATIQUES ET SCIENCES POUR L INGENIEUR

MATHEMATIQUES ET SCIENCES POUR L INGENIEUR MASTER SCIENCES, TECHNOLOGIES, SANTE / STAPS MATHEMATIQUES ET SCIENCES POUR L INGENIEUR Spécialité Ingénierie Numérique, Signal-Image et Informatique Industrielle (INS3I) www.univ-littoral.fr OBJECTIFS

Plus en détail

Master de Mathématiques mention Mathématiques pour l Informatique Graphique, et les Statistiques

Master de Mathématiques mention Mathématiques pour l Informatique Graphique, et les Statistiques UFR Sciences et Techniques Master de Mathématiques mention Mathématiques pour l Informatique Graphique, et les Statistiques Niveau d entrée Première année : BAC + 3 en Mathématiques Seconde année : BAC

Plus en détail

Séance 12: Algorithmes de Support Vector Machines

Séance 12: Algorithmes de Support Vector Machines Séance 12: Algorithmes de Support Vector Machines Laboratoire de Statistique et Probabilités UMR 5583 CNRS-UPS www.lsp.ups-tlse.fr/gadat Douzième partie XII Algorithmes de Support Vector Machines Principe

Plus en détail

SDNL112 - Endommagement d'origine vibratoire d'un cintre de générateur de vapeur

SDNL112 - Endommagement d'origine vibratoire d'un cintre de générateur de vapeur Titre : SDNL112 - Endommagement d'origine vibratoire d'un [...] Date : 30/07/2015 Page : 1/9 SDNL112 - Endommagement d'origine vibratoire d'un cintre de générateur de vapeur Résumé Ce cas de validation

Plus en détail

Simulation de variables aléatoires

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

Plus en détail

Tâche 03 Approche hybride De la correction des erreurs à la sélection de variables

Tâche 03 Approche hybride De la correction des erreurs à la sélection de variables 31 décembre 2013 Georges-Marie Saulnier, William Castaings, Anne Johannet, Gérard Dreyfus Tâche 03 Approche hybride De la correction des erreurs à la sélection de variables Sommaire 1. INTRODUCTION...

Plus en détail

CMI ECONOMIE, FINANCE QUANTITATIVE ET STATISTIQUES - PARCOURS FORMATION EN APPRENTISSAGE

CMI ECONOMIE, FINANCE QUANTITATIVE ET STATISTIQUES - PARCOURS FORMATION EN APPRENTISSAGE Université de PARIS 2 - ASSAS 1/3 PARCOURS FORMATION EN APPRENTISSAGE L1 S1 Mathématiques 1 4 L1 S1 Statistiques 1 4 L1 S1 Fondemants de l'informatique 4 L1 S1 Compléments Maths 2 L1 S1 Compléments Stats

Plus en détail

Support Vector Machines

Support Vector Machines Support Vector Machines Séparateurs à vaste marge Arnaud Revel revel.arnaud@gmail.com Plan 1 Introduction 2 Formalisation 3 Utilisation des noyaux 4 Cas multi-classes 5 Applications des SVM 6 Bibliographie

Plus en détail

1.1 Prime d une option d achat dans le modèle de Cox, Ross et Rubinstein

1.1 Prime d une option d achat dans le modèle de Cox, Ross et Rubinstein 1 Examen 1.1 Prime d une option d achat dans le modèle de Cox, Ross et Rubinstein On considère une option à 90 jours sur un actif ne distribuant pas de dividende de nominal 100 francs, et dont le prix

Plus en détail

ANNEXE 1 BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques

ANNEXE 1 BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques ANNEXE BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques L'enseignement des mathématiques dans les sections de techniciens supérieurs Agencement de l'environnement architectural

Plus en détail

Les systèmes hybrides stochastiques généraux (GSHS)

Les systèmes hybrides stochastiques généraux (GSHS) Groupe de travail SDH (GdR MACS) Exposé pour la réunion du 20 septembre 2007 Les systèmes hybrides stochastiques généraux (GSHS) et leur équation de Fokker-Planck-Kolmogorov Julien Bect Département Signaux

Plus en détail

Problème de contrôle optimal pour une chaîne de Markov

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

Plus en détail

Master. en sciences et technologies mention mathématiques et applications

Master. en sciences et technologies mention mathématiques et applications Master en sciences et technologies mention mathématiques et applications master mathématiques et applications Contacts Nicolas Lerner lerner@math.jussieu.fr www.master.math.upmc.fr Master sciences et technologies

Plus en détail

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Séminaire MTDE 22 mai 23 INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Vincent Mazet CRAN CNRS UMR 739, Université Henri Poincaré, 5456 Vandœuvre-lès-Nancy Cedex 1 juillet 23 Sommaire

Plus en détail

TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction

TECH. INFOTECH # 34 Solvabilité 2 : Le calcul du capital économique dans le cadre d un modèle interne. Introduction INFO # 34 dans le cadre d un modèle interne Comment les méthodes d apprentissage statistique peuvent-elles optimiser les calculs? David MARIUZZA Actuaire Qualifié IA Responsable Modélisation et Solvabilité

Plus en détail

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances

Motivation : pourquoi exploration de données? Nous nous noyons dans les données, mais manquons cruellement de connaissances 1 Introduction Définition et motivations Tâches de data mining (fouille de données, exploration de données) Techniques et algorithmes Exemples et applications 1 Motivation : pourquoi exploration de données?

Plus en détail

Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil

Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil Modélisation d un code numérique par un processus gaussien, application au calcul d une courbe de probabilité de dépasser un seuil Séverine Demeyer, Frédéric Jenson, Nicolas Dominguez CEA, LIST, F-91191

Plus en détail

Initiation à la fouille de données et à l apprentissage automatiq

Initiation à la fouille de données et à l apprentissage automatiq Initiation à la fouille de données et à l apprentissage automatique 1 Laboratoire d Informatique Fondamentale de Marseille Université de Provence christophe.magnan@lif.univ-mrs.fr www.lif.univ-mrs.fr/

Plus en détail

Projetde SériesTemporelles

Projetde SériesTemporelles COMMUNAUTE ECONOMIQU E ET MONETAIRE DE L AFRIQUE CENTRALE (CEMAC) INSTITUT SOUS REGIONAL DE STATISTIQUES ET D ECONOMIE APPLIQUEE (ISSEA) Projetde SériesTemporelles MODELISATION DE LA RENTABILITE DE L INDICE

Plus en détail