Les Réseaux Bayesiens
|
|
- Renée Lefèvre
- il y a 8 ans
- Total affichages :
Transcription
1 Les Réseaux Bayesiens
2 A quoi sert un réseau bayésien? à représenter la connaissance d un système technique Le "système" dont on représente la connaissance au moyen d'un réseau bayésien peut être aussi biologique bien le contenu du caddie d'un client de économique supermarché, un navire de la Marine, le patient d'une informatique consultation médicale, le moteur d'une automobile, un réseau électrique, l'utilisateur d'un logiciel, etc. pour : prévoir (le comportement du système) diagnostiquer (les causes d'un phénomène observé dans le système) contrôler (le comportement du système) simuler (le comportement du système) analyser des données (relatives au système) aider à la décision (diagramme Application naturelle à la Sûreté de Fonctionnement
3 Pourquoi le boom des réseaux bayésiens? Plusieurs disciplines scientifiques : Intelligence artificielle Statistique Informatique Ingénierie de la connaissance Multiples types d applications : Prévision Diagnostic Data mining Nombreux domaines d application : Santé Industrie (robotique, défense, etc.) Informatique Marketing Finance
4 Avantages sur les modèles ou outils «concurrents» Possibilité de représenter des connaissances de diverses natures dans un même modèle expertise données de retour d expérience (apprentissage) règles logiques, équations Observations Lisibilité (modèles graphiques) Convivialité : logiciels «tout-en-un» : saisie du modèle et évaluations Rapidité : calcul quasi-instantanés
5 Qu est-ce qu un réseau bayésien? Un réseau bayésien est un graphe acyclique dans lequel les nœuds représentent des variables les liens représentent des dépendances entre les variables
6 Exemples de nœuds Panne du composant X Vrai Faux chaque nœud d un réseau bayésien représente une variable aléatoire Pile Face Variable booléenne Pièce Variable catégorielle «binaire» Dé ± 1.7 Variable numérique discrète Jaune Vert Bleu Couleur Variable catégorielle «multi-états» Puissance électrique (MW) 0 to to to to to e+002 ± 1.1e+002 Variable numérique continue
7 Eléments de base Chaque nœud parent contient une loi de probabilité nœuds parents : 1 et 2 sur cet exemple 7 5
8 Eléments de base Chaque nœud enfant contient une description de la variable associée soit sous la forme d une équation déterministe de ses nœuds parents soit sous la forme d une table de probabilités conditionnelles (CPT) nœuds enfants : 3,4,5,6 et 7 sur cet exemple 5
9 Exemple : lien Pluie - Nuages Les nœuds «Pluie» et «Nuage» prennent les valeurs Vrai et Faux. Le réseau bayésien intègre des données probabilistes, par exemple : Pluie Nuages Pr(Pluie=Oui)=20% ; Pr(Pluie=Non)=80% Pr(Nuages=Oui/Pluie=Oui)=100% ; Pr(Nuages=Non/Pluie=Oui)=0% Pr(Nuages=Oui/Pluie=Non)=50% ; Pr(Nuages=Non/Pluie=Non)=50%
10 Tables de probabilités Pluie Nuages Dans cet exemple, le nœud parent «Pluie» contient la table : Pluie Oui Non 20% 80% Le nœud enfant «Nuages» contient la table : Nuages Pluie Oui Non Oui 100% 0% Non 50% 50%
11 Comment s utilise un réseau bayésien? Pluie Nuages Vrai 20.0 Vrai 60.0 Faux 80.0 Faux 40.0 On introduit des observations (par exemple : «il y a des nuages») Le réseau bayésien propage les observations introduites et met à jour les lois de probabilité conditionnelles des autres variables. Pluie Nuages observation : «il y a des nuages» Vrai 33.3 Vrai 100 Faux 66.7 Faux 0
12 Comment fonctionne un réseau bayésien? Utilisation de la formule de Bayes d où l adjectif : «bayésien»... Pr(A/B) = Pr(A et B) Pr(B) = Pr(B/A) Pr(A) Pr(B) Exemple Pr(Pluie/Nuages) = Pr(Nuages/Pluie) Pr(Pluie) Pr(Nuages) = 1*0.2 1* *0.8 = 1 3 Vrai Faux Pluie Vrai Faux Nuages 100 0
13 Construction d un RB : exemple 1 Un agriculteur découvre que ses pommiers perdent leurs feuilles. Il veut en connaître la raison. Il peut s agir d un problème de sécheresse ou de maladie. Il sait que sécheresse et maladie sont observées statistiquement une fois tous les 10 ans. Il sait de plus que sécheresse combinée à maladie occasionne la perte de feuille dans 95% des cas, cette proportion étant limitée à 90% dans le cas de maladie sans sécheresse, à 85% dans le cas de sécheresse sans maladie et seulement 2% des cas ne peuvent être expliqués par sécheresse ou maladie.
14 Construction d un RB : exemple 1
15 Construction d un RB : exemple 2 Un dispositif de détection d incendie est composé de 3 détecteurs de fumées. En cas d incendie, on admet que chaque détecteur a 90% de chances de fonctionner correctement. Le dispositif déclenche l alarme si au moins 2 détecteurs sur 3 révèlent la présence de fumée. Un opérateur, présent 8h par jour, peut activer l alarme manuellement.
16 Quelles sont les variables et leurs modalités? Détecteur 1 : Oui/Non Détecteur 2 : Oui/Non Détecteur 3 : Oui/Non Alarme automatique : Oui/Non Opérateur : Présent/Absent Alarme manuelle : Oui/Non Alarme : Oui/Non
17 Quels sont les liens? Détecteur 1 Détecteur 2 Détecteur 3 Opérateur Alarme Automatique Alarme Manuelle Alarme
18 Remplissage des tables de probabilités On introduit dans le réseau bayésien les informations probabilistes : Pr(détecteur OK)=0,9 Pr(opérateur présent)=0,33 ainsi que les informations logiques : vote 2/3 pour le déclenchement automatique déclenchement =déclenchement automatique OU déclenchement manuel Remarque : il serait possible d incorporer des données de retour d expérience, sous forme d un fichier du type suivant (apprentissage) : opérateur alarme 12-avr-98 absent non 25-mars-99 présent oui
19 Réseau bayésien Détecteur 1 True 90.0 False 10.0 Détecteur 2 True 90.0 False 10.0 Détecteur 3 True 90.0 False 10.0 Opérateur Present 33.3 Absent 66.7 Alarme automatique Alarme manuelle True False True False «True» signifie ici bon fonctionnement Alarme True False
20 Conclusion La probabilité que l alarme ne soit pas déclenchée est de 1,87%. On peut aussi raisonner «en diagnostic» : Si l alarme ne s est pas déclenchée, chaque détecteur a 32,1% de chances de n avoir pas fonctionné. On en déduit également que l opérateur était absent. Evénement indésirable : non-déclenchement de l'alarme ET arbre de défaillances équivalent pas de déclenchement automatique pas de déclenchement manuel 2/3 opérateur absent défaillance détecteur 1 défaillance détecteur 2 défaillance détecteur 3
21 Construction d un RB : exemple 3 On considère un système électrique constitué d une zone de demande et de deux groupes de production. G1 L1 Demande L2 G2 Les groupes (130 MW) sont disponibles 90% du temps. La charge dépend de la saison : 150 MW en hiver, 50 MW en été et 100 MW en printemps automne, avec un écart-type de 30 MW. En hiver les lignes sont indisponibles 1% du temps (de manière indépendante) à cause de forts givres. Quel pourcentage du temps la demande peut-elle être satisfaite?
22 Construction d un RB : exemple 3 Réseau bayésien Saison Groupe 1 Groupe 2 Ligne 1 Ligne 2 Demande Demande satisfaite
23 Construction d un RB : exemple 3 Modèle (NETICA) Hiver Printemps Ete Automne Saison Demande G ± G ± 39 OK Indisponible L OK Indisponible L to to to to to to to to to to ± 46 Demande satisfaite OK Non
24 Construction d un RB : exemple 3 La demande peut être satisfaite 93% du temps (En été : 99% ; en hiver : 83%, etc.) On aurait pu prendre en compte d autres dépendances : périodes de maintenance des lignes en fonction de la saison dépendances entre lignes : pas de maintenance simultanée sur les deux lignes risque d incidents simultanés sur les deux lignes, dus par exemple à un fort givre, à la foudre, à une tempête, etc. etc. Le même réseau bayésien peut s utiliser en diagnostic.
25 Apprentissage Il existe des algorithmes permettant d apprendre la structure d un réseau bayésien à partir de données. Les tables de probabilités d un RB peuvent être apprises : estimation bayésienne. Exemple : prévision de l évolution du CAC40 en fonction des évolutions du NASDAQ et du DOW Jones de la veille.
26 Structure du réseau bayésien Nasdaq DJ CAC
27 Construction du modèle On introduit un a priori : C=0.8*D+0.2*N On incorpore les données ; le RB effectue une estimation bayésienne des probabilités
28 Apprentissage : Cas d école Dans une urne contenant des boules noires et blanches, soit θ la proportion de boules noires. On se donne une loi a priori sur θ, loi uniforme sur [0,1]. On fait N tirages, dont k sont des boules noires. Loi a posteriori de θ? Couleur Blanche Noire
29 Apprentissage : Cas d école D après le théorème de BAYES : dp(θ = p / tirages)=p(tirages / θ =p) * dp(θ = p)/p(tirages) Or : dp(θ = p) = 1 car c est une loi uniforme. P(tirages/ θ = p) = C(N,k)*p^k*(1-p)^(N-k) P(tirages) = intégrale de 0 à 1 sur p de C(N,k)*p^k*(1-p)^(N-k) = C(N,k)*k!*(n-k)!/(n-k+1)! On obtient donc comme loi a posteriori une loi beta, de moyenne (k+1)/(n+2) NETICA estime θ par (k+1)/(n+2)
30 Cas d école (3/3) Exemple : s il y a 7 boules noires parmi les 10, l estimation bayésienne de θ est 2/3. L apprentissage se fait par estimation bayésienne. Couleur Blanche Noire
31 Apprentissage : cas industriel Modèle du système électrique en PACA «ensemble des installations de production et de transport d énergie électrique dans une région donnée» caractéristiques : complexité incertitudes fortes interactions/dépendances
32 Apprentissage : cas industriel Etudes de systèmes électriques les études de sécurité ou de planification s effectuent essentiellement par simulation de Monte Carlo génération aléatoire de situations/scénarios simulation (calculs électriques) analyse des résultats
33 Apprentissage : cas industriel Besoin existence d une base de données de situations du réseau de la région PACA présence de situations extrêmement peu probables besoin d évaluer la probabilité des situations
34 Apprentissage : cas industriel Démarche mise en oeuvre recueil d informations REX (dispatching Marseille) Expertise analyse des dépendances modélisation du système par un réseau bayésien
35 Apprentissage : cas industriel Variables du système électrique l état du système électrique est caractérisé par un grand nombre de variables : topologie du réseau (lignes exploitées ou indisponibles) production (puissance produite par chaque groupe) Consommation ces variables sont inter-dépendantes
36 Apprentissage : cas industriel Dépendances dues au climat la température et la nébulosité influencent la consommation le climat influence les probabilités d incident (ex : foudre, gel) la température influence les transits maximaux de puissance sur les lignes
37 Apprentissage : cas industriel Dépendances dues à la date et à l heure l heure influence la consommation (ex : creux la nuit, pic du soir, etc.) la date influence la consommation (ex : weekends, EJP) la date influence le climat...
38 Apprentissage : cas industriel Dépendances dues à la politique de consignation périodes préférentielles de consignations de lignes (été) pas de maintenance simultanées pour certaines lignes
39 Apprentissage : cas industriel Remarque il existe des dépendances indirectes : par exemple, la consommation et la topologie du réseau sont dépendantes date consommation topologie
40 Apprentissage : cas industriel 0 to to to 30 Temperature Day Evening Night Hour Week Week End Day Modèle simplifié Load Winter Spring Summer Autumn Season to to to to to to to Cloudy Sunny Weather calcul de la probabilité d une situation Line_1 Available 96.7 Unscheduled Maintenance 3.20 Exclusion Line_2 Available 96.7 Unscheduled Maintenance 3.20 génération aléatoire d un échantillon de situations plausibles Imported_Power 0 to to to to to to Generated_Power 0 to to to to to to to
41 Démonstrat ion
42 Conclusion de l étude souplesse, évolutivité, rapidité du calcul des probabilités des situations importance des dépendances possibilité de générer directement un échantillon de situations réalistes car tenant compte des dépendances
43 Domaines d application Santé Industrie Défense Data Mining - Marketing Informatique Autres domaines
44 Santé Historiquement, les premières applications opérationnelles des réseaux bayésiens Intégration de l expertise du médecin, de données statistiques et de faits observés ou déclarés Pathfinder, Intellipath : diagnostic histopathologique (biopsies) Microsoft Pregnancy and Child Care Localisation de gènes (projet Human Genome) Maladies du foie, dermatologie, etc.
45 Industrie (1) : contrôle, robotique Capacité d apprentissage incrémental (adaptabilité), réactivité NASA - système VISTA : aide à la décision en temps réel (système de suivi des moteurs de positionnement orbital de la navette spatiale) ; première application non-médicale Hugin (pour Lockheed Martin) : système de contrôle d un véhicule sousmarin autonome Bayesia : système de régulation d ambiance
46 Industrie (2) : diagnostic Détermination des causes (et des remèdes) les plus probables à partir des symptômes Ricoh : assistance aux opérateurs de réparation de photocopieurs (système Fixit) - utilisation en centre d appels Intel : tests sur puces semiconducteurs Bayesian Systems : pannes automobiles (
47 Industrie (3) : simulation génération aléatoire d états d un système avec dépendances EDF : étude d un système électrique
48 Défense Fusion de données, aide à la décision US Navy : système embarqué de défense tactique des navires : temps de réaction très inférieur aux systèmes précedents (propagation de contraintes, programmation dynamique)
49 Data Mining - Marketing Applications de prévision de comportement - apprentissage incrémental Paris New York Bangkok Rio Janeiro Lieu AT&T : détection de mauvais payeurs à partir de l a priori (exemple : 1% de mauvais payeurs), des villes d émission et de destination de l appel, etc. Achat Alimentation 33.3 Billet Avion 33.3 HiFi 33.3 Montant Oui Non Fraude autorisation de transaction bancaire, détection de fraude (phénomène évolutif) 0 to to to to e+002 ± 2.8e+002 etc. 23-juin-00 billet avion rio_janeiro 825 fraude 28-juin-00 alimentation paris 72 OK...
50 Informatique Agents logiciels MICROSOFT : agent Office Assistant (système d aide proactif) : détermination de l aide en fonction de la difficulté de la tâche, du niveau de l utilisateur, des «Edition-Annuler», des temps d attente, du parcours des menus, etc. Evaluation de fiabilité projet européen SERENE
51 Autres domaines Finance (cours boursier) Banque (autorisation de crédit) Droit : jugement pénal (prise en compte de faits, de témoignages, de preuves, d expertise) Prospective stratégique, aide à la décision (diagramme d influence), gestion globale des risques : EDF Autres : risque projet, risque politique...
52 Pour en savoir plus... «Les Réseaux Bayésiens», de P. Naïm et A. Becker (Eyrolles) «An Introduction to Bayesian Networks» de F. Jensen et V.Finn, (Springer-Verlag). Netica version de démonstration entièrement fonctionnelle (mais limitée à 15 nœuds) téléchargeable sur Internet mots-clés : Bayesian (belief) network, (probabilistic) influence diagram, Bayes net, causal network, etc.
Réseaux bayésiens. 3 e édition Patrick Naïm, Pierre-Henri Wuillemin, Philippe Leray, Olivier Pourret, Anna Becker
Réseaux bayésiens 3 e édition Patrick Naïm, Pierre-Henri Wuillemin, Philippe Leray, Olivier Pourret, Anna Becker Avec la contribution de Bruce G. Marcot, Carmen Lacave et Francisco J. Díez Groupe Eyrolles,
Plus en détailAPPORT DES RESEAUX BAYESIENS DANS LA PREVENTION DE LA DELINQUANCE
SûretéGlobale.Org La Guitonnière 49770 La Meignanne Téléphone : +33 241 777 886 Télécopie : +33 241 200 987 Portable : +33 6 83 01 01 80 Adresse de messagerie : c.courtois@sureteglobale.org APPORT DES
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 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 détailJade. Projet Intelligence Artificielle «Devine à quoi je pense»
Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailTP N 57. Déploiement et renouvellement d une constellation de satellites
TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les
Plus en détailProbabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12
Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont
Plus en détailovermind La solution précède le problème 2008 Overmind - All rights reserved
La solution précède le problème Société Overmind vous propose des solutions d optimisation, d anticipation, de pilotage global capables de prendre en compte l interdépendance des variables en terme de
Plus en détailL équilibre offre-demande d électricité en France pour l été 2015
L équilibre offre-demande d électricité en France pour l été 2015 Synthèse Juin 2015 Sommaire Analyse globale 4 1. Prévision de consommation 5 2. Disponibilité du parc de production 7 3. Étude du risque
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en 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 détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
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 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 détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailProbabilités. I - Expérience aléatoire. II - Evénements
Probabilités Voici le premier cours de probabilités de votre vie. N avez-vous jamais eut envie de comprendre les règles des grands joueurs de poker et de les battre en calculant les probabilités d avoir
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 détailLIVRE BLANC DECIDEUR. Newtest : contribution à ITIL. Newtest et ITIL...3. Gestion des niveaux de service - Service Level Management...
Yphise LIVRE BLANC LIVRE BLANC DECIDEUR Newtest : contribution à ITIL Newtest et ITIL...3 Gestion des niveaux de service - Service Level Management...5 Gestion de la disponibilité - Availability Management...7
Plus en détailQu est-ce qu une probabilité?
Chapitre 1 Qu est-ce qu une probabilité? 1 Modéliser une expérience dont on ne peut prédire le résultat 1.1 Ensemble fondamental d une expérience aléatoire Une expérience aléatoire est une expérience dont
Plus en 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 détailAméliorer les performances du site par l'utilisation de techniques de Web Mining
Améliorer les performances du site par l'utilisation de techniques de Web Mining CLUB SAS 2001 17/18 octobre 2001 Stéfan Galissie LINCOLN stefan.galissie@lincoln.fr contact@web-datamining.net 2001 Sommaire
Plus en détailAPPROCHE DE MODELISATION DE LA PROPAGATION DE L INCENDIE DANS UN EDIFICE ET SON INTEGRATION DANS UN SYSTEME DECISIONNEL
APPRCHE DE MDELISATIN DE LA PRPAGATIN DE L INCENDIE DANS UN EDIFICE ET SN INTEGRATIN DANS UN SYSTEME DECISINNEL Sanae KHALI ISSA (*), Abdellah AZMANI (*), Karima ZEJLI (**) sanaeissa@gmail.com, abdellah.azmani@gmail.com,
Plus en détailMASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.
MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.fr Plan Introduction Généralités sur les systèmes de détection d intrusion
Plus en détailLes probabilités. Chapitre 18. Tester ses connaissances
Chapitre 18 Les probabilités OBJECTIFS DU CHAPITRE Calculer la probabilité d événements Tester ses connaissances 1. Expériences aléatoires Voici trois expériences : - Expérience (1) : on lance une pièce
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 détailOuvrage conçu et coordonné par HERVÉ HUTIN TOUTE LA FINANCE. Éditions d Organisation, 1998, 2002, 2005 ISBN : 2-7081-3239-3
Ouvrage conçu et coordonné par HERVÉ HUTIN TOUTE LA FINANCE, 1998, 2002, 2005 ISBN : 2-7081-3239-3 SOMMAIRE DÉTAILLÉ INTRODUCTION : L évolution de l environnement a transformé les métiers de la finance
Plus en détailProbabilités conditionnelles Loi binomiale
Exercices 23 juillet 2014 Probabilités conditionnelles Loi binomiale Équiprobabilité et variable aléatoire Exercice 1 Une urne contient 5 boules indiscernables, 3 rouges et 2 vertes. On tire au hasard
Plus en détaildonnées en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailCEG4566/CSI4541 Conception de systèmes temps réel
CEG4566/CSI4541 Conception de systèmes temps réel Chapitre 6 Vivacité, sécurité (Safety), fiabilité et tolérance aux fautes dans les systèmes en temps réel 6.1 Introduction générale aux notions de sécurité
Plus en détailAPPROCHE SEMI-MARKOVIENNE POUR LA MODÉLISATION DE STRATÉGIES DE MAINTENANCE : APPLICATION À LA PRÉVENTION DE RUPTURE DU RAIL
7 e Conférence Francophone de MOdélisation et SIMulation - MOSIM 08 - du 31 mars au 2 avril 2008 - Paris - France «Modélisation, Optimisation et Simulation des Systèmes : Communication, Coopération et
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en 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 simulation probabiliste avec Excel
La simulation probabiliste avec Ecel (2 e version) Emmanuel Grenier emmanuel.grenier@isab.fr Relu par Kathy Chapelain et Henry P. Aubert Incontournable lorsqu il s agit de gérer des phénomènes aléatoires
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 détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailProbabilités Loi binomiale Exercices corrigés
Probabilités Loi binomiale Exercices corrigés Sont abordés dans cette fiche : (cliquez sur l exercice pour un accès direct) Exercice 1 : épreuve de Bernoulli Exercice 2 : loi de Bernoulli de paramètre
Plus en détailExemple On lance une pièce de monnaie trois fois de suite. Calculer la probabilité d obtenir exactement deux fois pile.
Probabilités Définition intuitive Exemple On lance un dé. Quelle est la probabilité d obtenir un multiple de 3? Comme il y a deux multiples de 3 parmi les six issues possibles, on a chances sur 6 d obtenir
Plus en détailACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #4-5 ARTHUR CHARPENTIER 1 Un certain test médical révèle correctement, avec probabilité 0.85, qu une personne a le sida lorsqu elle l a vraiment et révèle incorrectement,
Plus en détailDéfinir une politique de maintenance et sa stratégie de mise en œuvre de responsabilités
Chapitre 1 Définir une politique de maintenance et sa stratégie de mise en œuvre de responsabilités La politique de maintenance, entre prévention et correction 25 f Qu est-ce que le «préventif» et le «correctif»?
Plus en détail- 2 - 6. Un exemple de sinistre qui serait couvert aux termes de la police incendie de base est :
Spécimen de questionnaire d examen CET EXAMEN PORTE SUR LA MATIÈRE CONTENUE DANS LES DEUX COURS SUIVANTS : C12 : L assurance des biens et C12 : L assurance des biens, 1 re partie IMPORTANT : Vous disposez
Plus en détailFluctuation d une fréquence selon les échantillons - Probabilités
Fluctuation d une fréquence selon les échantillons - Probabilités C H A P I T R E 3 JE DOIS SAVOIR Calculer une fréquence JE VAIS ÊTRE C APABLE DE Expérimenter la prise d échantillons aléatoires de taille
Plus en détailHypervision et pilotage temps réel des réseaux IP/MPLS
Hypervision et pilotage temps réel des réseaux IP/MPLS J.M. Garcia, O. Brun, A. Rachdi, A. Al Sheikh Workshop autonomique 16 octobre 2014 Exemple d un réseau opérateur national 8 technologies : 2G / 3G
Plus en détailSurveillance et maintenance prédictive : évaluation de la latence de fautes. Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG)
Surveillance et maintenance prédictive : évaluation de la latence de fautes Zineb SIMEU-ABAZI Univ. Joseph Fourier, LAG) SURVEILLANCE Analyser une situation et fournir des indicateurs! Détection de symptômes!
Plus en détailEbauche Rapport finale
Ebauche Rapport finale Sommaire : 1 - Introduction au C.D.N. 2 - Définition de la problématique 3 - Etat de l'art : Présentatio de 3 Topologies streaming p2p 1) INTRODUCTION au C.D.N. La croissance rapide
Plus en détailORDONNANCEMENT CONJOINT DE TÂCHES ET DE MESSAGES DANS LES RÉSEAUX TEMPS RÉELS 4. QUELQUES EXEMPLES DU DYNAMISME ACTUEL DU TEMPS RÉEL
i LE TEMPS RÉEL 1. PRÉSENTATION DU TEMPS RÉEL 1.1. APPLICATIONS TEMPS RÉEL 1.2. CONTRAINTES DE TEMPS RÉEL 2. STRUCTURES D'ACCUEIL POUR LE TEMPS RÉEL 2.1. EXÉCUTIFS TEMPS RÉEL 2.2. RÉSEAUX LOCAUX TEMPS
Plus en détailModélisation multi-agents - Agents réactifs
Modélisation multi-agents - Agents réactifs Syma cursus CSI / SCIA Julien Saunier - julien.saunier@ifsttar.fr Sources www-lih.univlehavre.fr/~olivier/enseignement/masterrecherche/cours/ support/algofourmis.pdf
Plus en détailEfficacité des Modules Maintenance dans les ERP.
Efficacité des Modules Maintenance dans les ERP. Les progiciels ERP (Entreprise Ressource Planning) proposent l ensemble des modules permettant de gérer une entreprise. Mais le module Maintenance est souvent
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en 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 détailProtection des infrastructures critiques vitales contre les cyber-attaques. Vers une culture de sécurité
Protection des infrastructures critiques vitales contre les cyber-attaques Vers une culture de sécurité 1 Le constat Les moyens informatiques et les réseaux ont envahi nos sociétés modernes, géantes et
Plus en détailOrdonnancement robuste et décision dans l'incertain
Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4
Plus en détailLes métiers à la. Division Production Nucléaire
Les métiers à la Division Production Nucléaire 1 Les centres nucléaires de production d électricité en France En fonctionnement : 58 réacteurs nucléaires Construction d un EPR de 1600 MW 2 Principe de
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 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 détailLa sécurité physique et environnementale
I. Qu est ce que la sécurité physique? "Il ne sert à rien de dresser une ligne Maginot logique si n'importe qui peut entrer dans la salle serveurs par la fenêtre " (Christian Pollefoort, consultant en
Plus en détailA.3 Les méthodes : L applicabilité
SOMMAIRE A. Première partie A.1 Ingénierie système : du besoin au système (produit/service) A.2 SDF, Maintenance et concepts sous-jacents A.3 Les méthodes : L applicabilité A.4 GMAO = GM + AO B. Deuxième
Plus en détailLes clients puissance cube
LETTRE CONVERGENCE Les clients puissance cube L intelligence artificielle au service du marketing des services N 28 To get there. Together. A PROPOS DE BEARINGPOINT BearingPoint est un cabinet de conseil
Plus en détailGestion optimale des unités de production dans un réseau compte tenu de la dynamique de la température des lignes
Gestion optimale des unités de production dans un réseau compte tenu de la dynamique de la température des lignes M. Nick, R. Cherkaoui, M. Paolone «Le réseau électrique de demain» - EPFL, 21.05.2015 Table
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 détailagility made possible
DOSSIER SOLUTION Amélioration de la planification de la capacité à l aide de la gestion des performances applicatives Comment assurer une expérience utilisateur exceptionnelle pour les applications métier
Plus en détailAXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES
1 AXES DE RECHERCHE - DOMAINE D'INTERET MAJEUR LOGICIELS ET SYSTEMES COMPLEXES 2 Axes de recherche L activité du DIM LSC concerne la méthodologie de la conception et le développement de systèmes à forte
Plus en détailAppareils technologiques en milieu de travail : 4 e séance. Réunion du Comité consultatif sur le cadre d architecture (CCCA) Le 16 avril 2014
Appareils technologiques en milieu de travail : 4 e séance Réunion du Comité consultatif sur le cadre d architecture (CCCA) Le 16 avril 2014 1 Ordre du jour HEURE SUJETS PRÉSENTATEURS 9 h à 9 h 10 Mot
Plus en détailProbabilité. Table des matières. 1 Loi de probabilité 2 1.1 Conditions préalables... 2 1.2 Définitions... 2 1.3 Loi équirépartie...
1 Probabilité Table des matières 1 Loi de probabilité 2 1.1 Conditions préalables........................... 2 1.2 Définitions................................. 2 1.3 Loi équirépartie..............................
Plus en détailLes risques liés à l activité de l entreprise : quels outils pour les identifier?
Les risques liés à l activité de l entreprise : quels outils pour les identifier? Alger, le 23-24 Novembre 2009 Présentée par: Mlle Amina NADJI Doctorante en 3ème année sciences économiques (CRIISEA, Centre
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 détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailGrille de planification Expédition météo. Spécialiste de la cartographie Graffiti de ce que l équipe sait de la météorologie (10 minutes).
Grille de planification Expédition météo Spécialiste de l atmosphère Spécialiste des vents Spécialiste des nuages Spécialiste de la cartographie Graffiti de ce que l équipe sait de la météorologie (10
Plus en détailMéthode de sureté de fonctionnement pour une maintenance efficace Application à un poste électrique (60/10KV)
Quatrième Conférence Internationale sur le Génie Electrique CIGE 10, 03-04 Novembre 2010, Université de Bechar, Algérie Méthode de sureté de fonctionnement pour une maintenance efficace Application à un
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 détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
Plus en détailQuels échanges et pourquoi? Pour faire évoluer dans le temps vers quelle structure de pilotage?
La GMAO et la GTB Les outils de pilotage et de diagnostic de la maintenance, de l exploitation des installations techniques Quels échanges et pourquoi? Pour faire évoluer dans le temps vers quelle structure
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 détailBaccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé
Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01
Plus en détailLes devoirs en Première STMG
Les devoirs en Première STMG O. Lader Table des matières Devoir sur table 1 : Proportions et inclusions....................... 2 Devoir sur table 1 : Proportions et inclusions (corrigé)..................
Plus en détailMaster Informatique Aix-Marseille Université
Aix-Marseille Université http://masterinfo.univ-mrs.fr/ Département Informatique et Interactions UFR Sciences Laboratoire d Informatique Fondamentale Laboratoire des Sciences de l Information et des Systèmes
Plus en détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailI. Cas de l équiprobabilité
I. Cas de l équiprobabilité Enoncé : On lance deux dés. L un est noir et l autre est blanc. Calculer les probabilités suivantes : A «Obtenir exactement un as» «Obtenir au moins un as» C «Obtenir au plus
Plus en détailQu est ce qu un réseau social. CNAM Séminaire de Statistiques Appliquées 13/11/2013. F.Soulié Fogelman 1. Utilisation des réseaux sociaux pour le
Qui je suis Innovation Utilisation des réseaux sociaux pour le data mining Business & Decision Françoise Soulié Fogelman francoise.soulie@outlook.com Atos KDD_US CNAM Séminaire de Statistique appliquée
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailSomfy, parce que votre sécurité mérite une alarme sur-mesure
Somfy, parce que votre sécurité mérite une alarme sur-mesure Prévention d intrusion Sécurité active simulation de présence Pilotag e à distance PROTEXIAL RTS : L alarme sans fil nouvelle génération Acteur
Plus en détailNOTIONS DE PROBABILITÉS
NOTIONS DE PROBABILITÉS Sommaire 1. Expérience aléatoire... 1 2. Espace échantillonnal... 2 3. Événement... 2 4. Calcul des probabilités... 3 4.1. Ensemble fondamental... 3 4.2. Calcul de la probabilité...
Plus en détailUFR de Sciences Economiques Année 2008-2009 TESTS PARAMÉTRIQUES
Université Paris 13 Cours de Statistiques et Econométrie I UFR de Sciences Economiques Année 2008-2009 Licence de Sciences Economiques L3 Premier semestre TESTS PARAMÉTRIQUES Remarque: les exercices 2,
Plus en détailPROJET MASTERS. Spécialités de master : analyse de l existant. Clusters. Cluster Acronymes Spécialités Effectif
Spécialités de master : analyse de l existant Clusters A AAIS MAS Astronomie, astrophysique et ingénierie spatiale Mécanique, Aéronautique, Spatial 36 DSME Dimensionnement des systèmes mécaniques dans
Plus en détailGénie Industriel et Maintenance
Génie Industriel et Maintenance Pour qu aucun de ces systèmes ne tombe en panne. Plan de la visite 1 2 3 6 4 5 Guide visite du département Génie Industriel et Maintenance 1 Salles Informatiques Utilisation
Plus en détailPrincipes généraux de la modélisation de la dispersion atmosphérique
Principes généraux de la modélisation de la dispersion atmosphérique Rémy BOUET- DRA/PHDS/EDIS remy.bouet@ineris.fr //--12-05-2009 1 La modélisation : Les principes Modélisation en trois étapes : Caractériser
Plus en détailModule 197 Développer et implanter un concept de gestion des versions et des configurations
Module 197 Développer et implanter un concept de gestion des versions et des configurations Copyright IDEC 2002-2009. Reproduction interdite. Sommaire Introduction... 3 Délimitation du domaine... 3 Fonctions
Plus en détailGestion de la Maintenance Assistée par Ordinateur
Gestion de la Maintenance Assistée par Ordinateur Simplifiez vous la maintenance Gagner en productivité. Réduire les pannes. Améliorer la durée de vie des équipements. Diminuer les coûts de maintenance.
Plus en détailExercices sur le chapitre «Probabilités»
Arnaud de Saint Julien - MPSI Lycée La Merci 2014-2015 1 Pour démarrer Exercices sur le chapitre «Probabilités» Exercice 1 (Modélisation d un dé non cubique) On considère un parallélépipède rectangle de
Plus en détailGE Security. KILSEN série NK700 Centrale de détection et d alarme Incendie conventionelle. Manuel d utilisation
GE Security KILSEN série NK700 Centrale de détection et d alarme Incendie conventionelle Manuel d utilisation g ination imag at work Kilsen is a brand name of GE Security. www.gesecurity.net COPYRIGHT
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailLois de probabilité. Anita Burgun
Lois de probabilité Anita Burgun Problème posé Le problème posé en statistique: On s intéresse à une population On extrait un échantillon On se demande quelle sera la composition de l échantillon (pourcentage
Plus en détailBienvenue Helpdesk Chauffage PEB 03/10/2013 1
Bienvenue Helpdesk Chauffage PEB 03/10/2013 1 La réglementation Chauffage PEB en Région de Bruxelles Capitale: aujourd hui et demain Helpdesk Chauffage PEB /EPB Verwarming 03/10/2013 2 Agenda Introduction
Plus en détailSoit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.
ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle
Plus en détail