Etude d un cas industriel : Optimisation de la modélisation de paramètre de production
|
|
- Sévérine Sauvé
- il y a 8 ans
- Total affichages :
Transcription
1 Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui 3, F. Dugardin 4 1,3,4 Institut Charles Delaunay, LOSI, Université de Technologie de Troyes, 12 rue Marie Curie, BP 2060, Troyes Cedex, France, {andres.bernate_lara 1, farouk.yalaoui 3,frederic.dugardin 4 }@utt.fr 2 OSIRIS, Groupe SOUFFLET, rue de la Poterne à Sel, Nogent sur Seine, France, fentzmann@soufflet-group.com Résumé- L utilisation de modèles prédictifs est très courante dans les industries biochimiques principalement carleurs processus de production incluent des réactions chimiques qui parfois ne peuvent pas être complétement contrôlés. Cet article propose une méthodologie pour la construction d un modèle prédictif efficace pour un cas réel. Mots clefs Modèle mathématique, métaheuristique, modèle prédictif, production biochimique, cas appliqué Abstract Using predictive model is acommon activity in biochemical industries, basically due to the complexity of the production process that includes chemical reactions which parameters are not alwayscontrolled. This article proposes a predictive construction efficient model method applied to a real case. Key words Mathematical model, metaheuristic, predictive model, biochemical production, applied case I. INTRODUCTION Cet article traite du problème de la création et l amélioration d un modèle prédictif à utiliser pour l estimationde la valeur d un paramètre de production difficile à mesurer. Cette étude a été effectuée sur un cas réel, dans une industrie biochimique. Ce type d industrie est caractérisé par le fait que, outrequelques réactions chimiques connues, un nombre important de paramètres ne sont pas suivis, soit parce qu ils sont difficilesà mesurer, soit parce que leur impact sur le rendement du produit est inconnue [3].Différentes procédures sont instaurées pour contrôler et suivre certains paramètres, mais pour ceux qui n ont pas une procédure définie, une estimation est souvent utilisée. L objectif de cette étude est de fournir un modèle d estimation pour un paramètre qui ne peut pas être mesuré en temps réel et dont la variation influesur le rendement de la production d un produit biochimique. Ce modèle est construit à partir d un historique de données qui ont été collectées pendant plus de 2 ans. Cet article est construit d après les sections suivantes : dans la deuxième partie, les données sont caractérisées et répertoriées. Ensuite, le modèle est défini, et une méthodologie de construction est proposée, en expliquant ses points fondamentaux. Une deuxième méthode est introduite. Cela est une méthode classique mais elle sert comme point de comparaison. Les résultats et les conclusions finissent l article. II. LA COLLECTE DES DONNEES Deux types de données sont à considérer. Les deux données sont des variables mesurées sur le système de production. La première variable est un paramètre qui 25
2 A.F. Bernate Lara, F. Entzmann, F. Yalaoui, F. Dugardin est contrôlé selon une politique qui est propre au système de production. Cette variable est mesurée sans aucune difficulté particulière. Elle est donc vérifiée régulièrement. Dans le cas de cette étude nous considérons qu elle est maîtrisée. Nous l appellerons désormais «variable indépendante». Chaque mesure de cette variable est composée d une série de points. Un vecteur est utilisé pour représenter les valeurs de cette variable. =,,,,,,,, (1) L équation (1) montre l exemple d un vecteur de la variable indépendante, avec n le nombre de points par mesure, et, le point j du vecteur (ou mesure) i. La deuxième variable est un paramètre de production qui n est peut pas être contrôlé directement, mais qui varie en fonction d autres paramètres. Mesurer cette variable est difficile et nécessite de longs temps de traitement. La lenteur de la mesure de ce paramètre, empêche de maîtriser ce paramètre qui a une influence importante sur la qualité du produit final. Désormais, nous appellerons cette variable «variable dépendante». Ce paramètre est mesuré avec une seule valeur. Cette variable sera représentée par, avec i l identifiant de la mesure. Les données seront donc représentées par ces deux types de variables. Les deux paramètres sont mesurés sur le même échantillon. Le modèle prédictif doit prendre chaque vecteur de la variable indépendante, et lui associer une valeur estimée de la variable dépendante, la plus proche de la valeur réelle. = i (2) III. MODELE MATHEMATIQUE Le modèle prédictif cherché est un modèle linéaire qui permet, à partir des variables indépendantes, d estimer une valeur pour le paramètre que nous souhaitons contrôler. Le choix de ce modèle a été influencé par le fait que nous disposons d un grand nombre de variables indépendantes pour calculer une seule valeur du paramètre étudié. Ce nombre de variables est accompagné d un nombre aussi important de données historiques. =, +, +, + +, (3) Historiquement, des méthodes de classement sont utilisées, [2]pour estimer la valeur par rapport aux similitudes avec des ensembles de données pour lesquelles nous connaissons la valeur du paramètre étudié. Pour réduire l impact du bruit présent dans les données utilisées dans la modélisation, des méthodes du type réseau neuronal sont souvent utilisées [4]. IV. METHODEDE CONSTRUCTION DU MODELE MATHEMATIQUE BLYD Pour contrôler le bruit présent sur les données historiques, et ainsi réduire son effet sur le modèle mathématique cherché, nous proposons une méthodologie qui fonctionne sur le principe de sélection des données. Nous appellerons cette méthode BLYD. Pour notre méthodologie, nous partons de l hypothèse que le bruit vient de certaines données.par conséquent si nous ne prenons pas en compte ces données dans la modélisation, nous arriverons à construire un modèle mathématique plus Etude d un cas industriel : Optimisation de la modélisation de paramètre de production 26
3 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production efficace. Cela se réduit à ne pas prendre en compte certaines données et construire un modèle mathématique avec les données restantes. Nous fixons la taille des ensembles de modélisation et des données écartées selon le paramètretaux de modélisation. Ce taux indique le pourcentage des données à utiliser dans la construction du modèle.les données restantes ne sont pas prises en compte.le taux de modélisation peut varier. Il représente la quantité de données qui doivent être prises pour le modèle. Etant donné que l information dont nous disposons ne nous permet pas d identifier quelles sont les données les plus affectées par le bruit, et que le nombre de données est assez important, notre méthodologie cherche d une manière heuristique à identifier les données à ignorer. Cela se traduit par une recherche combinatoire dont l objectif est de trouver l ensemble des données qui produit le modèle le plus efficace. La méthodologie heuristique proposée est construite sur le principe des algorithmes génétiques, lesquels ont été utilisés pour résoudre ce type de problèmes combinatoires. Cette métaheuristique a montré de bons résultats dans la résolution des problèmes industriels comme [1]. Les algorithmes génétiques sont des méthodes fondés sur le principe de la sélection naturelle, qui indique que pour un ensemble d individus, ceux qui ont les meilleures caractéristiques pour survivre, ont plus de chances de passer leurs gènes pour la génération suivante. Ainsi, après la fin des générations, normalement les éléments qui restent ont les meilleures caractéristiques pour survivre. L application de ce principe sur notre cas, se traduit par le fait que nous arrivons à identifier, après un nombre de générations définis, les données qui sont les moins affectées par le bruit, qui engendrent donc un modèle efficace. Les éléments fondamentaux de la méthodologie des algorithmes génétiques sont décrits ci-après. 1. Représentation de la solution Dans le cas de cette étude, nous avons choisi d utiliser un vecteur binaire lequel permet la construction de la solution complète sans risque d ambigüité. Le vecteur binaire nous fournit les informations sur quelles sont les données (ou échantillons) que nous devons utiliser dans la modélisation, et quelles sont celles que nous devons ignorer. Un exemple de la représentation utilisée est dans la Figure 1. Ce vecteur indique avec un 1 si la donnée correspondante doit être utilisée dans la modélisation ou 0 sinon. Les données sont rangées par rapport à leurs identifiants, qui est un numéro entier croissent. Le nombre de données (ou échantillons) sélectionnées pour la construction du modèle doit correspondre à la valeur donnée par le Taux de modélisation fixé. 2. Population initiale Les algorithmes génétiques partent d un ensemble de solutions initialesque nous appellerons population initiale. Cet ensemble doit être le plus représentatif possible pour ne pas biaiser la recherche de solutions. Nous utilisons une méthode aléatoire pour construire la population initiale. Nous imposons la contrainte que toutes les données doivent être sélectionnées au moins dans une des solutions de la population initiale.enfin, la méthodologie aléatoire est construite sur une distribution uniforme. A.F. Bernate Lara, F. Entzmann, F. Yalaoui, F. Dugardin 27
4 A.F. Bernate Lara, F. Entzmann, F. Yalaoui, F. Dugardin Afin que les solutions soient valides, chacune doit sélectionner une seule fois le même vecteur de variables indépendantes. Une deuxième condition donne le nombre de 1 dans chaque vecteur. Cette valeur est donnée par le taux de modélisation. Id. Donnée Valeur binaire Données à prendre pour la calibration du modèle Fig. 1. Exemple de représentation de la solution 3. Croisement et mutation A partir des données initiales, nous devons trouver de nouveaux individus (des nouvelles solutions). Pour cela, nous utilisons les deux types de mouvements utilisés normalement pour les algorithmes génétiques : le croisement et la mutation. Le croisement suppose qu en accouplant deux bonnes solutions, nous devons obtenir une nouvelle solution, qui a de fortes chances d être meilleure que ses prédécesseurs. Un opérateur de croisement doit être défini pour structurer la manière d accoupler les deux solutions sources, que nous appellerons «parents».la procédure de croisement est décrite ci-dessous: - Sélection des parents : les parents sont choisis par rapport à sa fonction de performance (expliquée après). - Couplage à un point : la structure de la représentation de la solution nous permet de réaliser l accouplement avec un seul point. Ce point d intersection est choisi aléatoirement. Le nouveau élément est constitué des gènes du parent 1 jusqu au point d intersection. Le nouvel individu est complété avec les gènes du parent 2 à partir du point d intersection. - Correction de la solution : dans le cas où la nouvelle solution ne soit pas faisable, nous effectuons un procédé pour la corriger de manière aléatoire. Un exemple d application est donné dans la Fig. 2, pour un problème avec 9 échantillons, parmi lesquels 5 sélectionnés pour la construction du modèle mathématique. La Fig. 2 n inclut pas le processus de correction qui rend la solution faisable. L objectif du croisement est d intensifier la recherche sur les solutions qui ont montré de bonnes performances. La mutation cherche à créer des nouvelles solutions en introduisant des nouveaux gènes. Un opérateur doit être aussi défini pour effectuer la mutation. L objectif est de diversifier la population. La procédure pour effectuer la mutation est décrite ci-dessous: Etude d un cas industriel : Optimisation de la modélisation de paramètre de production 28
5 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production - Sélection des parents : les parents sont choisis par rapport à sa fonction de performance (expliquée après). - Mutation sur intervalle : la mutation par intervalle cherche à définir un intervalle pour modifier les valeurs de la solution parent. Deux valeurs sont trouvées aléatoirement, la première donne le premier point de cet intervalle; la deuxième sa fin. Les éléments compris entre ces deux points sont échangés. Fig. 2. Exemple de l opérateur de croisement La Fig. 3 donne un exemple d application de l opérateur de mutation pour un cas avec 9 échantillons disponibles et 5 échantillons à utiliser pour modéliser. Fig. 3. Exemple de l opérateur de mutation Les opérateurs de croisement et mutation ont été choisis par sa facilité d application et ses performances pour créer de nouveaux individus. 4. Evaluation de la solution Les solutions de la population initiale comme celles créées avec le croisement et la mutation sont évaluées. Cette évaluation consiste à trouver un modèle mathématique et à calculer un indicateur de performance. Le modèle mathématique est créé avec une méthode de minimisation de l erreur carré, comme il est décrit sur équation (4), avec p le nombre total de vecteurs de variables indépendantes. ( i ) (4) i =, (5) La solution du système de p équations est le vecteur des coefficients, qui est composé des différents coefficients de l équation (3). Etant donné que le nombre de données est plus grande que nombre de coefficients, cesystème d équations peut être résolu avec l équation (6). = ( ) (6) A.F. Bernate Lara, F. Entzmann, F. Yalaoui, F. Dugardin 29
6 A.F. Bernate Lara, F. Entzmann, F. Yalaoui, F. Dugardin L équation (6) est composée des termes, et, qui sont respectivement la matrice des vecteurs sélectionnés pour construire le modèle, la matrice transposée de X, et le vecteur des valeurs réelles des données sélectionnées pour la modélisation. 5. Sélection des parents Pour sélectionner les parents qui vont engendrer des nouvelles solutions, nous utilisons la méthode sélection de la roulette de sélection. Ainsi, chaque élément de la population de parents est associé à une probabilité de sélection. Plus le parent est performant, plus il aura de chances d être sélectionné pour engendrer un ou plusieurs éléments de la génération suivante. La probabilité de sélection est calculée avec la performance trouvée lors de l évaluation de la solution. = ( ( i ) (7) = 1 (8) Où ( ) i est la valeur estimée pour la mesure i avec le modèle trouvé selon la solution k. Les parents sont sélectionnés avec un numéro aléatoire entre 0 et la valeur maximal des probabilités accumulées. Pour le croisement, la sélection de parents est contrainte de donner deux parents différents. 6. Critère d arrêt L algorithme génétique a été construit avec deux critères d arrêt : le nombre de générations et le temps depuis la dernière solution qui a amélioré le critère de performance. La méthode proposée cherche l ensemble de données qui minimise la somme des erreurs carrées sur toutes les données disponibles (même celles qui n ont pas été prises pour la construction du modèle). V. METHODE CONSTRUCTION DU MODELE PAR MINIMISATION DE L ERREUR CARREE SIMPLE Une deuxième méthodologie de solution est proposée. L objectif est de comparer les performances de la méthode BLYD avec cette méthode. La minimisation de l erreur carrée simple, utilise toutes les données disponibles pour en construire un modèle mathématique, en effectuant une minimisation de l erreur carrée. = ( ) (9) Cette méthode utilise une matrice X qui a la même forme que celle utilisé par la méthode BLYD, mais qui est composée de toutes les données disponibles. VI. METHODE D EVALUATION DES MODELES L objectif de cet article est de fournir une méthodologie pour construire un modèle prédictif, c est-à-dire d un modèle qui peut calculer une valeur estimée pour le paramètre étudié même sur des mesures d échantillons différentsde ceux utilisées pour la construction du modèle. Etude d un cas industriel : Optimisation de la modélisation de paramètre de production 30
7 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production Pour assurer une performance maximale lors de la prédiction de la valeur du paramètre étudié, le modèle prédictif construit avec la méthode BLYD a été testée sur des échantillons inconnus par la méthode. Idem pour le model construit avec la méthode simple décrite dans la section V. VII. TESTS ET RESULTATS Les deux méthodologies proposées ont été programmées sur le langage de programmation orienté objet PYTHON. Les tests ont été effectués sur un ordinateur portable sur la plateforme Windows 7, avec un processeur Intel i5 et 4 gigaoctet de RAM. Les données utilisées pour les tests sont des valeurs réelles prises sur deux processus de contrôle du système de production. Les variables indépendantes sont le résultat d une analyse de l empreinte biologique des échantillons de contrôle. La variable dépendante est issue de l analyse d une caractéristique physique de l échantillon qui nécessite des long temps de préparation pour être mesurée. L impact d ignorer la valeur de cette variable lors de la production, est très significatif. Au total nous disposons de 757 échantillons. Le nombre de variables indépendantes par échantillon n varie entre 100 et 300, selon la précision souhaitée de la mesure de cette variable. L impact du nombre de variables indépendantes par échantillon est montré dans les résultats. Un coefficient est ajouté dans l algorithme BLYD pour éviter les matrices singulières. L équation (6) est donc remplacé par : = ( + ) (10) Empiriquement nous avons fixé la valeur de à La méthode BLYD a été paramétrée selon le Tableau 1.Ces paramètres ont été établis dès le début de la programmation. Tableau 1. Paramètres de l algorithme BLYD D autres opérateurs de croisement et de mutation ont été testés sans aucune amélioration. Des méthodes alternatives à la phase de correction ont été aussi A.F. Bernate Lara, F. Entzmann, F. Yalaoui, F. Dugardin 31
8 A.F. Bernate Lara, F. Entzmann, F. Yalaoui, F. Dugardin testées. L objectif étant de réduire le temps de résolution, les nouveaux individus ont été construit sans avoir risque de trouver des solutions infaisables. Trois indicateurs ont été choisis pour sélectionner la meilleure configuration et améliorer les résultats donnés par la méthode de minimisation de l erreur carrée. Ces indicateurs ont été mesurés sur les deux ensembles de données décrits dans la section VI. Parmi les 757 données, 80% ont été utilisés par les méthodologies de construction, tandis que les 20% restant composent l ensemble d évaluation de prédiction. A. Somme des erreurs carrées Nous utilisons le même critère de performance que celui utilisé pendant la phase d optimisation de l algorithme BLYD, la somme des erreurs carrées. Deux valeurs peuvent être ainsi calculées, chacun sur l un des deux ensembles de données proposés dans la section VI. Le premier sur l ensemble utilisé pour la construction du modèle. Le deuxième critère est calculé sur les données restantes. Nous ferons référence à l erreur carrée avec (80%)ou (20%). B. Coefficient de corrélation de Pearson Le coefficient de corrélation de Pearson est le coefficient le plus souvent utilisé. Il est calculé avec l équation (11) : ( ) =, = (, ) (11) Cette équation donne une valeur à la relation entre les valeurs réelles de la variable indépendante et les valeurs estimées sur l ensemble de données. Ce coefficient est calculé sur les deux ensemble des données décrits (80%)et (20%). C. Erreur maximale absolue Sur l ensemble de données utilisées dans la modélisation, nous calculons l erreur maximale commise. Nous pouvons également calculer cette même valeur pour l ensemble d évaluation de la prédiction des modèles. Ainsi deux indicateurs sont fournis (80%)et (20%). ( ) = i (12) Le Tableau 2 montre les résultats obtenus par rapport aux indicateurs expliqués auparavant.. Trois valeurs sont proposées pour le Taux de modélisation de l algorithme BLYD : 0.8, 0.9 et 0.95.De ce fait, le pourcentage d échantillons à ignorer est donc 20%, 10% et 5%. Trois nombre de variables n sont testés : 100, 200 et 300. Ce tableau montre que la méthode BLYD obtient les meilleurs résultats en utilisant le taux de modélisation égal à 0.8. C est-à-dire, 20% des données disponibles pour la modélisation ont été identifiées comme en étant très affectées par le bruit, et donc elles n ont pas été prises pour la construction du modèle prédictif. Le Tableau 3 donne les résultats de la méthode de minimisation de l erreur carrée simple. Ces tests ont été effectués sur les mêmes instances que pour la méthode BLYD. Le nombre de variables n a également varié entre les valeurs définies (100, 200 et 300). Etude d un cas industriel : Optimisation de la modélisation de paramètre de production 32
9 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production Nombre de variables TABLEAU 2. RESULTATS POUR LA METHODE BLYD Taux de modelisation Indicateur 0,8 0,9 0,95 0,8323 0,8318 0,8323 0,8451 0,8463 0, , , , , , ,27 10,72 10,66 10,6 8,57 8,76 8,59 0,855 0,8551 0,8553 0,8295 0,8278 0, , , , , , ,39 10,47 10,9 10,73 11,22 11,42 11,34 0,8683 0,869 0,8697 0,8314 0,8286 0, ,2 4975, , , , ,16 10,99 11,02 10,34 10,18 11,02 11,21 TABLEAU 3 : RESULTATS POUR LA METHODE DE MINIMISATION DE L ERREUR CARREE Indicateur Méthode simple 0,8522 0, , ,53 9,73 9,24 0,8974 0, , ,63 9,78 13,24 0,9256 0, , ,24 8,36 18,18 Nombre de variables A.F. Bernate Lara, F. Entzmann, F. Yalaoui, F. Dugardin 33
10 A.F. Bernate Lara, F. Entzmann, F. Yalaoui, F. Dugardin Parmi les indicateurs de performance évalués, ceux calculés sur les données qui n ont pas été pris pour la construction du modèle (les 20%), qualifient les performances d estimation du modèle. L analyse de ces indicateurs montre que la méthode BLYD donne des estimations plus proches de la réalité que la méthode de minimisation de l erreur carrée. De la même manière, pour les données testées, les indicateurs montrent que le nombre de variables par échantillon n a pas une influence significative. VIII. CONCLUSION L objectif de cet article est de présenter une méthodologie pour rendre plus efficace un modèle prédictif de données pour un paramètre qui ne peut pas être mesuré ou contrôlé directement. La méthodologie présentée donne de bons résultats lors de l évaluation sur des données qui n ont pas été prises lors de la phase de modélisation, par rapport à la méthode simple de minimisation de l erreur carrée. Les résultats ne nous permettent pas de définir avec exactitude quel est le «taux de modélisation» le plus efficace. En revanche, les résultats montrent que sur les indicateurs de performances mesurés sur l ensemble 20%, la méthode BLYD donne des résultats plus proches de la réalité que la méthode de minimisation de l erreur carrée. IX. REFERENCES [1] F. Dugardin& L. Amodeo& F. Yalaoui, Fuzzy Lorenz ant colony system to solve multiobjective reentrant hybrideflowshop scheduling problem, International Conference on Communications, Computing and Control Applications, CCCA 2011 [2] A. K. Jain & M. N. Murthy & P. J. Flynn, Data Clustering: a review, ACM Computing Surveys (CSUR), vol. 31, no. 3, Septembre 1991, [3] K. Koutroumpas& E Cinquemani& P. Kouretas & J. Lugeros, Parameter identification for stochastic hybrid systems using randomized optimization: A case study on subtilin production by Basillussubtilis, Nonlinear Analysis: Hybrid Systems, vol. 2, no. 3, Août 2008, [4] M. Paliwal& U. A. Kumar, Neural networks and statistical techniques: A review of applications, Expert Systems with Applications, vol. 36, no. 1, Janvier 2009, Etude d un cas industriel : Optimisation de la modélisation de paramètre de production 34
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
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 détailOPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT)
OPTIMISATION DE LA MAINTENANCE DES EQUIPEMENTS DE MANUTENTION DU TERMINAL A CONTENEURS DE BEJAIA (BMT) LAGGOUNE Radouane 1 et HADDAD Cherifa 2 1,2: Dépt. de G. Mécanique, université de Bejaia, Targa-Ouzemour
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 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 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 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 détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
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 détailALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE
ALGORITHME GENETIQUE ET MODELE DE SIMULATION POUR L'ORDONNANCEMENT D'UN ATELIER DISCONTINU DE CHIMIE P. Baudet, C. Azzaro-Pantel, S. Domenech et L. Pibouleau Laboratoire de Génie Chimique - URA 192 du
Plus en détailOrdonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative
Ordonnancement en temps réel d un jobshop par métaheuristique hybride : étude comparative Y. Houbad, M. Souier, A. Hassam, Z.Sari Laboratoire d automatique Tlemcen Faculté de technologie, Université Abou
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
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 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 détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailRelation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
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 détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailDirection des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Etab=MK3, Timbre=G430, TimbreDansAdresse=Vrai, Version=W2000/Charte7, VersionTravail=W2000/Charte7 Direction des Études et Synthèses Économiques Département des Comptes Nationaux Division des Comptes Trimestriels
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailOutils pour les réseaux de neurones et contenu du CD-Rom
Outils pour les réseaux de neurones et contenu du CD-Rom Depuis le développement théorique des réseaux de neurones à la fin des années 1980-1990, plusieurs outils ont été mis à la disposition des utilisateurs.
Plus en détailTransmission d informations sur le réseau électrique
Transmission d informations sur le réseau électrique Introduction Remarques Toutes les questions en italique devront être préparées par écrit avant la séance du TP. Les préparations seront ramassées en
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailLaboratoire d Automatique et Productique Université de Batna, Algérie
Anale. Seria Informatică. Vol. IX fasc. 2 Annals. Computer Science Series. 9 th Tome st Fasc. 2 La sélection de paramètres d un système industriel par les colonies de fourmis Ouahab Kadri, L. Hayet Mouss,
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 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 1 : Évolution COURS
Chapitre 1 : Évolution COURS OBJECTIFS DU CHAPITRE Savoir déterminer le taux d évolution, le coefficient multiplicateur et l indice en base d une évolution. Connaître les liens entre ces notions et savoir
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
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 détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailUne application des algorithmes génétiques à l ordonnancement d atelier
Une application des algorithmes génétiques à l ordonnancement d atelier VACHER Jean-Philippe - GALINHO Thierry - MAMMERI Zoubir Laboratoire d Informatique du Havre Université du Havre 25, Rue Philippe
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 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 détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
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 détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
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 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 détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détailLeçon N 4 : Statistiques à deux variables
Leçon N 4 : Statistiques à deux variables En premier lieu, il te faut relire les cours de première sur les statistiques à une variable, il y a tout un langage à se remémorer : étude d un échantillon d
Plus en détailBaccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé
Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e
Plus en détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
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 détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
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 détailRégression linéaire. Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr
Régression linéaire Nicolas Turenne INRA nicolas.turenne@jouy.inra.fr 2005 Plan Régression linéaire simple Régression multiple Compréhension de la sortie de la régression Coefficient de détermination R
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailAnnexe 6. Notions d ordonnancement.
Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document
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 détailLa Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS
Rev. Energ. Ren. : Chemss 2000 39-44 La Recherche du Point Optimum de Fonctionnement d un Générateur Photovoltaïque en Utilisant les Réseaux NEURO-FLOUS D.K. Mohamed, A. Midoun et F. Safia Département
Plus en détailInfo0804. Cours 6. Optimisation combinatoire : Applications et compléments
Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de
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 détailModélisation géostatistique des débits le long des cours d eau.
Modélisation géostatistique des débits le long des cours d eau. C. Bernard-Michel (actuellement à ) & C. de Fouquet MISTIS, INRIA Rhône-Alpes. 655 avenue de l Europe, 38334 SAINT ISMIER Cedex. Ecole des
Plus en détailBaccalauréat ES/L Métropole La Réunion 13 septembre 2013 Corrigé
Baccalauréat S/L Métropole La Réunion 13 septembre 2013 Corrigé A. P. M.. P. XRCIC 1 Commun à tous les candidats Partie A 1. L arbre de probabilité correspondant aux données du problème est : 0,3 0,6 H
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailINITIATION AU LANGAGE C SUR PIC DE MICROSHIP
COURS PROGRAMMATION INITIATION AU LANGAGE C SUR MICROCONTROLEUR PIC page 1 / 7 INITIATION AU LANGAGE C SUR PIC DE MICROSHIP I. Historique du langage C 1972 : naissance du C dans les laboratoires BELL par
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailJean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux
Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis
Plus en détailDocument d orientation sur les allégations issues d essais de non-infériorité
Document d orientation sur les allégations issues d essais de non-infériorité Février 2013 1 Liste de contrôle des essais de non-infériorité N o Liste de contrôle (les clients peuvent se servir de cette
Plus en détailRéseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel.
Ce document a été numérisé par le CRDP de Bordeaux pour la Base Nationale des Sujets d Examens de l enseignement professionnel. Campagne 2013 Ce fichier numérique ne peut être reproduit, représenté, adapté
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
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 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 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 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 détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailTESTS D HYPOTHÈSE FONDÉS SUR LE χ². http://fr.wikipedia.org/wiki/eugénisme
TESTS D HYPOTHÈSE FONDÉS SUR LE χ² http://fr.wikipedia.org/wiki/eugénisme Logo du Second International Congress of Eugenics 1921. «Comme un arbre, l eugénisme tire ses constituants de nombreuses sources
Plus en détailExercices Corrigés Premières notions sur les espaces vectoriels
Exercices Corrigés Premières notions sur les espaces vectoriels Exercice 1 On considére le sous-espace vectoriel F de R formé des solutions du système suivant : x1 x 2 x 3 + 2x = 0 E 1 x 1 + 2x 2 + x 3
Plus en détailPython - introduction à la programmation et calcul scientifique
Université de Strasbourg Environnements Informatique Python - introduction à la programmation et calcul scientifique Feuille de TP 1 Avant de commencer Le but de ce TP est de vous montrer les bases de
Plus en détailBIG Data et R: opportunités et perspectives
BIG Data et R: opportunités et perspectives Guati Rizlane 1 & Hicham Hajji 2 1 Ecole Nationale de Commerce et de Gestion de Casablanca, Maroc, rguati@gmail.com 2 Ecole des Sciences Géomatiques, IAV Rabat,
Plus en détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
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 détailExo7. Calculs de déterminants. Fiche corrigée par Arnaud Bodin. Exercice 1 Calculer les déterminants des matrices suivantes : Exercice 2.
Eo7 Calculs de déterminants Fiche corrigée par Arnaud Bodin Eercice Calculer les déterminants des matrices suivantes : Correction Vidéo ( ) 0 6 7 3 4 5 8 4 5 6 0 3 4 5 5 6 7 0 3 5 4 3 0 3 0 0 3 0 0 0 3
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailFeuille TD n 1 Exercices d algorithmique éléments de correction
Master Sciences, Technologies, Santé Mention Mathématiques, spécialité Enseignement des mathématiques Algorithmique et graphes, thèmes du second degré Feuille TD n 1 Exercices d algorithmique éléments
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailLa demande Du consommateur. Contrainte budgétaire Préférences Choix optimal
La demande Du consommateur Contrainte budgétaire Préférences Choix optimal Plan du cours Préambule : Rationalité du consommateur I II III IV V La contrainte budgétaire Les préférences Le choix optimal
Plus en détailCHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal
III CHOIX OPTIMAL DU CONSOMMATEUR A - Propriétés et détermination du choix optimal La demande du consommateur sur la droite de budget Résolution graphique Règle (d or) pour déterminer la demande quand
Plus en détailDéfinition et diffusion de signatures sémantiques dans les systèmes pair-à-pair
Définition et diffusion de signatures sémantiques dans les systèmes pair-à-pair Raja Chiky, Bruno Defude, Georges Hébrail GET-ENST Paris Laboratoire LTCI - UMR 5141 CNRS Département Informatique et Réseaux
Plus en détailSOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique
SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des
Plus en détailExemple PLS avec SAS
Exemple PLS avec SAS This example, from Umetrics (1995), demonstrates different ways to examine a PLS model. The data come from the field of drug discovery. New drugs are developed from chemicals that
Plus en détailphysicien diplômé EPFZ originaire de France présentée acceptée sur proposition Thèse no. 7178
Thèse no. 7178 PROBLEMES D'OPTIMISATION DANS LES SYSTEMES DE CHAUFFAGE A DISTANCE présentée à l'ecole POLYTECHNIQUE FEDERALE DE ZURICH pour l'obtention du titre de Docteur es sciences naturelles par Alain
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailLe modèle canadien de gestion de la dette
Le modèle canadien de gestion de la dette David Jamieson Bolder, département des Marchés financiers L objectif que poursuit le gouvernement canadien dans la gestion du portefeuille de la dette intérieure
Plus en détailL utilisation d un réseau de neurones pour optimiser la gestion d un firewall
L utilisation d un réseau de neurones pour optimiser la gestion d un firewall Réza Assadi et Karim Khattar École Polytechnique de Montréal Le 1 mai 2002 Résumé Les réseaux de neurones sont utilisés dans
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
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 détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
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 détailQue faire lorsqu on considère plusieurs variables en même temps?
Chapitre 3 Que faire lorsqu on considère plusieurs variables en même temps? On va la plupart du temps se limiter à l étude de couple de variables aléatoires, on peut bien sûr étendre les notions introduites
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
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 détailI. Programmation I. 1 Ecrire un programme en Scilab traduisant l organigramme montré ci-après (on pourra utiliser les annexes):
Master Chimie Fondamentale et Appliquée : spécialité «Ingénierie Chimique» Examen «Programmation, Simulation des procédés» avril 2008a Nom : Prénom : groupe TD : I. Programmation I. 1 Ecrire un programme
Plus en détail4. Résultats et discussion
17 4. Résultats et discussion La signification statistique des gains et des pertes bruts annualisés pondérés de superficie forestière et du changement net de superficie forestière a été testée pour les
Plus en détailCours 1 : Introduction Ordinateurs - Langages de haut niveau - Application
Université de Provence Licence Math-Info Première Année V. Phan Luong Algorithmique et Programmation en Python Cours 1 : Introduction Ordinateurs - Langages de haut niveau - Application 1 Ordinateur Un
Plus en détailDifférentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations
LABORATOIRE D INFORMATIQUE DE L UNIVERSITE DE FRANCHE-COMTE EA 4269 Différentes opérateurs évolutionnaires de permutation: sélections, croisements et mutations Mais HAJ-RACHID, Christelle BLOCH, Wahiba
Plus en détailLes simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R
Les simulations dans l enseignement des sondages Avec le logiciel GENESIS sous SAS et la bibliothèque Sondages sous R Yves Aragon, David Haziza & Anne Ruiz-Gazen GREMAQ, UMR CNRS 5604, Université des Sciences
Plus en détail23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
Plus en détail