Sommaire Chapitre 1 Chapitre 2 Chapitre 3 Chapitre 4 Chapitre 5 Chapitre 6 Chapitre 7. ARC EPS Eco-microbiologie Prévisionnelle Statistique
|
|
- Alizée Delorme
- il y a 8 ans
- Total affichages :
Transcription
1 ARC EPS Eco-microbiologie Prévisionnelle Statistique
2 1 Objectifs de l ARC EPS 2 Partenaires 3 Moyens 4 Problématique Microbiologique 5 Démarche et Résultats 6 Perspectives 7 Valorisation
3 LES OBJECTIFS DE L ARC EPS Développement d approches statistiques et numériques pour l étude de systèmes bactériens alimentaires (Clostridium, Salmonella, Listeria,... ) Boîte à outils de Microbiologie Prévisionnelle
4 LES OBJECTIFS DE L ARC EPS Développement d approches statistiques et numériques pour l étude de systèmes bactériens alimentaires (Clostridium, Salmonella, Listeria,... ) Boîte à outils de Microbiologie Prévisionnelle Fonctionnalités attendues Modélisation, Inférence, Prédiction de dynamiques. Simulation d événements rares, Analyse de risques. Régulation et Contrôle de populations bactériennes.
5 LES OBJECTIFS DE L ARC EPS Développement d approches statistiques et numériques pour l étude de systèmes bactériens alimentaires (Clostridium, Salmonella, Listeria,... ) Boîte à outils de Microbiologie Prévisionnelle Fonctionnalités attendues Modélisation, Inférence, Prédiction de dynamiques. Simulation d événements rares, Analyse de risques. Régulation et Contrôle de populations bactériennes.
6 LES OBJECTIFS DE L ARC EPS Développement d approches statistiques et numériques pour l étude de systèmes bactériens alimentaires (Clostridium, Salmonella, Listeria,... ) Boîte à outils de Microbiologie Prévisionnelle Fonctionnalités attendues Modélisation, Inférence, Prédiction de dynamiques. Simulation d événements rares, Analyse de risques. Régulation et Contrôle de populations bactériennes.
7 LES OBJECTIFS DE L ARC EPS Développement d approches statistiques et numériques pour l étude de systèmes bactériens alimentaires (Clostridium, Salmonella, Listeria,... ) Boîte à outils de Microbiologie Prévisionnelle Fonctionnalités attendues Modélisation, Inférence, Prédiction de dynamiques. Simulation d événements rares, Analyse de risques. Régulation et Contrôle de populations bactériennes.
8 LES PARTENAIRES Des Statisticiens et des Probabilistes : Epi ALEA - INRIA (Bordeaux) : F. Caron, P. Del Moral (resp.), A. Doucet. Dept MIA - INRA (Jouy, Montpellier) : C. Bidot, J.P. Gauchi, J.P. Vila Des Microbiologistes : Unité Microbiologie des Aliments (ENV-Alfort) : J.C. Augustin (resp.) Laboratoire d Ecologie Microbienne (Univ.Bret.Occ.- Quimper) : L. Coroller (resp.)
9 LES MOYENS Financiers : Dotation 2009 : E. Dotation 2010 : E. Humains : Scientifiques : 8 Ingénieurs : 2 Techniciens : 2 Stagiaires Master : 1 Post-doctotant : 1
10 Sommaire Chapitre 1 Chapitre 2 Chapitre 3 Chapitre 4 Chapitre 5 Chapitre 6 PROBLEMATIQUE MICROBIOLOGIQUE Milieu d origine : substrat alimentaire Ex : contamination par Listeria Monocytogenes Chapitre 7
11 Recueil de données Séries de prélèvements et de dilutions successives v1 va vb vb1 boite 1 vb2 boite 2 vbs D1 (VD1 = V1+ vt) D1a -> D'1a (V1 -> V1+v1) D1b -> D'1b (V1 -> V1+va) De (0 -> vb) boite s Schéma de dilution d un tube D1.
12 Recueil de données - suite Comptage bactérien en milieu de culture
13 Modélisation Exemple de modèle d état : X t+1 = δ X 0 exp(µ max A t ) 1 da B t (µ t max db t dt dt avec Modèle de Baranyi II 1 B t )+X t +ϕ t A t = t + 1 µ max ln(exp( µ max t) + exp( µ max λ) exp( µ max t µ max λ)) B t = 1 + exp(µ max A t ) 1 Xmax X 0
14 Modélisation Exemple de modèle d état : X t+1 = δ X 0 exp(µ max A t ) 1 da B t (µ t max db t dt dt avec Modèle de Baranyi II 1 B t )+X t +ϕ t A t = t + 1 µ max ln(exp( µ max t) + exp( µ max λ) exp( µ max t µ max λ)) B t = 1 + exp(µ max A t ) 1 Xmax X 0
15 Modélisation Exemple de modèle d état : X t+1 = δ X 0 exp(µ max A t ) 1 da B t (µ t max db t dt dt avec Modèle de Baranyi II 1 B t )+X t +ϕ t A t = t + 1 µ max ln(exp( µ max t) + exp( µ max λ) exp( µ max t µ max λ)) B t = 1 + exp(µ max A t ) 1 Xmax X 0
16 Modélisation Exemple de modèle d état : X t+1 = δ X 0 exp(µ max A t ) 1 da B t (µ t max db t dt dt avec Modèle de Baranyi II 1 B t )+X t +ϕ t A t = t + 1 µ max ln(exp( µ max t) + exp( µ max λ) exp( µ max t µ max λ)) B t = 1 + exp(µ max A t ) 1 Xmax X 0
17 Modélisation - suite Modèle d observation : Modèle probabiliste de comptage après prélèvements et dilutions y t L(X t,µ max,λ,x 0,X } {{ max ) } =θ loi inconnue mais simulable!
18 Modélisation - suite Objectifs : Estimer θ et sa variabilité conditionnelle Le θ à maximum de vraisemblance (max densité) "Le θ plus probable" séquences d observations Loi(θ Observations) & Loi(X Observations)
19 La Démarche de base : filtrage particulaire Filtre à convolution de particules Estimation non paramétrique des densités de l état : p n t (x y 1:t ) = n i=1 K y h (ỹ i t y t)k x h ( xi t x) n i=1 K y h (ỹ i t y t) et des paramètres : p n t (θ y 1:t ) = n i=1 K y h (ỹ i t y t)k θ h ( θ i t θ) n i=1 K y h (ỹ i t y t) Filtre particulaire = dynamique de population [prédiction, correction]=[mutation,selection]
20 La Démarche de base : filtrage particulaire Filtre à convolution de particules Estimation non paramétrique des densités de l état : p n t (x y 1:t ) = n i=1 K y h (ỹ i t y t)k x h ( xi t x) n i=1 K y h (ỹ i t y t) et des paramètres : p n t (θ y 1:t ) = n i=1 K y h (ỹ i t y t)k θ h ( θ i t θ) n i=1 K y h (ỹ i t y t) Filtre particulaire = dynamique de population [prédiction, correction]=[mutation,selection]
21 La Démarche de base : filtrage particulaire Filtre à convolution de particules Estimation non paramétrique des densités de l état : p n t (x y 1:t ) = n i=1 K y h (ỹ i t y t)k x h ( xi t x) n i=1 K y h (ỹ i t y t) et des paramètres : p n t (θ y 1:t ) = n i=1 K y h (ỹ i t y t)k θ h ( θ i t θ) n i=1 K y h (ỹ i t y t) Filtre particulaire = dynamique de population [prédiction, correction]=[mutation,selection]
22 La Démarche de base : filtrage particulaire Filtre à convolution de particules Estimation non paramétrique des densités de l état : p n t (x y 1:t ) = n i=1 K y h (ỹ i t y t)k x h ( xi t x) n i=1 K y h (ỹ i t y t) et des paramètres : p n t (θ y 1:t ) = n i=1 K y h (ỹ i t y t)k θ h ( θ i t θ) n i=1 K y h (ỹ i t y t) Filtre particulaire = dynamique de population [prédiction, correction]=[mutation,selection]
23 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]
24 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]
25 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]
26 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]
27 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]
28 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]
29 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]
30 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]
31 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]
32 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]
33 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]
34 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]
35 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]
36 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]
37 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]
38 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]
39 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]
40 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]
41 Évolution des lois conditionnelles et du filtre particulaire en dimension 1 [Arbres généalogiques = lois conditionnelles trajectorielles]
42 Applications Estimation des paramètres par filtrage Ex : estimation de µ max taux de croissance bactérienne maximum Evolution des estimations de mumax particules Moyenne Borne inf IC a 95% Borne sup IC a 95% Observations
43 Applications - suite Estimation et prédiction d effectifs bactériens concentration 8 7 echelle log estimation donnees Temps Temps d exécution : 66 s. (pentium)
44 Autres Réalisations Inférence bayésienne de modèle bactérien, Comparaison et sélection de dynamiques : Calcul de Facteur de Bayes par filtrage. Echantillonnage optimal pour le filtrage : détermination d instants de prélèvements par maximisation de sensibilité paramétrique.
45 Autres Réalisations Inférence bayésienne de modèle bactérien, Comparaison et sélection de dynamiques : Calcul de Facteur de Bayes par filtrage. Echantillonnage optimal pour le filtrage : détermination d instants de prélèvements par maximisation de sensibilité paramétrique.
46 Autres Réalisations Inférence bayésienne de modèle bactérien, Comparaison et sélection de dynamiques : Calcul de Facteur de Bayes par filtrage. Echantillonnage optimal pour le filtrage : détermination d instants de prélèvements par maximisation de sensibilité paramétrique.
47 Autres Réalisations Confection d algorithmes et analyse mathématique des performances filtrage et lissage particulaire, SMC, i-mcmc, gradient stochastique particulaire, splitting, etc. critères de ré-échantillonnage, théo. non asymptotiques, estimation de proba. d erreurs.
48 Réalisations en cours Construction de prédicteurs particulaires d état à k-pas en avant : prédiction de densités de concentrations bactériennes futures. simulation et analyse de scénario d évolution bactérienne. Analyse et simulation d événements rares : prolifération bactérienne inattendue. arbres de défauts, analyse de risques.
49 Réalisations en cours Construction de prédicteurs particulaires d état à k-pas en avant : prédiction de densités de concentrations bactériennes futures. simulation et analyse de scénario d évolution bactérienne. Analyse et simulation d événements rares : prolifération bactérienne inattendue. arbres de défauts, analyse de risques.
50 Réalisations en cours Construction de prédicteurs particulaires d état à k-pas en avant : prédiction de densités de concentrations bactériennes futures. simulation et analyse de scénario d évolution bactérienne. Analyse et simulation d événements rares : prolifération bactérienne inattendue. arbres de défauts, analyse de risques.
51 A plus long terme Caractérisation de ruptures de modèle (détection de dysfonctionnement) : tests séquentiels généralisés (par filtrage) Prise en compte d interactions inter-spécifiques Contrôle prédictif et régulation de populations bactériennes pathogènes : par action sur les facteurs de milieu
52 A plus long terme Caractérisation de ruptures de modèle (détection de dysfonctionnement) : tests séquentiels généralisés (par filtrage) Prise en compte d interactions inter-spécifiques Contrôle prédictif et régulation de populations bactériennes pathogènes : par action sur les facteurs de milieu
53 A plus long terme Caractérisation de ruptures de modèle (détection de dysfonctionnement) : tests séquentiels généralisés (par filtrage) Prise en compte d interactions inter-spécifiques Contrôle prédictif et régulation de populations bactériennes pathogènes : par action sur les facteurs de milieu
54 A plus long terme Caractérisation de ruptures de modèle (détection de dysfonctionnement) : tests séquentiels généralisés (par filtrage) Prise en compte d interactions inter-spécifiques Contrôle prédictif et régulation de populations bactériennes pathogènes : par action sur les facteurs de milieu
55 A plus long terme Comparaisons d algos & Développement d un logiciel d estimation de paramètres fixes dans les HMM (ADT INRIA?) : Filtrage particulaire à convolution Méthodes MCMC particulaires (Andrieu, Doucet, Holenstein 07) Méthodes SMC & Adaptive Bayesian Computation (DM, Doucet, Jasra 08) Particle smoothing & Stochastic SAEM (DM, Doucet, Singh 09)
56 A plus long terme Comparaisons d algos & Développement d un logiciel d estimation de paramètres fixes dans les HMM (ADT INRIA?) : Filtrage particulaire à convolution Méthodes MCMC particulaires (Andrieu, Doucet, Holenstein 07) Méthodes SMC & Adaptive Bayesian Computation (DM, Doucet, Jasra 08) Particle smoothing & Stochastic SAEM (DM, Doucet, Singh 09)
57 VALORISATION Publications : 11 articles Annals of Stat., Annals of App. Prob., Annales de l IHP, M2AN, Stat. and Prob. Letters., CRAS, Comm. in Stat., Food Microbiology, Int. Journal of Food Microbiology, Risk Anal,.... Communications : CPMiF, SFdS, Conf. Proba & Analyse Nice-Sophia Antipolis, Cambridge Stat. Seminar, ICM 2010 P. & S. Bangalore, Inde. Boîte à Outils Microbiologique : FILTREX V1.1
58 VALORISATION Publications : 11 articles Annals of Stat., Annals of App. Prob., Annales de l IHP, M2AN, Stat. and Prob. Letters., CRAS, Comm. in Stat., Food Microbiology, Int. Journal of Food Microbiology, Risk Anal,.... Communications : CPMiF, SFdS, Conf. Proba & Analyse Nice-Sophia Antipolis, Cambridge Stat. Seminar, ICM 2010 P. & S. Bangalore, Inde. Boîte à Outils Microbiologique : FILTREX V1.1
59 VALORISATION Publications : 11 articles Annals of Stat., Annals of App. Prob., Annales de l IHP, M2AN, Stat. and Prob. Letters., CRAS, Comm. in Stat., Food Microbiology, Int. Journal of Food Microbiology, Risk Anal,.... Communications : CPMiF, SFdS, Conf. Proba & Analyse Nice-Sophia Antipolis, Cambridge Stat. Seminar, ICM 2010 P. & S. Bangalore, Inde. Boîte à Outils Microbiologique : FILTREX V1.1
60 VALORISATION Publications : 11 articles Annals of Stat., Annals of App. Prob., Annales de l IHP, M2AN, Stat. and Prob. Letters., CRAS, Comm. in Stat., Food Microbiology, Int. Journal of Food Microbiology, Risk Anal,.... Communications : CPMiF, SFdS, Conf. Proba & Analyse Nice-Sophia Antipolis, Cambridge Stat. Seminar, ICM 2010 P. & S. Bangalore, Inde. Boîte à Outils Microbiologique : FILTREX V1.1
61
62
63 Publications principales Bidot, C., Gauchi, J.P., Vila, J.P. (2009). Programmation Matlab du filtrage non linéaire par convolution de particules pour l identification et l estimation d un système dynamique microbiologique. Rapport Technique No INRA/Jouy-en-Josas. Bidot, C., Gauchi, J.P., Vila, J.P. (2009).Identification de systèmes dynamiques microbiologiques complexes par filtrage non linéaire. 41ième Journées de Statistique de la SFdS, Bordeaux. Del Moral, P., Doucet, A., Jasra, A.. On Adaptive Resampling Procedures for Sequential Monte Carlo Methods HAL-INRIA RR To appear in Bernoulli ( ). Brockwell, A., Del Moral, P., Doucet, A. Sequentially Interacting Markov chain Monte Carlo Technical Report UBC Vancouver (2008) To appear in the Annals of Statistics ( ). Del Moral, P., Doucet, A., and Singh, S.S. A Backward Particle Interpretation of Feynman-Kac Formulae HAL-INRIA RR-7019 vol 44, no. 5, pp M2AN (sept. 2010).
64 Publications principales - suite Del Moral, P., Doucet, A. Interacting Markov Chain Monte Carlo Methods For Solving Nonlinear Measure-Valued Equations HAL-INRIA RR The Annals of Applied Probability, Vol. 20, No. 2, (2010). Del Moral,P., Doucet, A. A new class of interacting Markov chain Monte Carlo methods Comptes rendus Académie des Sciences, Série : Mathématiques, Vol N 1-2, p (2010). Ellouze, M., Gauchi, J.-P., Augustin, J.-C Global sensitivity analysis applied to a contamination assessment model of Listeria monocytogenes in cold smoked salmon at consumption. Risk Anal. 30, Ellouze, M., Gauchi, J.-P., Augustin, J.-C Use of global sensitivity analysis in quantitative microbial risk assessment : Application to the evaluation of a biological time temperature integrator as a quality and safety indicator for cold smoked salmon. Food Microbiol. doi : /j.fm
65 Publications principales - suite Gauchi, J.P., Vila, J.P., Coroller, L. (2009). New prediction confidence intervals and bands in the nonlinear regression model : Application to the predictive modelling in food. Communications in Statistics, Simulation and Computation, 39(2), 322- Gauchi, J.P., Bidot, C., Augustin, J.C., Vila, J.P. (2009).Identification of complex microbiological dynamic system by nonlinear filtering. 6th Int. Conference on Predictive Modelling in Foods, Washington DC. Lekogo B.M., Coroller L, Mathot AG, Mafart P, Leguérinel I., Modelling the influence of palmitic, palmitoleic, stearic and oleic acids on apparent heat resistance of spores of Bacillus cereus NTCC and Clostridium sporogenes Pasteur International Journal of Food Microbiology, (3) : p Mafart P, Leguérinel I, Couvert O, Coroller L., Quantification of spore resistance for assessment and optimization of heating processes : A never-ending story. Food Microbiology, (5) : p. 568.
66 Publications principales - suite Vila, J.P., Saley, I. (2009). Estimation de facteurs de Bayes entre modèles dynamiques non linéaires à espace d état. C.R. Acad. Sci. Paris, Ser. I, 347, Vila, J.P. (2010). Nonparametric multi-step precdiction in nonlinear state space dynamic systems. Statistics and Probability Letters, in press. Vila, J.P. (2010). Predictive control of stochastic nonlinear state space dynamic systems : A particle nonparametric approach. (Rapport interne, dpt. MIA-INRA). Vila, J.P., Gauchi, J.P. (2010). Nonparametric filtering approaches for identification and inference in nonlinear dynamic systems. Soumis.
67 MERCI POUR VOTRE ATTENTION http :// delmoral/inria.arc-eps.html
Incertitude 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 détailInférence d un réseau bayésien augmenté visant à confronter :
Inférence d un réseau bayésien augmenté visant à confronter : un modèle complexe d analyse quantitative du risque microbiologique des données de vieillissement Clémence RIGAUX (1) En collaboration avec
Plus en détailModélisation du développement microbien dans un aliment et application à l'appréciation quantitative des risques. Historique. Niveaux de modélisation
Modélisation du développement microbien dans un aliment et application à l'appréciation quantitative des risques Objectifs de la microbiologie prévisionnelle micro-organisme pathogène ou d altération produit
Plus en détailANALYSE QUANTITATIVE DE RISQUE MICROBIOLOGIQUE EN ALIMENTATION
ANALYSE QUANTITATIVE DE RISQUE MICROBIOLOGIQUE EN ALIMENTATION QUAND LE GESTIONNAIRE DE LA SECURITE ALIMENTAIRE A-T-IL BESOIN D UTILISER UNE APPROCHE ANALYSE DE RISQUE? En concertation avec le groupe de
Plus en détailQUELLES APPLICATIONS INDUSTRIELLES POUR LA MICROBIOLOGIE PREVISIONNELLE
QUELLES APPLICATIONS INDUSTRIELLES POUR LA MICROBIOLOGIE PREVISIONNELLE ELLOUZE M IFIP, 7, Avenue du Général de Gaulle 94704 Maisons-Alfort. Présentation et historique La microbiologie prévisionnelle est
Plus en détail$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 détailMots-clés : appréciation des risques, microbiologie prévisionnelle, Listeria monocytogenes.
Intérêt de la microbiologie prévisionnelle dans l appréciation de l'exposition alimentaire à Listeria monocytogenes. Significance of predictive microbiology for the assessment of the exposure of food to
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 détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en 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 détail22/12/11. Plan de la présentation
http://www.dda.ulg.ac.be L appréciation quantitative du risque microbiologique et la microbiologie prévisionnelle pour les entreprises. La microbiologie prévisionnelle Deux exemples simples L appréciation
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 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 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 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 détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailCATALOGUE DE PRESTATIONS FORMATION ET CONSEILS
(1/30pages) CATALOGUE DE PRESTATIONS FORMATION ET CONSEILS ANNEE : 2015 Date de mise à jour : 09/03/2015 1 - Microbiologie des eaux - Microbiologie des aliments Formation technique de Microbiologie HYGIÈNE
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 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 détailSensibilisation des opérateurs à l hygiène des aliments
Sensibilisation des opérateurs à l hygiène des aliments Le respect des bonnes pratiques d hygiène de fabrication, par chaque opérateur, constitue le préalable à toute démarche de maîtrise de la sécurité
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 détailLaboratoire 4 Développement d un système intelligent
DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2012 Laboratoire 4 Développement d un système intelligent 1 Introduction Ce quatrième et dernier laboratoire porte sur le développement
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
Plus en 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 détailJean-Baptiste AUBIN Maître de Conférence en Statistique
Jean-Baptiste AUBIN Maître de Conférence en Statistique Coordonnées Professionnelles : Coordonnées Personnelles : INSA-Lyon et ICJ 26, Cours de la République Bat. Léonard de Vinci 69100 Villeurbanne 20,
Plus en détailChristian BONTEMPS né le 08 juillet 1969
Curriculum Vitae Christian BONTEMPS né le 08 juillet 1969 Situation actuelle : Ingénieur en Chef des Ponts et Chaussées, Chercheur IDEI Professeur Sciences Économiques, GREMAQ - Université Toulouse I.
Plus en détailContrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre.
Contrôle par commande prédictive d un procédé de cuisson sous infrarouge de peintures en poudre. Isabelle Bombard, Bruno da Silva, Pascal Dufour *, Pierre Laurent, Joseph Lieto. Laboratoire d Automatique
Plus en détailQuantification des Risques
Quantification des Risques Comment considérer les aléas dans une projection financière? PragmaRisk met à disposition des solutions et des méthodes permettant de considérer les aléas dans vos projections
Plus en détailMonitoring continu et gestion optimale des performances énergétiques des bâtiments
Monitoring continu et gestion optimale des performances énergétiques des bâtiments Alexandre Nassiopoulos et al. Journée d inauguration de Sense-City, 23/03/2015 Croissance de la demande énergétique et
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 détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailUMT8.03 PHYSI Opt UMY14.01 SPORE RISK
UMT8.03 PHYSI Opt UMY14.01 SPORE RISK 1 TRANSFERT ET VALORISATION 1.1 Synthèse des publications et communications 1.1.1 Un total de 17 publications dans des journaux scientifiques 1. Desriac N, Coroller
Plus en détailModélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
Plus en détailCURRICULUM VITAE Anne de Bouard
CURRICULUM VITAE Anne de Bouard née le 1er mai 1965 à Caen (14) Mariée, 2 enfants Nationalité : Française http://www.cmap.polytechnique.fr/~debouard debouard@cmap.polytechnique.fr CMAP, Ecole Polytechnique
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 détail5. Matériaux en contact avec l eau
Monitoring de la qualité Microbiologique de l eau potable dans les réseaux de distributions Intérêt de l utilisation d un kit de mesure rapide de la flore totale UTLISATIONS 1. Surveillance de Réseau mixte
Plus en détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailL. monocytogenes. dans les produits réfrigérés
Novembre 2006 Construction d une démarche interdisciplinaire de description du processus sanitaire modulant l exposition au danger L. monocytogenes dans les produits réfrigérés RAPPORT DE RECHERCHE Construction
Plus en détailApproche modèle pour l estimation en présence de non-réponse non-ignorable en sondage
Approche modèle pour l estimation en présence de non-réponse non-ignorable en sondage Journées de Méthodologie Statistique Eric Lesage Crest-Ensai 25 janvier 2012 Introduction et contexte 2/27 1 Introduction
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 détailLe Guide d aide à la VALIDATION des MESURES de MAITRISE des dangers bactériologiques ACTION QUALITE
Le Guide d aide à la VALIDATION des MESURES de MAITRISE des dangers bactériologiques ACTION QUALITE Logo CERVIA Parce que l enjeu alimentaire est plus que jamais un défi pour demain, le CERVIA PARIS Ilede-France,
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 détailPrédiction et Big data
Prédiction et Big data Mitra Fouladirad Institut Charles Delaunay - UMR CNRS 6281 Université de Technologie de Troyes 29 avril 2015 1 1 Sujet Motivation Le pronostic ou la prédiction du comportement futur
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en 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 détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailSujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante.
Sujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante. Objectifs et formulation du sujet Le syndrome de l apnée du sommeil (SAS) est un problème de santé publique
Plus en détailUne méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données
Une méthode de classification supervisée sans paramètre pour l apprentissage sur les grandes bases de données Marc Boullé Orange Labs 2 avenue Pierre Marzin 22300 Lannion marc.boulle@orange-ftgroup.com,
Plus en détailÉlue Correspondant le 25 avril 1994, puis Membre le 30 novembre 2004 dans la section Sciences mécaniques et informatiques
Odile Macchi Élue Correspondant le 25 avril 1994, puis Membre le 30 novembre 2004 dans la section Sciences mécaniques et informatiques Odile Macchi est directeur de recherche émérite au CNRS. Formation
Plus en détailQUANTIFICATION DU RISQUE
QUANTIFICATION DU RISQUE Journées d études de Deauville, le 16 septembre 2011 OPÉRATIONNEL 1.Solvabilité 2 et le Risque Opérationnel 2.La gestion du Risque Opérationnel 3.Les méthodes de quantification
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en 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 détailDébouchés professionnels
Master Domaine Droit, Economie, Gestion Mention : Monnaie, Banque, Finance, Assurance Spécialité : Risque, Assurance, Décision Année universitaire 2014/2015 DIRECTEUR de la spécialité : Monsieur Kouroche
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 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 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 détailUNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS
UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP20-9717 Pointe-à-Pitre Cedex CONTRAT 2010-201 LE MASTER NOM DU DOMAINE STS Mention : Mathématiques Implantation : Guadeloupe FICHES DESCRIPTIVES
Plus en 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 détailModélisation prédictive et incertitudes. P. Pernot. Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr
Modélisation prédictive et incertitudes P. Pernot Laboratoire de Chimie Physique, CNRS/U-PSUD, Orsay pascal.pernot@u-psud.fr Le concept de Mesure Virtuelle mesure virtuelle résultat d un modèle visant
Plus en détailLa réalisation d essais en réacteur pilote en vue d une demande d homologation de digestat
La réalisation d essais en réacteur pilote en vue d une demande d homologation de digestat M CORDELIER, JF. LASCOURREGES, C. PEYRELASSE, C.LAGNET, P.POUECH 4 ième Journées Industrielles Méthanisation 4
Plus en détailValidation probabiliste d un Système de Prévision d Ensemble
Validation probabiliste d un Système de Prévision d Ensemble Guillem Candille, janvier 2006 Système de Prévision d Ensemble (EPS) (ECMWF Newsletter 90, 2001) Plan 1 Critères de validation probabiliste
Plus en détailPublications scientifiques
Publications scientifiques 1. Articles dans périodiques a comité de lecture Biaudet, H., Mavelle, T., Debry, G., 1994. Mean daily intake of N- nitrosodimethylamine from foods and beverages in France in
Plus en détailCONFERENCE PALISADE. Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design»
CONFERENCE PALISADE Optimisation robuste d un plan d expériences par simulation Monte-Carlo Concepts de «Design Space» et de «Quality by Design» 1 SIGMA PLUS Logiciels, Formations et Etudes Statistiques
Plus en détailMASTER de sciences et technologies, Mention MATHÉMATIQUES ET APPLICATIONS Université Pierre et Marie Curie (Paris VI) Année 2012-2013
MASTER de sciences et technologies, Mention MATHÉMATIQUES ET APPLICATIONS Université Pierre et Marie Curie (Paris VI) Année 2012-2013 [version du 29 juin 2012] 2 Table des matières 1 Master 2, Spécialité
Plus en détailDe la mesure à l analyse des risques
De la mesure à l analyse des risques Séminaire ISFA - B&W Deloitte Jean-Paul LAURENT Professeur à l'isfa, Université Claude Bernard Lyon 1 laurent.jeanpaul@free.fr http://laurent.jeanpaul.free.fr/ 0 De
Plus en détailÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab
ÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab notre compétence d'éditeur à votre service créée en juin 2010, Scilab enterprises propose services et support autour
Plus en détailLa tarification d options
La tarification d options Proposition pour une approche déterministe Pierre Bernhard 1 Stéphane Thiery 2 Marc Deschamps 3 Nous proposons ici une théorie de la tarification d options sur la base d un modèle
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 détailQuantification et hiérarchisation des incertitudes dans un processus de simulation numérique
Proposition de thèse CIFRE CERMICS-EDF Quantification et hiérarchisation des incertitudes dans un processus de simulation numérique 13 Janvier 2015 1 Contexte industriel et problématique En tant qu équipement
Plus en détailNouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires
Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Julien Jorge, Xavier Gandibleux Laboratoire d Informatique de Nantes Atlantique
Plus en détailListe des notes techniques... xxi Liste des encadrés... xxiii Préface à l édition internationale... xxv Préface à l édition francophone...
Liste des notes techniques.................... xxi Liste des encadrés....................... xxiii Préface à l édition internationale.................. xxv Préface à l édition francophone..................
Plus en détailProfesseur de Mathématiques à l Université de Toulouse 1 depuis septembre 2000.
Jean-Paul DÉCAMPS Adresse Professionnelle Toulouse School of Economics (CRM-IDEI) Université de Toulouse 1 Manufacture des Tabacs - Aile J.J Laffont 21, Allée de Brienne Tel.: (33) 05.61.12.85.99 e-mail
Plus en détailformation - conseil eurofins formation La référence Hygiène, Qualité et SÉCURITÉ DES aliments Ensemble, développons les compétences de vos équipes!
formation - conseil eurofins formation La référence Hygiène, Qualité et SÉCURITÉ DES aliments 2014 Ensemble, développons les compétences de vos équipes! 2014 La formation continue : la compétence au service
Plus en détailRenforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.
Master Mathématiques et Applications Spécialité : Ingénierie mathématique et modélisation Parcours : Mathématique et Informatique : Statistique, Signal, Santé (MI3S) 2015-2016 RÉSUMÉ DES COURS : (dernière
Plus en détailRupture et plasticité
Rupture et plasticité Département de Mécanique, Ecole Polytechnique, 2009 2010 Département de Mécanique, Ecole Polytechnique, 2009 2010 25 novembre 2009 1 / 44 Rupture et plasticité : plan du cours Comportements
Plus en détailformations professionnelles fin 2014 / début 2015 hygiène alimentaire en restauration collective audit, conseil et formation professionnelle
audit, conseil et formation professionnelle Stage 1 Bonnes pratiques d hygiène en restauration collective 19 et 26 novembre Stage 2 Règles d hygiène lors du service 3 décembre Stage 3 Le nettoyage et la
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailENSPS 3A ISAV Master ISTI AR. J. Gangloff
Commande prédictive ENSPS 3A ISAV Master ISTI AR J. Gangloff Plan 1.Introduction / Historique 2.Modélisation du système 3.Fonction de coût 4.Équations de prédiction 5.Commande optimale 6.Exemples 7.Réglage
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
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 détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en 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 détailDunod, Paris, 2014 ISBN 978-2-10-059615-7
Illustration de couverture : Federo-istock.com Dunod, Paris, 2014 ISBN 978-2-10-059615-7 1.1 Symétrie du hasard et probabilité uniforme 3 1.2 Loi de probabilité sur un ensemble fini 6 1.3 Probabilité sur
Plus en détailApproche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH
Approche par groupe de gènes pour les données longitudinales d expression génique avec une application dans un essai vaccinal contre le VIH Boris Hejblum 1,2,3 & Rodolphe Thiébaut 1,2,3 1 Inserm, U897
Plus en détailSAS ENTERPRISE MINER POUR L'ACTUAIRE
SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de
Plus en détailScience et technique. La température et la durée de stockage sont des facteurs déterminants. Viande bovine et micro-organisme pathogène
Science et technique Viande bovine et micro-organisme pathogène La température et la durée de stockage sont des facteurs déterminants La contamination des carcasses lors des opérations d abattage et la
Plus en détailMaster d Informatique M1 Université Paris 7 - Denis Diderot Travail de Recherche Encadré Surf Bayesien
Master d Informatique M1 Université Paris 7 - Denis Diderot Travail de Recherche Encadré Surf Bayesien Denis Cousineau Sous la direction de Roberto di Cosmo Juin 2005 1 Table des matières 1 Présentation
Plus en détailDÉMARCHE HACCP RESTAURATION. Guide pour l analyse des dangers. Restauration commerciale Restauration collective à caractère social
DÉMARCHE HACCP EN RESTAURATION Guide pour l analyse des dangers Restauration commerciale Restauration collective à caractère social Ce livre a obtenu un prix dans la catégorie ouvrages professionnels -
Plus en détailPopulation responses to environmental forcing : approaches to model and monitor habitat characteristics
Approche systémique des pêches Boulogne-sur sur-mer 2008 Population responses to environmental forcing : approaches to model and monitor habitat characteristics Pierre Petitgas (1), M. Huret (1), B. Planque
Plus en détailAutomatique Linéaire 1 Travaux Dirigés 1A ISMIN
Automatique Linéaire 1 Travaux Dirigés Travaux dirigés, Automatique linéaire 1 J.M. Dutertre 2014 TD 1 Introduction, modélisation, outils. Exercice 1.1 : Calcul de la réponse d un 2 nd ordre à une rampe
Plus en détailGènes Diffusion - EPIC 2010
Gènes Diffusion - EPIC 2010 1. Contexte. 2. Notion de génétique animale. 3. Profil de l équipe plateforme. 4. Type et gestion des données biologiques. 5. Environnement Matériel et Logiciel. 6. Analyses
Plus en détailPost-processing of multimodel hydrological forecasts for the Baskatong catchment
+ Post-processing of multimodel hydrological forecasts for the Baskatong catchment Fabian Tito Arandia Martinez Marie-Amélie Boucher Jocelyn Gaudet Maria-Helena Ramos + Context n Master degree subject:
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en 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 détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailCarrotAge, un logiciel pour la fouille de données agricoles
CarrotAge, un logiciel pour la fouille de données agricoles F. Le Ber (engees & loria) J.-F. Mari (loria) M. Benoît, C. Mignolet et C. Schott (inra sad) Conférence STIC et Environnement, Rouen, 19-20 juin
Plus en détail