Modèles à Événements Discrets. Réseaux de Petri Stochastiques

Dimension: px
Commencer à balayer dès la page:

Download "Modèles à Événements Discrets. Réseaux de Petri Stochastiques"

Transcription

1 Modèles à Événements Discrets Réseaux de Petri Stochastiques

2 Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés Analyse de Performance 2 Réseaux de Petri Stochastiques Idée generale Types de Réseaux de Petri Stochastiques Graphe d atteignabilité Matrice de transition Indices de performances Exercices () Modèles à Événements Discrets 2 / 36

3 Chaînes de Markov Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés Analyse de Performance 2 Réseaux de Petri Stochastiques Idée generale Types de Réseaux de Petri Stochastiques Graphe d atteignabilité Matrice de transition Indices de performances Exercices () Modèles à Événements Discrets 3 / 36

4 Chaînes de Markov Chaînes de Markov Définition formelle Définition formelle Un processus stochastique {X(t), t 0} forme une chaîne de Markov à temps continu si pour tous les entiers n, et pour n importe quelle séquence t 0, t 1,..., t n, t n+1 telle que t 0 < t 1 <... < t n < t n+1, on a Prob{X(t n+1 ) = x n+1 X(t 0 ) = x 0, X(t 1 ) = x 1,..., X(t n ) = x n } = Prob{X(t n+1 = x n+1 X(t n ) = x n } Probabilités de transition À partir du processus stochastique Prob{X(t n+1 = x n+1 X(t n ) = x n } on peut écrire les probabilités de transition d une chaîne de Markov à temps continu et non-homogène par : p ij (s, t) = Prob{X(t) = j X(s) = i} où X(t) est l état de la chaîne de Markov dans le temps t s () Modèles à Événements Discrets 4 / 36

5 Chaînes de Markov Chaînes de Markov Idée générale Pourquoi étudier ce modèle? Formalisme classique ; Avantage : simplicité et facilité d utilisation ; Problème : quasiment impossible d envisager une modélisation directe pour de grands systèmes. Les propriétés mathématiques facilitent l analyse des performances. Modélisation par des Chaînes de Markov Représentation du système en terme d états/transitions ; La dynamique du système est représentée par une matrice de transition ; Échelles de temps : Temps continu, distribution exponentielle, taux de transition ; Temps discret, distribution géométrique, probabilités de transition. () Modèles à Événements Discrets 5 / 36

6 Chaînes de Markov Chaînes de Markov Idée générale Définition Une chaîne de Markov est une suite de variables aléatoires (X n, n Æ) qui permet de modéliser l évolution discrète et dynamique d un système aléatoire : X n représente l état du système à l instant n. Propriété de Markov La propriété fondamentale des chaînes de Markov, dite propriété de Markov, est que son évolution future ne dépende du passé que au travers de sa valeur actuelle. Autrement dit, (X o,..., X n ) et (X n+k, k Æ) sont indépendants en relation à X n. () Modèles à Événements Discrets 6 / 36

7 Chaînes de Markov Chaînes de Markov Idée générale Représentation graphique a R b S d E c R (reveillé), S (sommeil) et E (endormi) sont des états ; a, b, c et d sont des taux ou probabilités de transition. () Modèles à Événements Discrets 7 / 36

8 Chaînes de Markov Discrete Time Markov Chains Chaînes de Markov à temps discret - DTMC Présentation Dans une chaîne de Markov à temps discret, on observe l état du système dans un ensemble discret du temps. Autrement dit, l intervalle de temps entre chaque observation est constant. Intervalle d observation Un important paramètre dans le DTMC est le choix de l intervalle de temps entre les observations : Un intervalle trop petit ne permet pas d observer des changements d état. Un intervalle trop grand permet de multiples changements d état entre chaque observation. () Modèles à Événements Discrets 8 / 36

9 Chaînes de Markov Discrete Time Markov Chains Chaînes de Markov à temps discret - DTMC Étudiant endormi 0.5 R 0.3 S 0.9 E 0.6 Matrice de transition P =??? P est une matrice stochastique si la somme de chaque ligne est égal 1. () Modèles à Événements Discrets 9 / 36

10 Chaînes de Markov Continuous Time Markov Chains Chaînes de Markov à temps continu - CTMC Présentation Dans une chaîne de Markov à temps continu, le changement d état peut se produire dans n importe quel point dans le temps. Ces points sont aléatoires et pas nécessairement entiers. Intervalle de temps L intervalle de temps entre chaque changement d état suit une variable exponentielle dont le taux dépend uniquement de l état courant du système. () Modèles à Événements Discrets 10 / 36

11 Chaînes de Markov Rappels lois exponentielles Continuous Time Markov Chains X variable aléatoire à valeur dans R 0 Distribution sur R 0 Densité de probabilité : f : R 0 R 0 telle que R 0 f(t)dt = 1 Fonction de répartition : F(x) = P(X x) = x t=0 f(t)dt Propriété sans mémoire On cherche une distribution de probabilité vérifiant la propriété : P(X > s + t X > t) = P(X > s) Solutions de cette équation : les lois exponentielles () Modèles à Événements Discrets 11 / 36

12 Chaînes de Markov Rappels lois exponentielles (2) Continuous Time Markov Chains Lois exponentielles Paramètre λ R >0 Densité de probabilité : f(t) = λe λt Fonction de répartition : F(x) = P(X x) = 1 e λx Densité de probabilité Fonction de répartition Propriétés loi sans mémoire Espérance (valeur moyenne) = 1 λ () Modèles à Événements Discrets 12 / 36

13 Chaînes de Markov Continuous Time Markov Chains Chaînes de Markov à temps continu - CTMC Étudiant endormi 3 R 2 S 6 E 4 Matrice de transition Q =??? () Modèles à Événements Discrets 13 / 36

14 Propriétés Chaînes de Markov Propriétés Irreductibilité état accessible : Un état j est dit accessible à partir d un état i (i j) si à partir de l état i on peut arriver à l état j avec une probabilité non-nulle. état communicant : Un état i est dit communicant avec l état j (i j) si i j et j i. Un ensemble d états C est une classe communicante si tous les états dans C communique avec tous les autres et aucun état dans C communique avec un état en dehors de C. Chaîne de Markov irréductible Une chaîne de Markov est dite irréductible si son espace d états est formé par une seule classe communicante. Autrement dit, s il est possible d atteindre n importe quel état à partir d un état quelconque. () Modèles à Événements Discrets 14 / 36

15 Propriétés Chaînes de Markov Propriétés Periodicité état périodique : Un état i a une période k si tout retour à l état i doit avoir lieu dans un nombre de pas multiple de k (k > 1). état apériodique : Si k = 1, alors l état est dit apériodique. Chaîne de Markov apériodique Une chaîne de Markov est apériodique si tous les états sont aperiodiques. Il suffit d un seul état apériodique pour que tous les états d une chaîne de Markov irréductible soient aperiodiques. () Modèles à Événements Discrets 15 / 36

16 Propriétés Chaînes de Markov Propriétés Récurrence état transitoire : un état i est dit transitoire si, étant donné qu on commence par l état i, il y a une probabilité non-nulle de ne plus jamais retourner à l état i. état récurrent : un état i est récurrent s il n est pas un état transitoire. état absorbant : un état i est dit absorbant s il est impossible de sortir de cet état. () Modèles à Événements Discrets 16 / 36

17 Propriétés Chaînes de Markov Propriétés Ergodicité état ergodique : un état i est dit ergodique s il est apériodique et récurrent. Chaîne de Markov ergodique Une chaîne de Markov est ergodique si elle est apériodique, et si tous ses états sont ergodiques. () Modèles à Événements Discrets 17 / 36

18 Chaînes de Markov Analyse de performance Analyse de Performance Type d analyse Transitoire : évolution du comportement du système (dépendant du temps et de l état initial) ; Stationnaire : comportement moyen du système (independant du temps et de l état initial). L analyse transitoire nous permet d observer l évolution d un système dans le temps à partir d un état initial. Ces systèmes ont tendance à aller vers un comportement stationnaire, indépendant de l état initial et du temps. Évolution du système 1... Probabilité de l état x Régime stationnaire... π[x] t Temps... () Modèles à Événements Discrets 18 / 36

19 Chaînes de Markov Analyse de Performance Analyse de performance : cas ergodique On considère des chaînes de Markov ergodiques Discrete Time Markov Chain On note Q la matrice de transition. Le comportement en régime stationnaire est caractérisé par une distribution de probabilités π, vecteur de taille n (nb d états de la chaîne de Markov), vérifiant : i π i = 1 π.q = π Continuous Time Markov Chain On note Q la matrice de transition. Le comportement en régime stationnaire est caractérisé par une distribution de probabilités π, vecteur de taille n (nb d états de la chaîne de Markov), vérifiant : i π i = 1 π.q = 0 () Modèles à Événements Discrets 19 / 36

20 Chaînes de Markov Exercice - Chaînes de Markov Analyse de Performance PageRank (simplifié) PageRank est l algorithme d analyse des liens concourant au système de classement des pages Web utilisé par le moteur de recherche Google. Il mesure quantitativement la popularité d une page web. Fonctionnement Le principe de base est d attribuer à chaque page une valeur proportionnelle au nombre de fois que passerait par cette page un utilisateur parcourant le graphe du Web en cliquant aléatoirement, sur un des liens apparaissant sur chaque page. Chaque lien d une page vers une autre correspond à une transition. Chaque page représente un état. () Modèles à Événements Discrets 20 / 36

21 Chaînes de Markov Exercice - Chaînes de Markov Analyse de Performance Exercice Considerez un ensemble de 4 pages web. Chaque page a les liens suivants : Page 1 : 2 et 3 Page 2 : 3 et 4 Page 3 : 1, 2 et 4 Page 4 : 1 et 2 Donnez la chaîne de Markov, la matrice de transition et le PageRank de chaque page. () Modèles à Événements Discrets 21 / 36

22 Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés Analyse de Performance 2 Réseaux de Petri Stochastiques Idée generale Types de Réseaux de Petri Stochastiques Graphe d atteignabilité Matrice de transition Indices de performances Exercices () Modèles à Événements Discrets 22 / 36

23 Réseaux de Petri Stochastiques Idée generale Réseaux de Petri Stochastiques Définition générale Un réseau de Petri stochastique est un réseau de Petri dans lequel les temps de franchissement des transitions sont générés par des variables aléatoires de distributions données quelconques à support dans [0, ). Motivations Permet de modéliser des tâches avec des temps d exécution non determinites Possibilité de prendre en compte des pannes aléatoires... Pourquoi utiliser des RdPS? ils permettent de modéliser et spécifier le comportement du système étudié de valider le modèle d évaluer le modèle (simulation ou calcul numérique) () Modèles à Événements Discrets 23 / 36

24 Réseaux de Petri Stochastiques Types de Réseaux de Petri Stochastiques Differents Réseaux de Petri Stochastiques Cas général Le comportement dynamique d un réseau de Petri stochastique est décrit au travers de processus stochastiques : A chaque transtion t, on associe un processus stochastique {X t (k), k = 1,.., }, où X t (k) est une variable aléatoire correspondant au k me temps de franchissement de la transition t. Independance des variables Les X t (k) pour k = 1,.., sont des distributions identiques et indépendantes. Les séquences {X t (k), k = 1,.., } pour tout t T, sont mutuellement indépendantes. () Modèles à Événements Discrets 24 / 36

25 Réseaux de Petri Stochastiques Types de Réseaux de Petri Stochastiques Réseaux de Petri Stochastiques - Distribution exponentielle Réseaux de Petri Stochastiques / Stochastic Petri Nets (SPN) RdP temporisé dans lequel les temps d exécution des transitions sont représentés par des variables aléatoires de distributions exponentielles. Réseaux de Petri Stochastiques Généralisés / Generalized Stochastic Petri Net (GSPN) RdP dans lequel le franchissement de certaines transitions est immédiat, et les temps d exécution des autres transitions sont représentés par des variables aléatoires de distributions exponentielles. Réseaux de Petri Stochastiques et déterministes / Deterministic and Stochastic Petri Net (SPN) C est une extension des GSPN dans laquelle les temps d exécution des transtions temporisées sont déterministes ou représentés par des variables aléatoires de distributions exponentielles. () Modèles à Événements Discrets 25 / 36

26 Définition formelle Réseaux de Petri Stochastiques Types de Réseaux de Petri Stochastiques Définition Soit SPN = (P, T, Pre, Post, M 0,Λ) un réseau de Petri stochastique où : P est un ensemble fini de places ; T est un ensemble fini de transitions ; Pre et Post sont, respectivement, les matrices d incidence avant et après ; M 0 est le marquage initial ; Λ = (λ 1,..,λ T ) où λ i est le taux associé à la transition t i (paramètre de la loi exponentielle). Rappel : le taux est l inverse de la moyenne des temps de franchissement. () Modèles à Événements Discrets 26 / 36

27 Réseaux de Petri Stochastiques Hypothèses necessaires Types de Réseaux de Petri Stochastiques Hypothèses Les taux associés aux transitions sont indépendants du marquage ; Chaque transition correspond à un serveur unique (pas de transitions multiples au même instant) ; On choisit une politique concurrentielle (pas de reservations de tokens). () Modèles à Événements Discrets 27 / 36

28 RdPS - Exemple Réseaux de Petri Stochastiques Types de Réseaux de Petri Stochastiques Étudiant endormi P 1 t 4 t 2 t 1 Transition Taux t 1 3 t 2 2 t 3 4 t 4 6 P 3 P 2 t 3 () Modèles à Événements Discrets 28 / 36

29 Réseaux de Petri Stochastiques Grafe d atteignabilité Graphe d atteignabilité Propriétés Le graphe d atteignabilité d un SPN est identique à celui du réseau de Petri non temporisé correspondant. Un SPN est isomorphe à une chaîne de Markov à temps continu (CTMC). En particulier, un SPN k-borné est isomorphe à une CTMC finie. Construction de la CTMC Le graphe d atteignabilité, valué par les taux correspondant au franchissement des transitions, définit le générateur d un processus markovien homogéne. La CTMC associée à un RdPS donné est donc obtenue en appliquant les règles suivantes : 1 l espace d états de la CTMC S = {s i }correspond à l ensemble des marquages atteignables à partir de M 0 (i.e. R(M 0 )) du réseau de Petri ; 2 Les taux pour passer de l état s i (correspondant à M i ) à l état s j (M j ) est obtenu en sommant tous les taux de franchissement des transitions qui permettent de passer de M i à M j. () Modèles à Événements Discrets 29 / 36

30 Réseaux de Petri Stochastiques SPN CTMC : exemple Graphe d atteignabilité Étudiant endormi t 1 3 1,0,0 0,1,0 t 2 1,0,0 0,1,0 2 t 4 0,0,1 t 3 6 0,0,1 4 2 étudiants Comment modeliser le comportement de deux étudiants? () Modèles à Événements Discrets 30 / 36

31 Réseaux de Petri Stochastiques Matrice de transition Matrice de transition Matrice de transition Q La matrice de transition Q (appelée aussi générateur du processus markovien) est obtenue ainsi : { k/t q ij = k E j (M i ) λ k si i j q i si i = j où q i = k/t k E(M i ) λ k E(M i ) : ensemble des transitions franchissables à partir du marquage M i E j (M i ) : ensemble des transitions de E(M i ) permettant d obtenir M j Construisez la matrice de transition de l exemple précédent pour 2 étudiants. () Modèles à Événements Discrets 31 / 36

32 Réseaux de Petri Stochastiques Indices de performances Indices de performances Temps de séjour Le temps de séjour suit une loi exponentielle de taux q i (la somme des taux de toutes les transitions possibles). On a donc : La probabilité de franchir en premier t j E(M i ) à partir de M i est égal à λ j q i Le temps de séjour moyen dans la marquage M i est égal à 1 q i Probabilités en régime stationnaire La distribution de probabilité des états d un SPN en régime stationnaire est représentée par un vecteur π = (π 1,..,π s ) = (π(m 1 ),..,π(m s )) de dimension s, où s correspond au nombre de marquages du SPN. Si le SPN est ergodique, π est obtenu en résolvant le système suivant : { πq = 0 s i=1 π i = 1 () Modèles à Événements Discrets 32 / 36

33 Réseaux de Petri Stochastiques Indices de performances Indices de performances Fonction indice On peut associer à chaque marquage une fonction indice (ou récompense) r(m). Cette fonction associe le marquage à la probabilité d état correspondant au marquage. L indice moyen est defini par : R = i/m i R(M 0 ) r(m i )π i Probabilité d une condition particulière Si γ(m) est vraie uniquement dans certains marquages du SPN, on peut définir une fonction indice tel que : { 1 si γ(m) est vraie r(m) = 0 sinon on définit alors : P(γ) = i M i A π i = R où A = {M i R(M 0 ) γ(m i )vraie} () Modèles à Événements Discrets 33 / 36

34 Réseaux de Petri Stochastiques Indices de performances Indices de performances Nombre moyen de jetons Pour calculer le nombre moyen de jetons, on définit la fonction indice tel que : r(m) = n ssi M(P i ) = n On obtient ainsi : E(M(P i )) = np{a(i, n)} où A(i, n) = {M j R(M 0 )/M j (P i ) = n} n>0 Nombre moyen de franchissement Le nombre moyen de franchissement par unité de temps pour une transition t i est défini par : F i = j M j A i λ i q j π j où A i = {M j R(M 0 ) t i E(M j )} () Modèles à Événements Discrets 34 / 36

35 Réseaux de Petri Stochastiques Exercices Ordinateur à memoire partagée Problème Considérez un ordinateur avec 4 processeurs et une seule mémoire partagée entre ces processeurs. Chaque processeur peut être dans les états suivants : Calcul, Attente et Memoire. A chaque fois que le calcul se termine, le processeur passe à l état d attente pour pouvoir accéder à la mémoire et récupérer de nouvelles données. Un seul processeur peut accéder à la mémoire à la fois. Lorqu il a les nouvelles données, il reprend le calcul. Considérez les taux suivants : Transition Taux C -> A 5 A -> M 10 M -> C 5 Quelle est la probabilité qu un seul processeur soit dans l état d attente? Combien de processeurs peut-on mettre dans cet ordinateur sans perdre de performances? () Modèles à Événements Discrets 35 / 36

36 Test de logiciel Réseaux de Petri Stochastiques Exercices Problème Imaginez un logiciel pour lire et convertir de la musique MP3. L interface du logiciel est composée de trois boutons : Ouverture, lecture et conversion. L utilisateur ne peut pas commencer la lecture ou la conversion avant d ouvrir le fichier. Toutefois, il peut ouvrir un nouveau fichier lorsqu il est en train de lire ou de convertir un fichier. Chaque boutons déclenche une fonction différente du logiciel. Nous voulons tester exhaustivement chacune des trois fonction du logiciel, mais nous n avons que la possibilité d en tester deux. Quelles sont les fonctions plus utilisées? () Modèles à Événements Discrets 36 / 36

Processus aléatoires avec application en finance

Processus aléatoires avec application en finance Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et

Plus en détail

Outils logiciels pour la combinaison de vérification fonctionnelle et d évaluation de performances au sein de CADP

Outils logiciels pour la combinaison de vérification fonctionnelle et d évaluation de performances au sein de CADP Outils logiciels pour la combinaison de vérification fonctionnelle et d évaluation de performances au sein de CADP Christophe Joubert Séminaire VASY 2002 30 Octobre 2002 Aix les Bains Contexte du projet

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation aléatoire en fiabilité des logiciels collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.

Plus en détail

Contents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes

Contents. 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 détail

Introduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr

Introduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux

Plus en détail

Module 7: Chaînes de Markov à temps continu

Module 7: Chaînes de Markov à temps continu Module 7: Chaînes de Markov à temps continu Patrick Thiran 1 Introduction aux chaînes de Markov à temps continu 1.1 (Première) définition Ce module est consacré aux processus à temps continu {X(t), t R

Plus en détail

Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche

Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines

Plus en détail

Chapitre 3. Mesures stationnaires. et théorèmes de convergence

Chapitre 3. Mesures stationnaires. et théorèmes de convergence Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée

Plus en détail

14. Introduction aux files d attente

14. Introduction aux files d attente 14. Introduction aux files d attente MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: Files d attente 1/24 Plan 1. Introduction 2. Modèle M/M/1 3. Modèle M/M/1/K MTH2302D: Files

Plus en détail

Lagrange, où λ 1 est pour la contrainte sur µ p ).

Lagrange, où λ 1 est pour la contrainte sur µ p ). Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i

Plus en détail

Algorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication. Philippe Robert INRIA Paris-Rocquencourt

Algorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication. Philippe Robert INRIA Paris-Rocquencourt Algorithmes de Transmission et de Recherche de l Information dans les Réseaux de Communication Philippe Robert INRIA Paris-Rocquencourt Le 2 juin 2010 Présentation Directeur de recherche à l INRIA Institut

Plus en détail

Chaînes de Markov au lycée

Chaînes de Markov au lycée Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat

Plus en détail

Recherche et Diffusion de l Information dans les Réseaux. Philippe Robert. Le 8 avril 2014

Recherche et Diffusion de l Information dans les Réseaux. Philippe Robert. Le 8 avril 2014 Recherche et Diffusion de l Information dans les Réseaux Philippe Robert Le 8 avril 2014 Présentation Présentation Directeur de recherche à l INRIA Responsable de l équipe de recherche Réseaux, Algorithmes

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo

Plus en détail

Correction du baccalauréat ES/L Métropole 20 juin 2014

Correction 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 détail

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.

Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. 14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,

Plus en détail

TSTI 2D CH X : Exemples de lois à densité 1

TSTI 2D CH X : Exemples de lois à densité 1 TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun

Plus en détail

TP N 57. Déploiement et renouvellement d une constellation de satellites

TP N 57. Déploiement et renouvellement d une constellation de satellites TP N 57 Déploiement et renouvellement d une constellation de satellites L objet de ce TP est d optimiser la stratégie de déploiement et de renouvellement d une constellation de satellites ainsi que les

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 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 détail

Programmes des classes préparatoires aux Grandes Ecoles

Programmes 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 détail

4.2 Unités d enseignement du M1

4.2 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 détail

Table des matières. I Mise à niveau 11. Préface

Table 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 détail

Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT

Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,

Plus en détail

Web Science. Master 1 IFI. Andrea G. B. Tettamanzi. Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.

Web Science. Master 1 IFI. Andrea G. B. Tettamanzi. Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice. Web Science Master 1 IFI Andrea G. B. Tettamanzi Université de Nice Sophia Antipolis Département Informatique andrea.tettamanzi@unice.fr 1 Annonce : recherche apprenti Projet Géo-Incertitude Objectifs

Plus en détail

Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation

Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,

Plus en détail

Annexe 6. Notions d ordonnancement.

Annexe 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 détail

C est quoi le SWAT? Les équipes décrites par James Martin s appellent SWAT : Skilled With Advanced Tools.

C est quoi le SWAT? Les équipes décrites par James Martin s appellent SWAT : Skilled With Advanced Tools. 1- RAD Quelle sont les avantages que apporte la méthode RAD à l entreprise? Une méthode RAD devrait, d après son auteur, apporter trois avantages compétitifs à l entreprise : Une rapidité de développement

Plus en détail

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.

Calcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. 1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le

Plus en détail

Processus Stochastiques

Processus Stochastiques Processus Stochastiques Olivier Scaillet University of Geneva and Swiss Finance Institute Outline 1 Introduction 2 Chaînes de Markov 3 Application en assurance 4 Application en nance Processus Stochastique

Plus en détail

Équation de Langevin avec petites perturbations browniennes ou

Équation de Langevin avec petites perturbations browniennes ou Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,

Plus en détail

Probabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1

Probabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1 Introduction Probabilités stationnaires d une chaîne de Markov sur TI-nspire Louis Parent, ing., MBA École de technologie supérieure, Montréal, Québec 1 L auteur remercie Mme Sylvie Gervais, Ph.D., maître

Plus en détail

L E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun

L E Ç O N. Marches aléatoires. Niveau : Terminale S Prérequis : aucun 9 L E Ç O N Marches aléatoires Niveau : Terminale S Prérequis : aucun 1 Chaînes de Markov Définition 9.1 Chaîne de Markov I Une chaîne de Markov est une suite de variables aléatoires (X n, n N) qui permet

Plus en détail

Mouad Ben Mamoun Master Offshoring Informatique Appliquée

Mouad Ben Mamoun Master Offshoring Informatique Appliquée Cours Evaluation de performances des Systèmes Informatiques Mouad Ben Mamoun Master Offshoring Informatique Appliquée Département d Informatique, Université Mohammed V-Agdal email:ben mamoun@fsr.ac.ma

Plus en détail

Variables Aléatoires. Chapitre 2

Variables Aléatoires. Chapitre 2 Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,

Plus en détail

Baccalauréat ES/L Amérique du Sud 21 novembre 2013

Baccalauréat 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 détail

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)

CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures) CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un

Plus en détail

Capacité d un canal Second Théorème de Shannon. Théorie de l information 1/34

Capacité d un canal Second Théorème de Shannon. Théorie de l information 1/34 Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte Agrégation limitée par diffusion interne Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse

Plus en détail

chargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d

chargement 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 détail

4 Distributions particulières de probabilités

4 Distributions particulières de probabilités 4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli

Plus en détail

MODELES DE DUREE DE VIE

MODELES 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 détail

Objectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)

Objectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2) Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter

Plus en détail

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois

Plus en détail

Moments des variables aléatoires réelles

Moments des variables aléatoires réelles Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................

Plus en détail

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/

Souad 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 détail

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer

Plus en détail

Probabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12

Probabilités. Rappel : trois exemples. Exemple 2 : On dispose d un dé truqué. On sait que : p(1) = p(2) =1/6 ; p(3) = 1/3 p(4) = p(5) =1/12 Probabilités. I - Rappel : trois exemples. Exemple 1 : Dans une classe de 25 élèves, il y a 16 filles. Tous les élèves sont blonds ou bruns. Parmi les filles, 6 sont blondes. Parmi les garçons, 3 sont

Plus en détail

Statistiques Descriptives à une dimension

Statistiques Descriptives à une dimension I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des

Plus en détail

aux différences est appelé équation aux différences d ordre n en forme normale.

aux différences est appelé équation aux différences d ordre n en forme normale. MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire

Plus en détail

Rappels sur les suites - Algorithme

Rappels sur les suites - Algorithme DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................

Plus en détail

La 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? 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 détail

Modélisation et simulation du trafic. Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005

Modélisation et simulation du trafic. Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005 Modélisation et simulation du trafic Christine BUISSON (LICIT) Journée Simulation dynamique du trafic routier ENPC, 9 Mars 2005 Plan de la présentation! Introduction : modèles et simulations définition

Plus en détail

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options

TP1 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 détail

Cours d Analyse. Fonctions de plusieurs variables

Cours d Analyse. Fonctions de plusieurs variables Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........

Plus en détail

CarrotAge, un logiciel pour la fouille de données agricoles

CarrotAge, 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

Correction de l examen de la première session

Correction de l examen de la première session de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi

Plus en détail

3. Conditionnement P (B)

3. Conditionnement P (B) Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte

Plus en détail

Élasticité des applications à base de services dans le Cloud

Élasticité des applications à base de services dans le Cloud 1/40 Élasticité des applications à base de services dans le Cloud Mourad Amziani 12 Tarek Melliti 1 Samir Tata 2 1 IBISC, EA4526, Université d'évry Val-d'Essonne, Évry, France 2 UMR CNRS Samovar, Institut

Plus en détail

Gestion du niveau de la franchise d un contrat avec bonus-malus. Pierre THEROND & Stéphane BONCHE

Gestion du niveau de la franchise d un contrat avec bonus-malus. Pierre THEROND & Stéphane BONCHE Gestion du niveau de la franchise d un contrat avec bonus-malus Pierre THEROND & Stéphane BONCHE SOMMAIRE 1. Réduction de franchise en l absence de système bonus-malus A - Bonnes propriétés du modèle collectif

Plus en détail

Programmation linéaire

Programmation 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 détail

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes

Probabilités et Statistiques. Feuille 2 : variables aléatoires discrètes IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de

Plus en détail

Théorèmes de Point Fixe et Applications 1

Théorèmes de Point Fixe et Applications 1 Théorèmes de Point Fixe et Applications 1 Victor Ginsburgh Université Libre de Bruxelles et CORE, Louvain-la-Neuve Janvier 1999 Published in C. Jessua, C. Labrousse et D. Vitry, eds., Dictionnaire des

Plus en détail

NOTE SUR LA MODELISATION DU RISQUE D INFLATION

NOTE 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 détail

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé

Baccalauréat 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 détail

Maîtrise universitaire ès sciences en mathématiques 2012-2013

Maîtrise universitaire ès sciences en mathématiques 2012-2013 1 / 6 Remarques liminaires : Ce master à (3 semestres) permet 2 orientations distinctes : - Un master général : "Mathématiques, Systèmes dynamiques et phénomènes d'évolution" - Un master qui permet de

Plus en détail

Enjeux mathématiques et Statistiques du Big Data

Enjeux mathématiques et Statistiques du Big Data Enjeux mathématiques et Statistiques du Big Data Mathilde Mougeot LPMA/Université Paris Diderot, mathilde.mougeot@univ-paris-diderot.fr Mathématique en Mouvements, Paris, IHP, 6 Juin 2015 M. Mougeot (Paris

Plus en détail

M2 IAD UE MODE Notes de cours (3)

M2 IAD UE MODE Notes de cours (3) M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de

Plus en détail

Canevas théoriques du projet sur le poker Partie A

Canevas théoriques du projet sur le poker Partie A Partie A Dans une partie de poker, particulièrement au Texas Hold em Limit, il est possible d effectuer certains calculs permettant de prendre la meilleure décision. Quelques-uns de ces calculs sont basés

Plus en détail

TESTS 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 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 détail

Annexe commune aux séries ES, L et S : boîtes et quantiles

Annexe 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 détail

Le modèle de Black et Scholes

Le modèle de Black et Scholes Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un

Plus en détail

Modélisation et Simulation

Modélisation et Simulation Cours de modélisation et simulation p. 1/64 Modélisation et Simulation G. Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Cours de modélisation et simulation

Plus en détail

Resolution limit in community detection

Resolution limit in community detection Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.

Plus en détail

Coup de Projecteur sur les Réseaux de Neurones

Coup 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 détail

Thèse. présentée en vu d obtenir le grade de Docteur, spécialité «Mathématiques Appliquées» par. ARRAR Nawel Khadidja

Thèse. présentée en vu d obtenir le grade de Docteur, spécialité «Mathématiques Appliquées» par. ARRAR Nawel Khadidja Université Badji Mokhtar-Annaba, Algérie Université Paris 1, Panthéon-Sorbonne, France Ecole Doctorale Sciences Mathématiques de Paris centre Laboratoire LaPS et LANOS, Annaba Laboratoire SAMM, Paris 1

Plus en détail

Jean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux

Jean-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 détail

Exo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.

Exo7. Matrice d une application linéaire. Corrections d Arnaud Bodin. Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).

Plus en détail

Projet de Traitement du Signal Segmentation d images SAR

Projet de Traitement du Signal Segmentation d images SAR Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,

Plus en détail

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante

Plus en détail

Asynchronisme : Cadres continu et discret

Asynchronisme : Cadres continu et discret N d ordre : 151 Année 2006 HABILITATION À DIRIGER DES RECHERCHES UNIVERSITÉ DE FRANCHE-COMTÉ Spécialité Informatique présentée par Sylvain CONTASSOT-VIVIER Docteur en Informatique Sujet Asynchronisme :

Plus en détail

Chapitre 5 : Flot maximal dans un graphe

Chapitre 5 : Flot maximal dans un graphe Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d

Plus en détail

Model checking temporisé

Model checking temporisé Model checking temporisé Béatrice Bérard LAMSADE Université Paris-Dauphine & CNRS berard@lamsade.dauphine.fr ETR 07, 5 septembre 2007 1/44 Nécessité de vérifier des systèmes... 2/44 Nécessité de vérifier

Plus en détail

Communications numériques

Communications numériques Communications numériques 1. Modulation numérique (a) message numérique/signal numérique (b) transmission binaire/m-aire en bande de base (c) modulation sur fréquence porteuse (d) paramètres, limite fondamentale

Plus en détail

Qu est-ce qu une probabilité?

Qu 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 détail

Ordonnancement temps réel

Ordonnancement temps réel Ordonnancement temps réel Laurent.Pautet@enst.fr Version 1.5 Problématique de l ordonnancement temps réel En fonctionnement normal, respecter les contraintes temporelles spécifiées par toutes les tâches

Plus en détail

Cours de Génie Logiciel

Cours de Génie Logiciel Cours de Génie Logiciel Sciences-U Lyon Diagrammes UML (2) http://www.rzo.free.fr Pierre PARREND 1 Avril 2005 Sommaire Les Diagrammes UML Diagrammes de Collaboration Diagrammes d'etats-transitions Diagrammes

Plus en détail

Fonctions de plusieurs variables

Fonctions 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 détail

Filtrage stochastique non linéaire par la théorie de représentation des martingales

Filtrage stochastique non linéaire par la théorie de représentation des martingales Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de

Plus en détail

0DWKpPDWLTXHVGHO DUJHQW. édité par Mr. G.Moumoulidis (OTE)

0DWKpPDWLTXHVGHO DUJHQW. édité par Mr. G.Moumoulidis (OTE) 3/$,78'RF) 0DWKpPDWTXHVGHO DUJHQW HW OHVpWXGHVWHFKQTXHVpFRQRPTXHV édité par Mr. G.Moumoulidis (OTE) 8,2,7(5$7,2$/('(67(/(&2008,&$7,26,7(5$7,2$/7(/(&2008,&$7,28,2 8,2,7(5$&,2$/'(7(/(&208,&$&,2(6 - - 0DWKpPDWTXHVGHO

Plus en détail

a et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe le nombre ax + b

a et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe le nombre ax + b I Définition d une fonction affine Faire l activité 1 «une nouvelle fonction» 1. définition générale a et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe

Plus en détail

Température corporelle d un castor (une petite introduction aux séries temporelles)

Température corporelle d un castor (une petite introduction aux séries temporelles) Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature

Plus en détail

Chapitre 0 Introduction à la cinématique

Chapitre 0 Introduction à la cinématique Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à

Plus en détail

Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR

Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR Reconstruction de bâtiments en 3D à partir de nuages de points LIDAR Mickaël Bergem 25 juin 2014 Maillages et applications 1 Table des matières Introduction 3 1 La modélisation numérique de milieux urbains

Plus en détail

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes. Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de

Plus en détail

Manuel d utilisation 26 juin 2011. 1 Tâche à effectuer : écrire un algorithme 2

Manuel d utilisation 26 juin 2011. 1 Tâche à effectuer : écrire un algorithme 2 éducalgo Manuel d utilisation 26 juin 2011 Table des matières 1 Tâche à effectuer : écrire un algorithme 2 2 Comment écrire un algorithme? 3 2.1 Avec quoi écrit-on? Avec les boutons d écriture........

Plus en détail

PRÉCIS DE SIMULATION

PRÉCIS DE SIMULATION PRÉCIS DE SIMULATION P. Del Moral Centre INRIA Bordeaux Sud-Ouest & Institut de Mathématiques de Bordeaux Université Bordeaux I, 351, cours de la Libération 33405 Talence, France Table des matières 1

Plus en détail

F7n COUP DE BOURSE, NOMBRE DÉRIVÉ

F7n COUP DE BOURSE, NOMBRE DÉRIVÉ Auteur : S.& S. Etienne F7n COUP DE BOURSE, NOMBRE DÉRIVÉ TI-Nspire CAS Mots-clés : représentation graphique, fonction dérivée, nombre dérivé, pente, tableau de valeurs, maximum, minimum. Fichiers associés

Plus en détail

FIMA, 7 juillet 2005

FIMA, 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 détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat 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 détail

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

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques

Plus en détail