Modélisation stochastique et analyse de données
|
|
- Marie-Noëlle Paradis
- il y a 8 ans
- Total affichages :
Transcription
1 Modélisation stochastique et analyse de données Formation FIL - Année 1 Régression par la méthode des moindres carrés 2011/2012 Tony Bourdier Modélisation stochastique et analyse de données 1 / 25
2 Plan 1 Comprendre le problème et savoir modéliser 2 Savoir résoudre et appliquer Modélisation stochastique et analyse de données 2 / 25
3 Le principe de la régression variables explicatives = facteurs variable expliquée = réponse v 1 v 2 f? b v n Modélisation stochastique et analyse de données 3 / 25
4 Le principe de la régression Le principe de la régression variables explicatives = facteurs variable expliquée = réponse v 1 v 2 f? b v n Variables explicatives : données que l on peut toujours mesurer / obtenir Modélisation stochastique et analyse de données 4 / 5 âge, taille, masse, temps, pression, abscisse, Modélisation stochastique et analyse de données 4 / 25
5 Le principe de la régression Le principe de la régression variables explicatives = facteurs variable expliquée = réponse v 1 v 2 f? b v n Variable expliquée : donnée que l on souhaite calculer à partir des variables explicatives parce que Modélisation stochastique et analyse de données 4 / 5 l on ne peut pas toujours ou difficilement la mesurer p = 2πr rayon r facilement mesurable périmètre plus difficilement! Modélisation stochastique et analyse de données 4 / 25
6 Le principe de la régression Le principe de la régression variables explicatives = facteurs variable expliquée = réponse v 1 v 2 f? b v n Variable expliquée : donnée que l on souhaite calculer à partir des variables explicatives parce que Modélisation stochastique et analyse de données 4 / 5 l on ne peut en obtenir que des mesures imprécises / «bruitées» On a obtenu des données par mesure «physique» entachées de «bruit» on souhaite «corriger» les données On parle d «ajustement» Modélisation stochastique et analyse de données 4 / 25
7 Le principe de la régression Le principe de la régression variables explicatives = facteurs variable expliquée = réponse v 1 v 2 f? b v n Variable expliquée : donnée que l on souhaite calculer à partir des variables explicatives parce que Modélisation stochastique et analyse de données 4 / 5 l on peut la mesurer dans certaines conditions et l on souhaiterait pouvoir l estimer dans d autres conditions Une donnée évoluant au cours du temps t on peut la mesurer si t current_time (à moins d être devin) on veut connaître sa valeur pour t > current_time On parle de «prédiction» Modélisation stochastique et analyse de données 4 / 25
8 Le principe de la régression Le principe de la régression variables explicatives = facteurs variable expliquée = réponse v 1 v 2 f? b v n Variable expliquée : donnée que l on souhaite calculer à partir des variables explicatives parce que Modélisation stochastique et analyse de données 4 / 5 l on veut établir sa dépendance avec les variables explicatives Production, travail et capital : Cobb et Douglas affirment que la production P dépend du capital K (valeur des usines, ) et du travail fourni T selon la relation suivante : P = f (K, T ) = a 1 K a2 T a3 Modélisation stochastique et analyse de données 4 / 25
9 Applications Compression de données Modélisation stochastique et analyse de données 5 / 25
10 Applications Compression de données Données manquantes dans les BDD Modélisation stochastique et analyse de données 5 / 25
11 Applications Compression de données Données manquantes dans les BDD Estimation des préférences des utilisateurs Modélisation stochastique et analyse de données 5 / 25
12 Applications Compression de données Données manquantes dans les BDD Estimation des préférences des utilisateurs Détection d intrusion / de virus Modélisation stochastique et analyse de données 5 / 25
13 Applications c Bruno Levy (2007) Compression de données Données manquantes dans les BDD Estimation des préférences des utilisateurs Détection d intrusion / de virus Plaquage de texture Modélisation stochastique et analyse de données 5 / 25
14 Le principe de la régression variables explicatives = facteurs variable expliquée = réponse v 1 v 2 f? b v n Modélisation stochastique et analyse de données 6 / 25
15 Le principe de la régression variables mesurées variables explicatives = facteurs modèle variable expliquée = réponse v 1 v 2 m 1 m k f? b v n Modélisation stochastique et analyse de données 7 / 25
16 Modèle Modèle = fonction caractérisée par : des variables explicatives des paramètres faisant apparaître une variable d erreur y = f (x) = 3 i=1 α ix i + ε = α 1 x + α 2 x 2 + α 3 x } {{ } 3 +ε ŷ p = f (k, t) = mk } {{ α t β } +ε ˆp q = f (t) = λe } {{ t/τ } +ε y = f (t) = acos (2πt/T ) +ε } {{ } ŷ ˆq Modélisation stochastique et analyse de données 8 / 25
17 Modèle Modèle = fonction caractérisée par : des variables explicatives des paramètres faisant apparaître une variable d erreur y = f (x) = 3 i=1 α ix i + ε = α 1 x + α 2 x 2 + α 3 x } {{ } 3 +ε ŷ p = f (k, t) = mk } {{ α t β } +ε ˆp q = f (t) = λe } {{ t/τ } +ε y = f (t) = acos (2πt/T ) +ε } {{ } ŷ ˆq Pour chaque modèle, identifiez les variables mesurées, explicatives et la variable expliquée Modélisation stochastique et analyse de données 8 / 25
18 Régression linéaire variables mesurées variables explicatives paramètres erreur variable expliquée v 1 a 1? m 1 m k v 2? a 2 v n? a n +ε b Modélisation stochastique et analyse de données 9 / 25
19 Modèle linéaire Modèle linéaire = fonction caractérisée par : des variables explicatives des paramètres faisant apparaître une variable d erreur linéaire en ses paramètres y = f (x) = 3 i=0 α ix i + ε = α 0 + α 1 x + α 2 x } {{ } 2 +ε ( t ( t y = f (t) = a + bcos + csin +ε } 2) {{ 2) } ŷ ŷ Modélisation stochastique et analyse de données 10 / 25
20 Modèle linéaire Modèle linéaire = fonction caractérisée par : des variables explicatives des paramètres faisant apparaître une variable d erreur linéaire en ses paramètres y = f (x) = 3 i=0 α ix i + ε = α 0 + α 1 x + α 2 x } {{ } 2 +ε ( t ( t y = f (t) = a + bcos + csin +ε } 2) {{ 2) } ŷ Pour chaque modèle, identifiez les variables mesurées, explicatives et la variable expliquée ŷ Modélisation stochastique et analyse de données 10 / 25
21 Régression linéaire ( t Modèle : y = f (t) = a + bcos 2) variable mesurée variables explicatives ( t + csin +ε 2) } {{ } ŷ paramètres variable expliquée 1 a? t cos( t 2 ) b? +ε y sin( t 2 ) c? Modélisation stochastique et analyse de données 11 / 25
22 Régression Objectif : On souhaite établir une relation entre une variable (dite expliquée) et d autres variables (dites explicatives) Le principe : 1 On propose une forme de relation (le modèle) qui comporte des inconnues (les paramètres) 2 On cherche les valeurs optimales 1 des paramètres : On prend un échantillon (des variables explicatives et expliquée) On estime les paramètres à partir de cet échantillon 2 1 selon un certain critère 2 la méthode d estimation dépend du critère d optimalité choisi Modélisation stochastique et analyse de données 12 / 25
23 Régression 1 On propose une forme de relation (le modèle) qui comporte des inconnues (les paramètres) Exemple : y = f (t) = a + bcos ( t 2) + csin ( t 2) + ε 2 On prend un échantillon (des variables explicatives et expliquée) mesures calcul des calcul de la var explicatives var expliquée mesure 1 (t 1, y 1 ) 1 cos (t 1 /2) sin (t 1 /2) y 1 mesure 2 (t 2, y 2 ) 1 cos (t 2 /2) sin (t 2 /2) y 2 mesure m (t m, y m ) 1 cos (t m /2) sin (t m /2) y m Modélisation stochastique et analyse de données 13 / 25
24 Forme matricielle Dans le cas linéaire, on exprime le modèle sous forme matricielle à partir de l échantillon : ˆb { }} { mesure 1 v 1,1 v 1,2 v 1,n ε 1 b 1 mesure 2 v 2,1 v 2,2 v 2,n ε 2 b 2 mesure m } v m,1 v m,2 {{ v m,n } A a 1 a n } {{ } x A : matrice des données (variables explicatives) x : vecteur des paramètres ˆb : vecteur réponse estimé par le modèle ε : vecteur des erreurs b : vecteur réponse (variable expliquée) + ε m } {{ } ε = b m } {{ } b Modélisation stochastique et analyse de données 14 / 25
25 Forme matricielle Dans le cas linéaire, on exprime le modèle sous forme matricielle à partir de l échantillon : ˆb { }} { mesure 1 v 1,1 v 1,2 v 1,n ε 1 b 1 mesure 2 v 2,1 v 2,2 v 2,n a 1 ε 2 b 2 mesure m } v m,1 v m,2 {{ v m,n } A A : valeurs données par l échantillon x : valeurs recherchées a n } {{ } x + ˆb : valeurs déduites une fois x déterminé (ˆb = Ax) ε : valeurs déduites une fois x déterminé (ε = b ˆb) b : valeurs données par l échantillon ε m } {{ } ε = b m } {{ } b Modélisation stochastique et analyse de données 14 / 25
26 Forme matricielle Exemple : y = f (t) = a + bcos ( t 2) + csin ( t 2) + ε 1 cos (t 1 /2) sin (t 1 /2) 1 cos (t 2 /2) sin (t 2 /2) 1 cos (t m /2) sin (t m /2) a b c + ε 1 ε 2 ε m = y 1 y 2 y m Modélisation stochastique et analyse de données 15 / 25
27 Forme matricielle Donnez la forme matricielle du problème de regression défini par : le modèle : y = f (x) = a + bx + cx 2 l échantillon suivant : i (x i, y i ) 1 (3, 81) 2 (2, 425) 3 (4, 1415) 4 (5, 2205) 5 (9, 735) 6 (7, 4385) 7 (1, 19) Modélisation stochastique et analyse de données 16 / 25
28 Critères Quel critère pour estimer les paramètres? Modélisation stochastique et analyse de données 17 / 25
29 Critères Quel critère pour estimer les paramètres? Solution 1 (Maximum { de vraisemblance) : ε N (0, σ Hypothèses : 2 ) donc b N (ˆb, σ 2) k j, ε k independant de ε j Trouver les a i qui maximisent la probabilité d avoir obtenu l échantillon : max (P(b = b 1 ) P(b = b 2 ) P(b = b m )) Abus de notation : P doit être remplacé par la fonction de densité Modélisation stochastique et analyse de données 17 / 25
30 Critères Solution 2 : Trouver les a i qui minimisent l erreur pour l échantillon considéré : ( m ) min ε 2 = min b ˆb ( 2 = min b k ˆb ) 2 k k=1 Modélisation stochastique et analyse de données 18 / 25
31 Critères Solution 2 (méthode des moindres carrés) : Trouver les a i qui minimisent l erreur pour l échantillon considéré : ( m ) min ε 2 = min b ˆb ( 2 = min b k ˆb ) 2 k k=1 Modélisation stochastique et analyse de données 18 / 25
32 Critères Solution 2 (méthode des moindres carrés) : Trouver les a i qui minimisent l erreur pour l échantillon considéré : ( m ) min ε 2 = min b ˆb ( 2 = min b k ˆb ) 2 k k=1 solution 1 = solution 2!!! Modélisation stochastique et analyse de données 18 / 25
33 Solution On suppose l existence 1 de la fonction suivante : pmc : M m,n R m R n ( A, b ) ˆx tq Aˆx b 2 = min Ax b 2 x Rn ou (informatiquement) : double[] pmc (Matrix A, double[] b); //@ requires AgetRowDimension() == blength //@ ensures AgetColumnDimension() == \resultlength 1 On établira cette fonction lors de la séance suivante Modélisation stochastique et analyse de données 19 / 25
34 Si on dispose de la fonction pmc, alors on n a plus rien à faire Modélisation stochastique et analyse de données 20 / 25
35 Si on dispose de la fonction pmc, alors on n a plus rien à faire Lourdement tu te trompes Bien modéliser le problème tu dois! Modélisation stochastique et analyse de données 20 / 25
36 Si on dispose de la fonction pmc, alors on n a plus rien à faire Lourdement tu te trompes Bien modéliser le problème tu dois! Modéliser? Modélisation stochastique et analyse de données 20 / 25
37 Si on dispose de la fonction pmc, alors on n a plus rien à faire Lourdement tu te trompes Bien modéliser le problème tu dois! Modéliser? Bien identifier la matrice A et le vecteur b il faut Modélisation stochastique et analyse de données 20 / 25
38 Ben a priori si on a toutes les infos, j vois pas l problème Modélisation stochastique et analyse de données 21 / 25
39 Ben a priori si on a toutes les infos, j vois pas l problème Non nécessairement linéaire, le problème d origine est Modélisation stochastique et analyse de données 21 / 25
40 Ben a priori si on a toutes les infos, j vois pas l problème Non nécessairement linéaire, le problème d origine est S il n est pas linéaire, alors on n peut rien faire, si? Modélisation stochastique et analyse de données 21 / 25
41 Ben a priori si on a toutes les infos, j vois pas l problème Non nécessairement linéaire, le problème d origine est S il n est pas linéaire, alors on n peut rien faire, si? Changer de variable(s) pour linéariser le problème souvent tu peux Modélisation stochastique et analyse de données 21 / 25
42 OK, et c est tout? Modélisation stochastique et analyse de données 22 / 25
43 OK, et c est tout? Non De dimension supérieure à 1 la variable expliquée peut être Modélisation stochastique et analyse de données 22 / 25
44 OK, et c est tout? Non De dimension supérieure à 1 la variable expliquée peut être Qu est-ce qu on fait dans ce cas là? Modélisation stochastique et analyse de données 22 / 25
45 OK, et c est tout? Non De dimension supérieure à 1 la variable expliquée peut être Qu est-ce qu on fait dans ce cas là? Compositionnellement ton problème tu définiras Modélisation stochastique et analyse de données 22 / 25
46 Exemples Formulez chacun des problèmes suivants, lorsque cela est possible, sous la forme d un problème de moindre carrés : c-à-d identifier les matrices A et b et explicitez le résultat du problème (en invoquant la fonction pmc) Modélisation stochastique et analyse de données 23 / 25
47 Exemples # Modèle Mesures 1 z = a + bx + cy + ε (x i, y i, z i ) i=1,,m 2 z = a + bx + cy + dx 2 + exy + f y 2 + ε (x i, y i, z i ) i=1,,m 3 p = mk α t β + ε (p i, k i, t i ) i=1,,m 4 z = λe λt + ε (z i, t i ) i=1,,m 5 y ( = acos ) (2πt/T ( ) + ε ) ( ) (y i, t i ) i=1,,m x a + rcos(θ) ε1 6 = + (x y b + rsin(θ) ε i, y i, θ i ) i=1,,m 2 7 v = 2 at 2 + ε (v i, t i ) i=1,,m 2 8 v = 1 + at 2 + ε (v i, t i ) i=1,,m ( ) ( ) ( ) x a + bt ε1 9 = y b + ct 2 + (x ε i, y i, t i ) i=1,,m ( ) ( ) ( 2 ) x a + bt ε1 10 = y ce bt + (x ε i, y i, t i ) i=1,,m ( ) ( ) ( 2 ) x a + bt ε1 11 = y be ct + (x i, y i, t i ) i=1,,m ε 2 Modélisation stochastique et analyse de données 24 / 25
48 Une question? Un doute? Une incertitude? Modélisation stochastique et analyse de données 25 / 25
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 détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en 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 détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détail1 radian. De même, la longueur d un arc de cercle de rayon R et dont l angle au centre a pour mesure α radians est α R. R AB =R.
Angles orientés Trigonométrie I. Préliminaires. Le radian Définition B R AB =R C O radian R A Soit C un cercle de centre O. Dire que l angle géométrique AOB a pour mesure radian signifie que la longueur
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailUne application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies
Une application de méthodes inverses en astrophysique : l'analyse de l'histoire de la formation d'étoiles dans les galaxies Ariane Lançon (Observatoire de Strasbourg) en collaboration avec: Jean-Luc Vergely,
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 détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
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 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 détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailCorrection 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 détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en 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 détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailLE PRODUIT SCALAIRE ( En première S )
LE PRODUIT SCALAIRE ( En première S ) Dernière mise à jour : Jeudi 4 Janvier 007 Vincent OBATON, Enseignant au lycée Stendhal de Grenoble ( Année 006-007 ) 1 Table des matières 1 Grille d autoévaluation
Plus en détailIntroduction à l analyse numérique : exemple du cloud computing
Introduction à l analyse numérique : exemple du cloud computing Tony FEVRIER Aujourd hui! Table des matières 1 Equations aux dérivées partielles et modélisation Equation différentielle et modélisation
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailCorrigé Exercice 1 : BRIDE HYDRAULIQUE AVEC HYPOTHÈSE PROBLÈME PLAN.
TD 6 corrigé - PFS Résolution analytique (Loi entrée-sortie statique) Page 1/1 Corrigé Exercice 1 : BRIDE HYDRAULIQUE AVEC HYPOTHÈSE PROBLÈME PLAN. Question : Réaliser le graphe de structure, puis compléter
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 détailCHAPITRE IV Oscillations libres des systèmes à plusieurs degrés de liberté
CHAPITE IV Oscillations ibres des Systèmes à plusieurs derés de liberté 010-011 CHAPITE IV Oscillations libres des systèmes à plusieurs derés de liberté Introduction : Dans ce chapitre, nous examinons
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailMESURE ET PRECISION. Il est clair que si le voltmètre mesure bien la tension U aux bornes de R, l ampèremètre, lui, mesure. R mes. mes. .
MESURE ET PRECISIO La détermination de la valeur d une grandeur G à partir des mesures expérimentales de grandeurs a et b dont elle dépend n a vraiment de sens que si elle est accompagnée de la précision
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailChapitre 2. Matrices
Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce
Plus en détailINTRODUCTION. Pour réaliser une pièce sur Charlyrobot, il faut le faire en trois étapes :
Charly Graal est un logiciel de CFAO INTRODUCTION (Conception Fabrication Assistée par Ordinateur) Il intègre 3 applications : Gcao : Graal Conception Assistée par Ordinateur Gfao : Graal Fabrication Assistée
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailPour l épreuve d algèbre, les calculatrices sont interdites.
Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.
Plus en détailChapitre 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 détailChapitre 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 détailCapacité 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 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 détailDocument d accompagnement. de la 1 re à la 8 e année. Exemples de tâches et corrigés. 1 re année Tâche 1... 5 Corrigé... 7 Tâche 2... 8 Corrigé...
Normes de performance de la Colombie-Britannique Document d accompagnement Mathématiques de la 1 re à la 8 e année Exemples de tâches et corrigés 1 re année Tâche 1... 5 Corrigé... 7 Tâche 2... 8 Corrigé...
Plus en détailEnoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé.
Enoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé. I- ACTIVITES NUMERIQUES (12 points) Exercice 1 (3 points) On considère
Plus en détailLa carte de mon réseau social
La carte de mon réseau social Avant de commencer Un réseau social, c est quoi? Dans ta vie, tu es entouré de plusieurs personnes. Certaines personnes sont très proches de toi, d autres le sont moins. Toutes
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 détailChapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique :
Chapitre Chapitre. Séries de Fourier Nous supposons connues les formules donnant les coefficients de Fourier d une fonction - périodique : c c a0 f x dx c an f xcosnxdx c c bn f xsinn x dx c L objet de
Plus en détailAlgorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
Plus en détailTOUT CE QU IL FAUT SAVOIR POUR LE BREVET
TOUT E QU IL FUT SVOIR POUR LE REVET NUMERIQUE / FONTIONS eci n est qu un rappel de tout ce qu il faut savoir en maths pour le brevet. I- Opérations sur les nombres et les fractions : Les priorités par
Plus en détailNOMBRES COMPLEXES. Exercice 1 :
Exercice 1 : NOMBRES COMPLEXES On donne θ 0 un réel tel que : cos(θ 0 ) 5 et sin(θ 0 ) 1 5. Calculer le module et l'argument de chacun des nombres complexes suivants (en fonction de θ 0 ) : a i( )( )(1
Plus en détailCalcul intégral élémentaire en plusieurs variables
Calcul intégral élémentaire en plusieurs variables PC*2 2 septembre 2009 Avant-propos À part le théorème de Fubini qui sera démontré dans le cours sur les intégrales à paramètres et qui ne semble pas explicitement
Plus en détailCalculer avec Sage. Revision : 417 du 1 er juillet 2010
Calculer avec Sage Alexandre Casamayou Guillaume Connan Thierry Dumont Laurent Fousse François Maltey Matthias Meulien Marc Mezzarobba Clément Pernet Nicolas Thiéry Paul Zimmermann Revision : 417 du 1
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
Plus en détailFonctions de plusieurs variables
Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les
Plus en détailTempérature 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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailRO04/TI07 - Optimisation non-linéaire
RO04/TI07 - Optimisation non-linéaire Stéphane Mottelet Université de Technologie de Compiègne Printemps 2003 I Motivations et notions fondamentales 4 I1 Motivations 5 I2 Formes quadratiques 13 I3 Rappels
Plus en détailBiostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
Plus en détailTerminale STMG Lycée Jean Vilar 2014/2015. Terminale STMG. O. Lader
Terminale STMG O. Lader Table des matières Interrogation 1 : Indice et taux d évolution........................... 2 Devoir maison 1 : Taux d évolution................................ 4 Devoir maison 1
Plus en détailExercices - Nombres complexes : corrigé. Formes algébriques et trigonométriques, module et argument
Formes algébriques et trigonométriques, module et argument Exercice - - L/Math Sup - On multiplie le dénominateur par sa quantité conjuguée, et on obtient : Z = 4 i 3 + i 3 i 3 = 4 i 3 + 3 = + i 3. Pour
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
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 détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailComment évaluer une banque?
Comment évaluer une banque? L évaluation d une banque est basée sur les mêmes principes généraux que n importe quelle autre entreprise : une banque vaut les flux qu elle est susceptible de rapporter dans
Plus en détailReprésentation géométrique d un nombre complexe
CHAPITRE 1 NOMBRES COMPLEXES 1 Représentation géométrique d un nombre complexe 1. Ensemble des nombres complexes Soit i le nombre tel que i = 1 L ensemble des nombres complexes est l ensemble des nombres
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en 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 détailMes premiers diaporamas avec Open Office Impress?
Mes premiers diaporamas avec Open Office Impress? Courage! Tu vas y arriver 1 Sommaire I. Les bons gestes avant de lancer Open Office (page 3) II. Créer un dossier Open Office. (page 4) III. Les 5 zones
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailC f tracée ci- contre est la représentation graphique d une
TLES1 DEVOIR A LA MAISON N 7 La courbe C f tracée ci- contre est la représentation graphique d une fonction f définie et dérivable sur R. On note f ' la fonction dérivée de f. La tangente T à la courbe
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailDétection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux
Détection en environnement non-gaussien Cas du fouillis de mer et extension aux milieux hétérogènes Laurent Déjean Thales Airborne Systems/ENST-Bretagne Le 20 novembre 2006 Laurent Déjean Détection en
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
Plus en détailCalcul 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 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 détailLes travaux doivent être remis sous forme papier.
Physique mathématique II Calendrier: Date Pondération/note nale Matériel couvert ExercicesSérie 1 : 25 septembre 2014 5% RH&B: Ch. 3 ExercicesSérie 2 : 23 octobre 2014 5% RH&B: Ch. 12-13 Examen 1 : 24
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 détailEtude d un cas industriel : Optimisation de la modélisation de paramètre de production
Revue des Sciences et de la Technologie RST- Volume 4 N 1 /janvier 2013 Etude d un cas industriel : Optimisation de la modélisation de paramètre de production A.F. Bernate Lara 1, F. Entzmann 2, F. Yalaoui
Plus en détailExamen optimisation Centrale Marseille (2008) et SupGalilee (2008)
Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut
Plus en détailExercice 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 détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailThéorie et Codage de l Information (IF01) exercices 2013-2014. Paul Honeine Université de technologie de Troyes France
Théorie et Codage de l Information (IF01) exercices 2013-2014 Paul Honeine Université de technologie de Troyes France TD-1 Rappels de calculs de probabilités Exercice 1. On dispose d un jeu de 52 cartes
Plus en 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 détailEnjeux 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 détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en détailCorrection du bac blanc CFE Mercatique
Correction du bac blanc CFE Mercatique Exercice 1 (4,5 points) Le tableau suivant donne l évolution du nombre de bénéficiaires de minima sociaux en milliers : Année 2002 2003 2004 2005 2006 2007 2008 2009
Plus en détailIncertitudes expérimentales
Incertitudes expérimentales F.-X. Bally et J.-M. Berroir Février 2013 Table des matières Introduction 4 1 Erreur et incertitude 4 1.1 Erreurs............................................. 4 1.1.1 Définition
Plus en détailaux 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 détailCNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité
1 CNAM 2002-2003 2léments de cours Bonus-malus et Crédibilité Une situation fréquente en pratique est de disposer non pas d un résultat mais de plusieurs. Le cas se présente en assurance, par exemple :
Plus en détailINF6304 Interfaces Intelligentes
INF6304 Interfaces Intelligentes filtres collaboratifs 1/42 INF6304 Interfaces Intelligentes Systèmes de recommandations, Approches filtres collaboratifs Michel C. Desmarais Génie informatique et génie
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailAngles orientés et trigonométrie
Chapitre Angles orientés et trigonométrie Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Trigonométrie Cercle trigonométrique. Radian. Mesure d un angle orienté, mesure principale.
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détail