Présentation Slide - Outil d'analyse pour les chaines de Marov à temps discret
-
Upload
nassim-khorchi -
Category
Software
-
view
97 -
download
3
Transcript of Présentation Slide - Outil d'analyse pour les chaines de Marov à temps discret
République Algérienne Démocratique et PopulaireMinistère de l’Enseignement Supérieur et de la Recherche Scientifique
Université des Sciences et de la Technologie Houari BoumedieneFaculté d’Electronique et d’Informatique
Département Informatique
Soutenance du mémoire pour l’obtention du diplôme deLICENCE EN INFORMATIQUE
Option: Ingénierie des Systèmes d’Information et du Logiciel
Un outil d’analyse transitoire pour les chaînes de Markov à temps discret
Présenté par :Mr Youcef ZAHARIOUMr Nassim KHORCHI
Dirigé par : Pr Nawel GHARBI
Devant le Jury :Président de jury : Pr Mohand Cherif BOUKALAExaminateur : Dr Nawel OUROUA
Juin 2016
Introduction
Fondements théoriques
Mise en ouevre
Conclusion
Perspective
Processus stochastiques, Chaîne de Markov à temps discret
Démarche et présentation de l’outil, Résultat
Contexte du projet, Problématique, Hypothèses, Objectifs, Méthodologie
Plan de travail
INTRODUCTION
IntroductionContexte du projet
L’étude de l’évolution des systèmes dans différents domaines, exige beaucoup d’effort, et des fois fini par de mauvais approvisionnement.
Hypothèses Objectifs MéthodologieProblématique
IntroductionContexte du projet
Des modèles formelles mathématique ont été utilisés pour contourner ce problème, nous citons les processus stochastiques markovien
Hypothèses Objectifs MéthodologieProblématique
IntroductionContexte du projet Hypothèses Objectifs MéthodologieProblématique
Face à cette situation, la problématique suivante se pose :
• Comment peut-t on modéliser des situations réelles par des processus stochastiques?
• Quelle est l’impact des processus stochastiques markoviensdans la prévision des réalisations futures d’un système dynamique ?
• Quelle sont les avantages par rapport aux calculs classique des probabilités ?
• Comment peut-on simuler ces caractéristiques en les implémentant dans un outil informatique ainsi son utilité fonctionnelle ?
IntroductionContexte du projet Hypothèses Objectifs MéthodologieProblématique
A travers la problématique de notre travail dérivent ces hypothèses :
• La modélisation des processus stochastiques sera effectuer par les chaînes de Markov.
• En effet l’un des principaux objectifs des processus stochastiques markovien consiste en la prévision des réalisations futures.
IntroductionContexte du projet Hypothèses Objectifs MéthodologieProblématique
L’objectif de cette Licence est :
Comprendre les processus stochastiques en générale.
Une introduction aux chaînes de Markov à temps discret. L’accent est mis sur l’étude de ses propriétés, théorèmes et ses applications dans l’analyse.
Développer un outil informatique pour étudier et modéliser ces applications aisément à l’aide des algorithmes.
IntroductionContexte du projet Hypothèses Objectifs MéthodologieProblématique
Pour répondre aux objectifs fixés, nous avons organisé notre travail selon trois étapes principales :
Appréhender les fondements théoriques relatifs au sujet à savoir :Processus stochastiques, Chaîne de Markov , Le comportement transitoire et permanent des CMTD.
Se référencier à des exercices comme exemples applications pour mieux comprendre la modélisation dans des situations réel etafin de constituer un test comparatif avec notre outil
Consulter la documentation de java et determiner les API propre à notre sujet (Mathématique, graphique…), Un travail d’implémentation des algorithmes dans une applications .
FONDEMENTS THÉORIQUES
Fondements théoriquesProcessus stochastiques Chaîne de Markov à temps discret
Un processus stochastique est un objet mathématique qui permet de modéliser une situation réelle
et qui s’interesse à l’évolution d’un système dans le temps
On peut faire des predictions sur l’état future d’un système dans le temps
Fondements théoriquesProcessus stochastiques Chaîne de Markov à temps discret
Fondements théoriquesProcessus stochastiques Chaîne de Markov à temps discret
Processus stochastiques
Évènementsdiscret
Évènementscontinus
Tempsdiscret
Tempscontinus
Sans mémoire
Fondements théoriquesProcessus stochastiques Chaîne de Markov à temps discret
Une autre façon formelle d’écrire ça :𝑃[𝑋𝑛= |𝑗 𝑋 −1𝑛 ] = 𝑖 −1𝑛 ,𝑋 −2𝑛 = 𝑖 −2𝑛 ,…..,𝑋0=𝑖0] = [𝑃 𝑋𝑛= |𝑗 𝑋 −1𝑛 =𝑖 −1𝑛 ]
Où : 𝑋𝑛 représente l’état du système à l’instant n.
La propriété fondamentale des chaînes de Markov, dite
propriété de Markov, est que son évolution future ne dépend
du passé qu’au travers de sa valeur actuelle.
Fondements théoriquesProcessus stochastiques Chaîne de Markov à temps discret
Une entreprise A au début a 0% du marché
Le responsable de l’entreprise a embauché un spécialiste qui fait l’étude du marchépour prédire l’impact d’une compagne publicitaire de leurs produits qu’ils
veulent lancer, et comme résultat ils ont obtenus :
Quelqu’un qui utilise des produits de l’entreprise A va rester avecl’entreprise A avec 90% de probabilité.
Quelqu’un qui utilise autre produits que l’entreprise A (d’une autre entreprise quelconque B)va changer vers l’entreprise A avec 70% de probabilité.
Pour montrer une de ses applications on va donner l’exemple suivant:
Fondements théoriquesProcessus stochastiques Chaîne de Markov à temps discret
Nous pouvons présenter les données précédentes comme suit :
A B
A 9/10 1/10
B 3/10 7/10P =
A B
S0 = 0 1
Et à l’aide d’un vecteur de distribution d’état initial
Avec une matrice stochastiqueAvec un diagramme de transition
1/109/10
7/10 3/10
Fondements théoriquesProcessus stochastiques Chaîne de Markov à temps discret
Debut
A
B
A
BA
B
0
1
3/10
7/10
1/10
9/10
P(A) = 0*9/10 + 1*7/10 = 0.7
A B
S1 = 0.7 0.3
Vecteur de distribution à l’instant 1 (après un mois)
0 1
9/10 1/10
3/10 7/10*
= 0.7 0.3
Analyse transitoire
La probabilité qu’un utilisateur utilise l’entreprise A :
Nous remarquons que si on fait le produit matricielle de S0*P
Fondements théoriquesProcessus stochastiques Chaîne de Markov à temps discret
Analyse transitoire, aller jusqu’ à n étapes
A B
S1 =S0*P= 0.7 0.3 Vecteur de distribution à l’instant 1 (après un mois)A B
S2 = S1*P= 0.84 0.16 Vecteur de distribution à l’instant 2 (après deux mois)
A B
S3 = S2*P= 0.868 0.132 Vecteur de distribution à l’instant 3 (après trois mois)A B
S4 = S3*P= 0.8736 0.1264 Vecteur de distribution à l’instant 4 (après quatre mois)
A B
Sn = Sn-1*P= 0.875 0.125 Vecteur de distribution à l’instant n (après n mois)
.. ..
Fondements théoriquesProcessus stochastiques Chaîne de Markov à temps discret
Analyse transitoire, aller jusqu’ à n étapes
Sn = S0*
Fondements théoriquesProcessus stochastiques Chaîne de Markov à temps discret
Probabilité stationnaire de la chaîne de Markov
S*P = 0.875 0.125
9/10 1/10
3/10 7/10 = 0.875 0.125 = S*
À l’étape n aucun changement s’opère, On apelle le vecteur S : la probabilité stationnaire de la chaine de Markov
Le system est dit à l’état stable
Fondements théoriquesProcessus stochastiques Chaîne de Markov à temps discret
CONDITION POUR VERIFIER LE CRITERE DU REGIME STATIONNAIRE
Irréductibilité
Apéreriodicité
Fondements théoriques
Chaîne de Markov irréductible :
On dit qu’une chaîne de Markov est irréductible si :
À partir de tous les états donnés, on trouve quels sont les états que l’on peut atteindre,
et si on peut atteindre tous les autres états dans la chaîne, on dit que la propriété d’irréductibilité est vérifié.
Processus stochastiques Chaîne de Markov à temps discret
Fondements théoriques
Chaîne de Markov apériodique :
On dit qu’une chaîne de Markov est apériodique si
la période de la chaîne est inférieure ou égale à 1, on a :
Processus stochastiques Chaîne de Markov à temps discret
- La période de la chaîne est égale au PGCD des périodes de chaqu’un de ses états.
- La période de chaque état est égale au PGCD des longueurs des circuits correspondants à cet état
Fondements théoriques
Période de l’état E1 = PGCD(3,4) = 1
Période de l’état E2 = PGCD(3,4) = 1
Période de l’état E3 = PGCD(1,4) = 1
Période de l’état E4 = PGCD(3,4) = 1
Période de la chaîne = PGCD(1,1,1,1) = 1
Processus stochastiques Chaîne de Markov à temps discret
Donc dans cet exemple la chaîne est apériodique
Chaîne de Markov apériodique :
MISE EN ŒUVRE
Mise en œuvreDémarche et présentation de l’outil Résultat
Notre étude des chaînes de Markov nous a permis de réaliser le logiciel que nous allons presenter dans la suite.
Mise en œuvreDémarche et présentation de l’outil Résultat
Fenêtre principale
1
2
3
4
5
Barre de menus
Barre d’outils
Espace de travail
Affichage matrice
Barre d’état
Mise en œuvreDémarche et présentation de l’outil Résultat
1
Enregistrer / Nouveau / Ouvrir
Barre de menus
Mise en œuvreDémarche et présentation de l’outil Résultat
1
Vérifier les circuits
Barre de menus
Mise en œuvreDémarche et présentation de l’outil Résultat
1
Vérifier les périodes
Barre de menus
Mise en œuvreDémarche et présentation de l’outil Résultat
1
Affichage de la matrice de transition
Barre de menus
Mise en œuvreDémarche et présentation de l’outil Résultat
1
Paramètres
Barre de menus
Mise en œuvreDémarche et présentation de l’outil Résultat
2
Interaction avec la barre d’outils
Barre d’outils
Mise en œuvreDémarche et présentation de l’outil Résultat
2
Gestion des états
Barre d’outils
Modification Ajout Suppression
Mise en œuvreDémarche et présentation de l’outil Résultat
2
Gestion des arcs
Barre d’outils
Modification Ajout Suppression
Mise en œuvreDémarche et présentation de l’outil Résultat
4
Affichage de la matrice
Affichage matrice temps réel
Mise en œuvreDémarche et présentation de l’outil Résultat
Application de l’exemple présenté dans la partie theorique
Analyse transitoire
Mise en œuvreDémarche et présentation de l’outil Résultat
Application de l’exemple présenté dans la partie théorique
Analyse stationnaire
CONCLUSION
Conclusion
- Nous avons constaté en effet que la première hypothèse a
été validée, et que les processus stochastiques jouent un rôle
important dans la modélisation des systèmes.
- Ainsi que la deuxième hypothèse car on a montrer des
calculs qu’on peut effectuer sur les chaînes de Markov et qui
permettent de prévoir le comportement d’un système.
- L’outil que nous avons développé a aidé d’augmenter le taux
de précision des calculs, de gagner du temps et de facilité la
tache pour la manipulations des CMTD.
PERSPECTIVE
Perspective
• S’approfondir sur la question de modélisation des
systèmes par les processus stochastiques.
• S’approfondir dans les autres aspects des chaines de
Markov.
• Nous voyons que nous pouvons améliorer notre outils
en implémentant le cas des chaînes de Markov à temps
continue , en ajoutant des fonctionnalités qui peuvent
s’avérer importante…
Merci pour votre attention !