Introduction à la Modélisation stochastique en écologie · 2007-08-24 · Introduction à la...
Transcript of Introduction à la Modélisation stochastique en écologie · 2007-08-24 · Introduction à la...
Introduction à laModélisation stochastique
en écologiecours du 13/10/04
Mastère Ecologie, Biodiversité et Evolution - Paris 6 - Paris XI - ENS - INAPGmodule "Ecologie Théorique et statistiques de l'écologie"
François GoreaudCEMAGREF - LISC
http://wwwlisc.clermont.cemagref.fr/
Attention
• Ce diaporama est un support de cours prévupour être accompagné d'explications orales.
• Si vous n'avez pas assisté à l'exposé, lalecture des diapositives seules peut vousamener à faire des contresens.
Objectifs du cours :
• Qu'est ce qu'est un modèle stochastique ?• Quelques exemples
• Avantages / Inconvénients
Plan :
• La notion de modèle• Des modèles stochastiques• Deux Applications
– statique : relation H/C– dynamique : modèle logistique
• Quelques difficultés
1. La notion de modèle...
Legay J.M. - 1997 : L'expérience et lemodèle. Un discours sur la méthode. INRA"Sciences en Questions". 111 p.
Pave A.- 1994 : Modélisation en biologie eten écologie. Aléas, Lyon. 560 pp.
1. La notion de Modèle
• Une représentation simplifiée de la réalité
1. La notion de Modèle
• Une représentation simplifiée de la réalité– Une équation
))(1(*)(*)(0 K
tNtNrdt
tdN−=
1. La notion de Modèle
• Une représentation simplifiée de la réalité– Une équation– Une courbe ajustée aux données
relation h=f(c) : Beau Poirier
y = -0.0008x2 + 0.3573x + 3.0504
0
10
20
30
40
50
0 50 100 150 200 250 300
1. La notion de Modèle
• Une représentation simplifiée de la réalité– Une équation– Une courbe ajustée aux données– Un schéma
1. La notion de Modèle
• Une représentation simplifiée de la réalité– Une équation– Une courbe ajustée aux données– Un schéma– Un dessin
(René Magritte)
1. La notion de Modèle
• Un modèle répond à un objectif donné
1. La notion de Modèle
• Un modèle répond à un objectif donné– comprendre
• faire une synthèse des connaissances• tester des hypothèses
1. La notion de Modèle
• Un modèle répond à un objectif donné– comprendre– prédire
Aujourd'hui(données)
modèle prédictif
(logiciel)
Demain(prédiction)
1. La notion de Modèle
• Un modèle répond à un objectif donné– comprendre– prédire– communiquer
• entre scientifiques• lors de négociations
1. La notion de Modèle
• Différentes formes de modèles– Des relations statiques
• à un instant donnérelation h=f(c) : Beau Poirier
y = -0.0008x2 + 0.3573x + 3.0504
0
10
20
30
40
50
0 50 100 150 200 250 300
1. La notion de Modèle
• Différentes formes de modèles– Des relations statiques
• à un instant donné
– Des modèles dynamiques• évolution au cours du temps
relation h=f(c) : Beau Poirier
y = -0.0008x2 + 0.3573x + 3.0504
0
10
20
30
40
50
0 50 100 150 200 250 300
1. La notion de Modèle
• Différentes formes de modèles– Des modèles statistiques
(d'après Pavé, 1994)temps
effectif
1. La notion de Modèle
• Différentes formes de modèles– Des modèles statistiques– Des modèles mécanistes
(d'après Deleuze, 1996)
1. La notion de Modèle
• Différentes formes de modèles– Des modèles statistiques– Des modèles mécanistes– Des modèles généraux
Schéma du modèle proposé par Huston & DeAngelis (1994)
1. La notion de Modèle
• Différentes formes de modèles– Le triangle de Levins (1966)
Généralité
RéalismePrécision
Modèles conceptuels
Modèles statistiques
Modèles mécanistes
1. La notion de Modèle
• Application : dynamique des populations– Le modèle exponentiel
• "L'accroissement est proportionnel à l'effectif"
1. La notion de Modèle
• Application : dynamique des populations– Le modèle exponentiel
• "L'accroissement est proportionnel à l'effectif"• N(t) : taille population totale• dN(t) : accroissement pendant un temps dt
dttNrtdN *)(*)( =
1. La notion de Modèle
• Application : dynamique des populations– Le modèle exponentiel
rteNtN *)0()( =
0
10000
20000
30000
40000
50000
60000
70000
1 2 3 4 5 6 7 8 9 10 11
Série1Série2
)(*)( tNrdt
tdN=
2 paramètres
1. La notion de Modèle
• Application : dynamique des populations– Le modèle exponentiel– Le modèle logistique
• "La population atteint une taille maximale"
1. La notion de Modèle
• Application : dynamique des populations– Le modèle exponentiel– Le modèle logistique
))(1(*)(*)(0 K
tNtNrdt
tdN−= 3 paramètres
treCKtN
001
)( −+=
0
100
200
300
400
500
600
0 2 4 6 8 10 12 14 16 18 20
Série2
1. La notion de Modèle
• Application : dynamique des populations– Le modèle exponentiel– Le modèle logistique
=> Ces modèles sont déterministes
1. La notion de Modèle
• Un modèle déterministe
1. La notion de Modèle
• Un modèle déterministe– partant d'un état initial, un seul état final
1. La notion de Modèle
• Un modèle déterministe– partant d'un état initial, un seul état final– parfaitement connu– aucun phénomène aléatoire
1. La notion de Modèle
• Un modèle déterministe– partant d'un état initial, un seul état final– parfaitement connu– aucun phénomène aléatoire
• Un modèle stochastique– intègre une part d'aléa=> Pourquoi ? Comment ?
2. Des modèles stochastiques, Pourquoi ? Comment ?
21. La notion de stochasticité
• Un modèle déterministe– partant d'un état initial, un seul état final– parfaitement connu– aucun phénomène aléatoire
21. La notion de stochasticité
• Dans la réalité, il y a de l'aléa !
21. La notion de stochasticité
• Dans la réalité, il y a de l'aléa !– une panne de réveil
21. La notion de stochasticité
• Dans la réalité, il y a de l'aléa !– une panne de réveil– un retard à la SNCF
21. La notion de stochasticité
• Dans la réalité, il y a de l'aléa !– une panne de réveil– un retard à la SNCF– rencontrer un copain
21. La notion de stochasticité
• Dans la réalité, il y a de l'aléa !– une panne de réveil– un retard à la SNCF– rencontrer un copain– être écrasé par un camion
21. La notion de stochasticité
• Dans la réalité, il y a de l'aléa !– une panne de réveil– un retard à la SNCF– rencontrer un copain– être écrasé par un camion– qu'est ce que je vais manger ?
21. La notion de stochasticité
• Dans la réalité, il y a de l'aléa !– une panne de réveil– un retard à la SNCF– rencontrer un copain– être écrasé par un camion– qu'est ce que je vais manger ?– qui va dormir en cours ?
21. La notion de stochasticité
• Dans la réalité, il y a de l'aléa !– une panne de réveil– un retard à la SNCF– rencontrer un copain– être écrasé par un camion– qu'est ce que je vais manger ?– qui va dormir en cours ?– j'ai gagné au loto !
21. La notion de stochasticité
• Dans la réalité, il y a de l'aléa !– une panne de réveil– un retard à la SNCF– rencontrer un copain– être écrasé par un camion– qu'est ce que je vais manger ?– qui va dormir en cours ?– j'ai gagné au loto !
Heureusement sinon la vie serait triste !
21. La notion de stochasticité
• Dans la réalité, il y a de l'aléa !– partant d'un état initial, plusieurs états finaux– connaissance imparfaite– il y a des phénomènes aléatoire
21. La notion de stochasticité
• Dans la réalité, il y a de l'aléa !– partant d'un état initial, plusieurs états finaux– connaissance imparfaite– il y a des phénomènes aléatoire
• On parlera de stochasticité– pour tout ce qui échappe au déterminisme
21. La notion de stochasticité
• Cet alea peut jouer un rôle important !– une variabilité dans les mesures
relation h=f(c) : Beau Poirier
y = -0.0008x2 + 0.3573x + 3.0504
0
10
20
30
40
50
0 50 100 150 200 250 300
21. La notion de stochasticité
• Cet alea peut jouer un rôle important !– une variabilité dans les mesures– plusieurs avenirs possibles : s'y préparer !
• comment calculer un risque ?
21. La notion de stochasticité
• Cet alea peut jouer un rôle important !– une variabilité dans les mesures– plusieurs avenirs possibles : s'y préparer !– des effets catastrophiques
• effet papillon• extinction / survie d'espèces
21. La notion de stochasticité
• Cet alea peut jouer un rôle important !– une variabilité dans les mesures– plusieurs avenirs possibles : s'y préparer !– des effets catastrophiques
• donc on veut pouvoir le reproduire / estimer– des modèles stochastiques
• Un modèle stochastique– prend en compte les phénomènes aléatoires– fait intervenir le hasard (tirage aléatoire)
22. Des modèles stochastiques
• Un modèle stochastique– prend en compte les phénomènes aléatoires– fait intervenir le hasard (tirage aléatoire)– partant d'un état initial, plusieurs états finaux
evolution de N, 50 simulations
0
50
100
150
200
250
300
350
400
0 100 200 300 400 500 600 700 800 900 1000
années
22. Des modèles stochastiques
22. Des modèles stochastiques
• Différentes sources de stochasticité– erreurs de mesures
• Différentes sources de stochasticité– erreurs de mesures– phénomènes inconnus, non modélisés
• interactions au sein d'un système complexe• état initial inexact• fluctuation environnement• variations individuelles (génétique, ...)
22. Des modèles stochastiques
• Différentes sources de stochasticité– erreurs de mesures– phénomènes inconnus, non modélisés– aléa intrinsèque ??
• en physique : principe d'incertitude• systèmes chaotiques• liberté ?
22. Des modèles stochastiques
• En écologie, beaucoup de stochasticité– objets d'étude complexes
• beaucoup d'éléments en interaction• fluctuation climatique
22. Des modèles stochastiques
• En écologie, beaucoup de stochasticité– objets d'étude complexes
• beaucoup d'éléments en interaction• fluctuation climatique
– objets d'étude vivants• une machine infiniment complexe• importance de l'histoire de vie• comportement
22. Des modèles stochastiques
• En écologie, beaucoup de stochasticité– objets d'étude complexes
• beaucoup d'éléments en interaction• fluctuation climatique
– objets d'étude vivants• une machine infiniment complexe• importance de l'histoire de vie• comportement
=> Une science moins dure que la physique
22. Des modèles stochastiques
23. Du stochastique au déterministe
• Comment encapsuler la stochasticité– partant de données réelles "bruitées"
National Park Plenterwald : DG8695 =f(G86)
0
10000
20000
30000
40000
50000
60000
0 100000 200000 300000 400000 500000 600000
ALLE
G Wachstum 1986-1995
G 1986
(Goreaud, 1999)
23. Du stochastique au déterministe
• Comment encapsuler la stochasticité– partant de données réelles "bruitées"– ajuster une loi déterministe
(Goreaud, 1999)
National Park Plenterwald : DG8695 =f(G86)
0
10000
20000
30000
40000
50000
60000
0 100000 200000 300000 400000 500000 600000
ALLEMODEL
G Wachstum 1986-1995
G 1986
23. Du stochastique au déterministe
• Comment encapsuler la stochasticité– partant de données réelles "bruitées"– ajuster une loi déterministe
(Goreaud, 1999)
National Park Plenterwald : DG8695 =f(G86)
0
10000
20000
30000
40000
50000
60000
0 100000 200000 300000 400000 500000 600000
ALLEMODEL
G Wachstum 1986-1995
G 1986
iii xfy ε+= )(
loi déterministe
aléa résiduel
23. Du stochastique au déterministe
• Comment encapsuler la stochasticité– partant de données réelles "bruitées"– ajuster une loi déterministe
=> C'est le but de l'analyse de données
Tomassone R., Dervin C., Masson J.P. - 1993 : Biométrie : Modélisation de phénomènes biologiques.Masson, Paris. 553 p.
24. Du déterministe au stochastique
• Comment ajouter de l'aléa– partant d'une équation déterministe
)( ii xfy =
24. Du déterministe au stochastique
• Comment ajouter de l'aléa– partant d'une équation déterministe
– ajouter un bruitiii xfy ε+= )(
24. Du déterministe au stochastique
• Comment ajouter de l'aléa– partant d'une équation déterministe
– ajouter un bruit– bruiter les paramètres
iii xfy ε+= )(
24. Du déterministe au stochastique
• Comment ajouter de l'aléa– partant d'une équation déterministe– ajouter un bruit– bruiter les paramètres– introduire des lois de proba
=
...)()(
2
1
qprobaavecxfpprobaavecxf
y i
i
i
25. Stochasticité et changement d'échelle
• Modèles globaux, souvent déterministes– ex : dynamique des populations
• modèle exponentiel• modèle logistique• modèle de Lotka Voltera• modèle de Huston & DeAngelis• ...
25. Stochasticité et changement d'échelle
• Modèles globaux, souvent déterministes– ex : dynamique des populations– Par ce qu'on s'intéresse à la tendance
• on élimine le bruit
relation h=f(c) : Beau Poirier
y = -0.0008x2 + 0.3573x + 3.0504
0
10
20
30
40
50
0 50 100 150 200 250 300
25. Stochasticité et changement d'échelle
• Modèles globaux, souvent déterministes– ex : dynamique des populations– Par ce qu'on s'intéresse à la tendance– A cette échelle, un effet de compensation
• la stochasticité est dans le détail
25. Stochasticité et changement d'échelle
• Modèles locaux, souvent stochastiques– ex : modèles individus centrés
• Caulerpe (Thibaut 2001)• Mountain dans CAPSIS• Systèmes Multi Agent• Microsimulations• ...
25. Stochasticité et changement d'échelle
• Modèles locaux, souvent stochastiques– ex : modèles individus centrés– parce qu'on s'intéresse à la variabilité
25. Stochasticité et changement d'échelle
• Modèles locaux, souvent stochastiques– ex : modèles individus centrés– parce qu'on s'intéresse à la variabilité
25. Stochasticité et changement d'échelle
• Modèles locaux, souvent stochastiques– ex : modèles individus centrés– parce qu'on s'intéresse à la variabilité– à cette échelle, beaucoup d'aléa
• comportement• environnement local• effets individuels
25. Stochasticité et changement d'échelle
• Comment ajouter de l'aléa– partant d'une équation déterministe– ajouter un bruit– bruiter les paramètres– introduire des lois de proba– passer à une échelle plus fine
3. Exemple : relation H/D
Pardé J., Bouchon J. - 1988 : Dendrométrie(2ème édition). engref. 325 p.
3. Exemple : relation H/D
• Qu'est ce qu'une relation H/D ?– un modèle statique– exprime le lien entre Hauteur et DiamètreH
D
3. Exemple : relation H/D
• Qu'est ce qu'une relation H/D ?– un modèle statique– exprime le lien entre Hauteur et Diamètre– construite sur des données de référence
relation h=f(c) : Beau Poirier
y = -0.0008x2 + 0.3573x + 3.0504
0
10
20
30
40
50
0 50 100 150 200 250 300
3. Exemple : relation H/D
• Qu'est ce qu'une relation H/D ?– un modèle statique– exprime le lien entre Hauteur et Diamètre– construite sur des données de référence– permet de ne plus mesurer les hauteurs !
3. Exemple : relation H/D
• Qu'est ce qu'une relation H/D ?– un modèle statique– exprime le lien entre Hauteur et Diamètre– construite sur des données de référence– permet de ne plus mesurer les hauteurs !
– une relation déterministe• différentes formes• ex Mountain : 2
2
)*( DcbDaH
++=
3. Exemple : relation H/D
• une relation déterministe– aucune variabilité
2
2
)*( DcbDaH
++=
a=1.3b=1.455c=0.15
H=f(D) déterministe
0
5
10
15
20
25
30
35
40
0 10 20 30 40 50 60 70
H
D
H
3. Exemple : relation H/D
• Comment ajouter de l'aléa ?– partant d'une équation déterministe
– ajouter un bruit– bruiter les paramètres
iii xfy ε+= )(
3. Exemple : relation H/D
• Ajouter un bruit– bruit blanc, gaussien centré d'écart type s
ii
ii Dcb
DaH ε++
+= 2
2
)*(
a=1.3b=1.455c=0.15
H=f(D) bruité, s=1
0
5
10
15
20
25
30
35
40
0 10 20 30 40 50 60 70
déterbruité
D
HH=f(D) bruité, s=10
0
10
20
30
40
50
60
0 10 20 30 40 50 60 70
déterbruité
D
H
3. Exemple : relation H/D
• Bruiter les paramètres– bruit blanc, gaussien centré d'écart type s
( )22
*)()( iii
ii Dcb
DaHηε +++
+=
a=1.3b=1.455c=0.15
H=f(D) b bruité, s=0.2
0
5
10
15
20
25
30
35
40
0 20 40 60 80
déterb bruité
D
HH=f(D) c bruité, s=0.02
0
10
20
30
40
50
60
0 20 40 60 80
déterc bruité
D
H
3. Exemple : relation H/D
• Ca peut avoir un effet important !
4. Exemple : modèle logistique
41. Le modèle logistique
• Principe :– dynamique des populations
41. Le modèle logistique
• Principe :– dynamique des populations– modèle théorique très général
41. Le modèle logistique
• Principe :– dynamique des populations– modèle théorique très général– croissance initiale exponentielle
41. Le modèle logistique
• Principe :– dynamique des populations– modèle théorique très général– croissance initiale exponentielle– saturation du milieu
41. Le modèle logistique
• Principe :– N(t) : taille population totale
)(*)( tNrdt
tdN=
41. Le modèle logistique
• Principe :– N(t) : taille population totale
– r, taux d'accroissement,n'est pas constant
)(*)( tNrdt
tdN=
))(1(0 KtNrr −=
41. Le modèle logistique
• Principe :– N(t) : taille population totale
– r, taux d'accroissement,n'est pas constant
– K : capacité maximale du milieu.
)(*)( tNrdt
tdN=
))(1(0 KtNrr −=
41. Le modèle logistique
• Principe :
))(1(*)(*)(0 K
tNtNrdt
tdN−= 3 paramètres
treCKtN
001
)( −+=
Déterministe
Modèle logistique
0
100
200
300
400
500
600
0 2 4 6 8 10 12 14 16 18 20
Pop
temps
N
42. Modèle logistique bruité
• Ajoutons un bruit blanc :
)())(1(*)(*)(0 t
KtNtNr
dttdN ε+−=
Stochastique
),0()( σε Nt ≈Modèle logistique - Bruit s=1
0
100
200
300
400
500
600
0 2 4 6 8 10 12 14 16 18 20
PopSérie1
temps
N
Modèle logistique - Bruit s=1
0
100
200
300
400
500
600
0 2 4 6 8 10 12 14 16 18 20
PopSérie1Série3Série4Série5Série6
temps
N
42. Modèle logistique bruité
• Ajoutons un bruit blanc :
Stochastique
Modèle logistique - Bruit s=1
0
100
200
300
400
500
600
0 2 4 6 8 10 12 14 16 18 20
PopSérie1Série3Série4Série5Série6
temps
N
Modèle logistique - Bruit s=5
0
100
200
300
400
500
600
0 2 4 6 8 10 12 14 16 18 20
PopSérie1
temps
NModèle logistique - Bruit s=5
0
100
200
300
400
500
600
0 2 4 6 8 10 12 14 16 18 20
PopSérie1Série3Série4Série5Série6
temps
N
risque d'extinction
• Bruitons les paramètres :
[ ] [ ]))()(1(*)(*)()(
210 tK
tNtNtrdt
tdNε
ε+
−+=
Stochastique
42. Modèle logistique bruité
),0()( 11 σε Nt ≈
),0()( 22 σε Nt ≈
Modèle logistique - parametre r0 bruité s=1
0
100
200
300
400
500
600
0 2 4 6 8 10 12 14 16 18 20
PopSérie1
temps
NModèle logistique - parametre r0 bruité s=1
0
100
200
300
400
500
600
0 2 4 6 8 10 12 14 16 18 20
PopSérie1Série3Série4Série5Série6
temps
NModèle logistique - parametre K bruité s=50
0
100
200
300
400
500
600
0 2 4 6 8 10 12 14 16 18 20
PopSérie1Série3Série4Série5Série6
temps
N
42. Modèle logistique bruité
• On peut rendre ce modèle stochastique– de plusieurs façon
42. Modèle logistique bruité
• On peut rendre ce modèle stochastique– de plusieurs façon
• Ca permet– de s'approcher des données réelles– de prendre en compte divers aleas– de calculer des risques
42. Modèle logistique bruité
• On peut rendre ce modèle stochastique– de plusieurs façon
• Ca permet– de s'approcher des données réelles– de prendre en compte divers aleas– de calculer des risques
• Difficile à relier aux mécanismes
• Comment ajouter de l'aléa– partant d'une équation déterministe– ajouter un bruit– bruiter les paramètres– introduire des lois de proba– passer à une échelle plus fine
43. Une vision individu - centrée
43. Une vision individu - centrée
• Principe :– la population est la somme des individus
N(t)
43. Une vision individu - centrée
• Principe :– la population est la somme des individus– on peut suivre l'évolution de chacun
• naissances, croissance• mortalité
43. Une vision individu - centrée
• traduire l'équation globale en lois de proba– revenir au sens des équations
))(1(*)(*)(0 K
tNtNrdt
tdN−=
mfr −=0mortalité
reproduction
43. Une vision individu - centrée
• traduire l'équation globale en lois de proba– Une probabilité de se reproduire
fenfantunavoirP =)__(
43. Une vision individu - centrée
• traduire l'équation globale en lois de proba– Une probabilité de se reproduire
– Une probabilité de mourir
fenfantunavoirP =)__(
KtNrmmourirP )()( 0+=
43. Une vision individu - centrée
• traduire l'équation globale en lois de proba– Une probabilité de se reproduire– Une probabilité de mourir
• équation globale = espérance du modèle IC
[ ])()__()()( mourirPenfantunavoirPtNdt
tdN−=
43. Une vision individu - centrée
• Algorithme :– A chaque pas de temps :
43. Une vision individu - centrée
• Algorithme :– A chaque pas de temps :
• Pour chaque individu
43. Une vision individu - centrée
• Algorithme :– A chaque pas de temps :
• Pour chaque individu– Se reproduit-il ?
» oui : ajouter un individu
43. Une vision individu - centrée
• Algorithme :– A chaque pas de temps :
• Pour chaque individu– Se reproduit-il ?
» oui : ajouter un individu– Meurt-il ?
» oui : supprimer cet individu
43. Une vision individu - centrée
• Algorithme :– A chaque pas de temps :
• Pour chaque individu– Se reproduit-il ?
» oui : ajouter un individu– Meurt-il ?
» oui : supprimer cet individu• Calculer le nombre d'individus final
N(t)
43. Une vision individu - centrée
• Plusieurs sources de stochasticité :– tirages aléatoires pour
• reproduction• mortalité
43. Une vision individu - centrée
• Plusieurs sources de stochasticité :– tirages aléatoires pour
• reproduction• mortalité
– variabilité des paramètres• individuelle (génétique, ...)• géographique (état initial)• saisonnière
43. Une vision individu - centrée
• Simulations :– programme "Lapin" !
N0=10, f=0.5, m=0.1, K=200
Modèle LAPIN, individu centré, stochastique
0
50
100
150
200
250
0 10 20 30 40 50
N1
temps
NModèle LAPIN, individu centré, stochastique
0
50
100
150
200
250
0 10 20 30 40 50
N1N2N3N4N5
temps
N
risque d'extinction
43. Une vision individu - centrée
• Intérêts du modèle individus-centré :– permet de prendre en compte l'aléa
• variabilité de la dynamique• existence de comportements catastrophiques• calcul de risque
43. Une vision individu - centrée
• Intérêts du modèle individus-centré :– permet de prendre en compte l'aléa– permet de raisonner sur l'individus
• sens écologique et comportemental• variabilité• dialogue avec les spécialistes
43. Une vision individu - centrée
• Intérêts du modèle individus-centré :– permet de prendre en compte l'aléa– permet de raisonner sur l'individus– permet d'intégrer d'autres processus
• hétérogénéité spatiale• environnement local• prédateurs...
43. Une vision individu - centrée
• Une version spatialisée :– ressource K hétérogène
1 2 3 4 5 6 7 8 9 10S1
S2
S3
S4
S5
S6
S7
S8
S9
S10
8-106-84-62-40-2
43. Une vision individu - centrée
• Une version spatialisée :– simulations...
Modèle LAPIN, individu centré, spatialisé
050
100150200250300350400
0 10 20 30 40
N
temps
N
43. Une vision individu - centrée
• Une version spatialisée :– suivi des populations...
1 2 3 4 5 6 7 8 9 10S1
S2
S3
S4
S5
S6
S7
S8
S9
S10
8-106-84-62-40-20
1
2
3
4
5
6
7
8
9
10
0 1 2 3 4 5 6 7 8 9 10
Série1Série2Série3
44. Conclusion
• Construire des modèles stochastiques– à partir de modèles déterministes– en descendant à une échelle plus fine
44. Conclusion
• Construire des modèles stochastiques– à partir de modèles déterministes– en descendant à une échelle plus fine
• Ils répondent à des questions particulières– variabilité– calcul de risque
5. Quelques difficultés...
51. Difficultés d'implémentation
• Générateur aléatoire– Il faut simuler le hasard, donc faire des tirages
51. Difficultés d'implémentation
• Générateur aléatoire– Il faut simuler le hasard, donc faire des tirages– comment ?
• un ordinateur est par essence déterministe !
51. Difficultés d'implémentation
• Générateur aléatoire– Il faut simuler le hasard, donc faire des tirages– un générateur de nombre pseudo aléatoire
51. Difficultés d'implémentation
• Générateur aléatoire– Il faut simuler le hasard, donc faire des tirages– un générateur de nombre pseudo aléatoire
• Générateur congruentiel linéaire (Lehmer 1948)
– pas facile (choix a,b,c)
c mod b) x *a ( x n1n +=+
010
20304050
607080
90100
0 20 40 60 80 100
Série1
a 17.5b 16c 100
51. Difficultés d'implémentation
• Générateur aléatoire– Il faut simuler le hasard, donc faire des tirages– un générateur de nombre pseudo aléatoire
• Générateur congruentiel linéaire (Lehmer 1948)• Mieux : routines dédiées java, C++ : rand()
– meilleures propriétés– graine aléatoire– parfois insuffisant
51. Difficultés d'implémentation
• Générateur aléatoire– Il faut simuler le hasard, donc faire des tirages– un générateur de nombre pseudo aléatoire
• Générateur congruentiel linéaire (Lehmer 1948)• Mieux : routines dédiées java, C++ : rand()• Améliorables
– fixer la graine sur le temps
51. Difficultés d'implémentation
• Générateur aléatoire– Il faut simuler le hasard, donc faire des tirages– un générateur de nombre pseudo aléatoire
• Générateur congruentiel linéaire (Lehmer 1948)• Mieux : routines dédiées java, C++ : rand()• Améliorables
– fixer la graine sur le temps– routines spécialisées Numerical recipies & co
51. Difficultés d'implémentation
• Générateur aléatoire– Il faut simuler le hasard, donc faire des tirages– un générateur de nombre pseudo aléatoire
– Toujours vérifier sa pertinence• par rapport à un objectif
51. Difficultés d'implémentation
• Artefacts
51. Difficultés d'implémentation
• Artefacts– liés au générateur pseudo-aléatoire
010
20304050
607080
90100
0 20 40 60 80 100
Série1
51. Difficultés d'implémentation
• Artefacts– liés au générateur pseudo-aléatoire– liés à l'ajout d'aléa
• apparition de valeurs impossiblesH=f(D) bruité, s=10
0
10
20
30
40
50
60
0 10 20 30 40 50 60 70
déterbruité
D
H
51. Difficultés d'implémentation
• Artefacts– liés au générateur pseudo-aléatoire– liés à l'ajout d'aléa– liés à la discrétisation
exemple d'évolution de N(Ai) et C(Li) : ∆t=0.5
-10
-5
0
5
10
15
20
25
30
0 200 400 600 800 1000
N(Ai)C(Li)
N(Ai)
temps
exemple d'évolution de N(Ai) et C(Li) : ∆t=0.1
0
5
10
15
20
25
30
0 200 400 600 800 1000
N(Ai)C(Li)
N(Ai)
temps
51. Difficultés d'implémentation
• Artefacts– liés au générateur pseudo-aléatoire– liés à l'ajout d'aléa– liés à la discrétisation– effets de bord
52. Difficultés de conception
• Identifier toutes les sources de stochasticité– Il y en a beaucoup !
• bruit sur les mesures• bruit sur les paramètres• phénomènes de nature stochastiques
52. Difficultés de conception
• Identifier toutes les sources de stochasticité– Il y en a beaucoup !– Lesquels sont pertinentes / l'objectif ?
• quel type de modèle (prédictif, ...)• comportement moyen / variabilité ?• estimer un risque ?• environnement constant ou changeant ?
52. Difficultés de conception
• Identifier toutes les sources de stochasticité– Il y en a beaucoup !– Lesquels sont pertinentes / l'objectif ?– Comment savoir si on en a oublié ?
• étudier le comportement du modèle– grand nombre de simulations
• tests sur plusieurs critères– par rapport aux données– avec les utilisateurs
52. Difficultés de conception
• Identifier toutes les sources de stochasticité– Il y en a beaucoup !– Lesquels sont pertinentes / l'objectif ?– Comment savoir si on en a oublié ?
– Application
52. Difficultés de conception
• Ajuster le modèle– Quelles données disponibles ?
• avec quelle répétition / variabilité ?• bruit sur les mesures ?• variabilité des paramètres• dépendance à l'environnement ?=> Biblio !
52. Difficultés de conception
• Ajuster le modèle– Quelles données disponibles ?– Estimer les lois de probabilité
• mortalité, reproduction, etc...
52. Difficultés de conception
• Ajuster le modèle– Quelles données disponibles ?– Estimer les lois de probabilité
• mortalité, reproduction, etc...– Estimer la variabilité
• bruit résiduel
52. Difficultés de conception
• Comment Valider / Evaluer ?– manque de données– Quoi valider / évaluer ?
• prédiction moyenne ?• mesure de variabilité ?• mesure de risque ?• réponse à un utilisateur ?
53. Difficultés d'interprétation
• Le sens d'une réalisation ?– évolution dans le temps
• Une réalisation est un cas particulier
Modèle LAPIN, individu centré, stochastique
0
50
100
150
200
250
0 10 20 30 40 50
N1
temps
N
53. Difficultés d'interprétation
• Le sens d'une réalisation ?– évolution dans le temps
• Une réalisation est un cas particulier– Aucune valeur prédictive– Ne renseigne ni sur variabilité ni sur risque
Modèle LAPIN, individu centré, stochastique
0
50
100
150
200
250
0 10 20 30 40 50
N1
temps
N
53. Difficultés d'interprétation
• Le sens d'une réalisation ?– évolution dans le temps– simulation spatio-temporelle : encore plus dur !
• Une réalisation est un cas particulier– représenter l'espace et le temps– un grand nombre de carte
53. Difficultés d'interprétation
• Il faut un grand nombre de simulations– évolution dans le temps
• une famille de courbes
Modèle LAPIN, individu centré, stochastique
0
50
100
150
200
250
0 10 20 30 40 50
N1N2N3N4N5
temps
N
53. Difficultés d'interprétation
• Il faut un grand nombre de simulations– évolution dans le temps
• une famille de courbes• Et on en fait quoi ?
– moyenne– écart type
Modèle LAPIN, individu centré, stochastique
0
50
100
150
200
250
0 10 20 30 40 50
N1N2N3N4N5
temps
N
53. Difficultés d'interprétation
• Il faut un grand nombre de simulations– évolution dans le temps
• une famille de courbes• Et on en fait quoi ?
– moyenne– écart type
ce n'est pas toujours suffisantphénomènes catastrophiques
Modèle LAPIN, individu centré, stochastique
0
50
100
150
200
250
0 10 20 30 40 50
N1N2N3N4N5
temps
N
risque d'extinction
53. Difficultés d'interprétation
• Il faut un grand nombre de simulations– évolution dans le temps– simulation spatio-temporelle : encore plus dur !
• Cartes de probabilité
ce n'est pas toujours suffisantphénomènes catastrophiques
53. Difficultés d'interprétation
• Il faut un grand nombre de simulations– évolution dans le temps– simulation spatio-temporelle : encore plus dur !
• Manque d'outils d'analyse– besoin d'adapter aux modèles stochastiques
les outils des systèmes dynamiques
53. Difficultés d'interprétation
• Il faut un grand nombre de simulations– évolution dans le temps– simulation spatio-temporelle : encore plus dur !
• Manque d'outils d'analyse
• Problème de puissance– calculs partagés, fermes, ...
5. Quelques difficultés...
• Implémentation• Conception• Interprétation
Conclusion
Qu'est ce qu'est un modèle stochastique ?Quelques exemples
Avantages / Inconvénients