Julien Lesgourgues, LAPTH IAP, janvier 2006 accélération décélération lente décélération rapide inflationradiationmatièreénergie noire temps Extraction.

Slides:



Advertisements
Présentations similaires
Reconstitution de l’état d’un micro drone par fusion de données
Advertisements

Corrélation Position du problème Définition covariance (X,Y) r =
Contenu du cours (par J.B. Edel & P. Sailhac)
Placement de Motifs Architecture Application Contraintes: - Charge
CGA – M. SCILIEN – séance 4 Fondements d ’un nouveau modèle de coût : la méthode des « équivalences » Sommaire Introduction. Inadéquation parfois des deux.
Modèle des jeux et des mécanismes
Analyse en composante indépendante
LES FANTÔMES DE LA COSMOLOGIE Júlio C. Fabris Departamento de Física – UFES IAP
Champs de Markov en Vision par Ordinateur
RECONNAISSANCE DE FORMES
Xavier Décoret* Frédo Durand° François Sillion*
FONCTIONS EXPONENTIELLES
FONCTIONS EXPONENTIELLES ET LOGARITHMES
EXPONENTIELLES FONCTIONS EXPONENTIELLES EN TERMINALE ST2S auteur : Philippe Angot (version adaptée)
Modélisation des systèmes non linéaires par des SIFs
Identification de sources de chaleur dorigine thermomécaniques : Présentation de deux méthodes destimation et de résultats expérimentaux. Norbert Renault.
Programmes du cycle terminal
Asservissement et régulation continue
introduction aux modèles cosmologiques
Le filtrage au cours des âges Du filtre de Kalman au filtrage particulaire André Monin.
Le Reengineering.
M.D., AMT Narbonne Fond diffus, structures et avant-plans Marian Douspis (LATT/OMP) Nabila Aghanim, Mathieu Langer (IAS)
Correction des Systèmes
Introduction aux plans dexpériences P. Lambert Daprès J.-M. Fuerbringer, Design of Experiments, Mai 2006.
Méthode des Ensembles de Niveaux par Eléments Finis P1
Approches non intrusives des éléments finis stochastiques
Tolerance Manager Un concept métier
Filtrage de Kalman et aperçu probabiliste
Comparaison HMS-ALICE et GNASH Réunion du 14/01/2004.
L’adaptativité pour un solveur de l’équation de Vlasov
Modélisation géométrique de base
Réseaux bayésiens: Inférence
Chapitre 2-1A Modélisation cinématique des liaisons
Cours 3 : Cinématique Etude des mouvements d’un système
Monitoring Détection de séquences vidéo en temps réel dans une grande base de données Julien Law-to 23/07/2004.
Enabling Grids for E-sciencE EGEE-II INFSO-RI Julien Lesgourgues (LAPTH) 1 Le principe de CosmoMC quatre membres du groupe de cosmologie du LAPTH:
Séminaire de 3ème année Diane Talon-Esmieu
Classification : objectifs
Présentation du marché obligataire
Crawlers Parallèles Présentation faite par: Mélanie AMPRIMO
1 JEUX DE TESTS la méthode générale modèle de données critères fonctionnels d’extractions jeux de données jeux de données avant tests sélection exécution.
Développement de cibles ISOL Angélique Joinet - IPN Orsay.
Adapté de Michael Negnevitsky
Approximation d’un contrôle optimal par un circuit électronique
TNS et Analyse Spectrale
Neutrinos et Perturbations Cosmologiques
Extraction des paramètres cosmologiques par une approche multisonde
TNS et Analyse Spectrale
Suivi rapide d’objet en mouvement
Outils d’analyse: la méthode des moindres carrées
Et un, et deux, et trois…. Team Building Expertise Géomodélisation – Esquiule – 07/06/2007 Travailler autrement (en Soule)… n°3 Titre de votre présentation.
Dorina Surcel et René Laprise
ASI 3 Méthodes numériques pour l’ingénieur
N M. LANCRY, P. NIAY, M. DOUAY; Laboratoire de Physique des Lasers, Atomes et Molécules; UMR CNRS 8523, Université des Sciences et Techniques de Lille,
Suivi de trajectoires par vision Y. Goyat, T. Chateau, L. Trassoudaine 1.
1/16 Chapitre 3: Représentation des systèmes par la notion de variables d’état Contenu du chapitre 3.1. Introduction 3.2. Les variables d’état d’un système.
Julien Diard — LPNC-CNRS Cours M2R Sciences Cognitives, « Cognition bayésienne » — 2009 Comparaison et sélection Bayésienne de modèles Julien Diard Laboratoire.
Romain Dupont encadré par J.Aubourg et P. Fuchs
M.D., PNC, paramètres cosmo 18/01/ Paramètres cosmologiques par Combinaisons Marian Douspis (IAS), Alain Blanchard (LATT) Nabila Aghanim (IAS), Jim.
La grande combinaison: problèmes et solutions Pourquoi les combinaisons ? Comment combiner ? Les problèmes techniques ? Les solutions possibles Prospectives.
Calcul pour le spatial & le CC-IN2P3 Jean-Yves Nief (CC-IN2P3)
Graphisme par ordinateur
PROGRAMMATION SCIENTIFIQUE EN C PRO Approximation de fonctions et régression u Approximation linéaire –Méthode du moindre carré u Exemple.
Partie II : Segmentation
Concepts avancés en mathématiques et informatique appliquées
1 La mesure de l’énergie noire par les supernovae groupe RENOIR.
François Couchot, CPE-Lyon, 17 mai Masse des Neutrinos et CMB Extraits de la thèse d’Alexandre Bourrachot (sept. 2004) Problématique de la vraisemblance.
Mesures de description des valeurs des variables
LES FONCTIONS REVISIONS POINTS COMMUNS Vous connaissez Les fonctions linéaires & affines : Les droites les fonctions du second degré : Les paraboles.
Introduction à la physique des particules Jacques Marteau Stéphane Perries.
Transcription de la présentation:

Julien Lesgourgues, LAPTH IAP, janvier 2006 accélération décélération lente décélération rapide inflationradiationmatièreénergie noire temps Extraction des paramètres cosmologiques: introduction et méthodologie

Méthodes Bayesiennes: minimisation contre marginalisation marginalisation : –P(  i ) = ∫ d  n≠i L(  n ) –véritable prédiction du théorème de Bayes –“combien y-a-t il de bons fits pour une valeur donnée de  i “ ? minimisation : –P(  i ) = max  n≠i {L(  n )} –“y-a-t il au moins un bon fit pour une valeur donnée de  i “ ? équivalents dans la limite multi-gaussienne

Méthodes Bayesiennes: méthodes de grille sans stockage des modèles : –définition d’un ensemble de données –grille de runs –stockage des L uniquement –minimization sans interpolation JL ≤ 2001 ou –minimisation avec interpolation ou –marginalisation avec stockage des modèles : –grille de runs –stockage des C l, P(k,z), d L … –définition d’un ensemble de données –minimization sans interpolation Douspis ≤ 2003; Boomerang ≤ 2003 ou –minimisation avec interpolation Tegmark ≤ 2003; JL ≤ 2003 ou –marginalisation Amendola

Méthodes Bayesiennes: méthodes sans grille minimisation directe –définition d’un ensemble de données –choix d’un (ou deux) paramètre(s), discrétisation –chaîne de minimisation sur les autres paramètres (ex: simulated annealing) Hannestad MCMC –définition d’un ensemble de données –chaîne de Markhov obéissant à Metropolis-Hastings: densité des modèles ds espace des paramètres proportionelle à L –comptage par bin = marginalisation sur n-1, n-2, etc. paramètres WMAP, Tegmark, Douspis, Lewis (CosmoMC) -> JL, …

-méthodes “Monte-Carlo” sur fermes de calcul parallèle e.g. Mare Nostrum (Barcelone): 5 ième super-ordinateur mondial, processeurs 2.2 GHz IBM Power PC 970FX

Méthodes Bayesiennes: aspects pratiques nombre de paramètres : –min = 5 (  b,  dm,  , A,  ) + biais expérimentaux –+ tilt, tilt running –+ masse neutrinos –+ w, sa dérivée –+ paramètres du modèle étudié interface avec données : exemple de CosmoMC: –par défaut : CMB : T, pol, primaire ou lentillé; P(k) gal-gal à z=0, linéaire ou Halofit; SNIa; -maison : BAO, weak lensing, Lyman-alpha éviter si possible le travail en double?