Programme d’études 2020-2021English
Modèles aléatoires de recherche opérationnelle
Unité d’enseignement du programme de Master en sciences mathématiques à la Faculté des Sciences

Les étudiants sont invités à consulter les fiches ECTS des AA pour prendre connaissance des modalités d’évaluation spéciales Covid-19 éventuellement prévues pour la fin du Q3

CodeTypeResponsable Coordonnées
du service
Enseignant(s)
US-M1-SCMATH-025-MUE optionnelleGILLIS NicolasF151 - Mathématique et Recherche opérationnelle
  • GILLIS Nicolas

Langue
d’enseignement
Langue
d’évaluation
HT(*) HTPE(*) HTPS(*) HR(*) HD(*) CréditsPondération Période
d’enseignement
  • Français
Français18600044.002e quadrimestre

Code(s) d’AAActivité(s) d’apprentissage (AA) HT(*) HTPE(*) HTPS(*) HR(*) HD(*) Période
d’enseignement
Pondération
I-MARO-015Modèles aléatoires de recherche opérationnelle186000Q2100.00%

Unité d'enseignement

Objectifs par rapport aux acquis d'apprentissage du programme

  • Posséder des connaissances mathématiques intégrées et pointues
    • -Pouvoir mobiliser les mathématiques de bachelier pour traiter de questions complexes et posséder une expertise profonde de celles-ci, prolongeant celle développée en bachelier.
    • -Être capable d'utiliser ses connaissances antérieures pour apprendre des mathématiques de haut niveau de manière autonome.
    • -Être à même de rechercher la littérature mathématique de manière efficace et pertinente.
    • -Être capable de lire des articles de recherche dans au moins une discipline des mathématiques
  • Être capable d'innovation pour résoudre une problématique inédite en mathématiques ou dans leurs applications
    • -Pouvoir mobiliser ses connaissances, rechercher et analyser diverses sources d'information afin de proposer des solutions éventuellement innovantes à des problématiques inédites ciblées.
    • -Pouvoir faire usage de l'outil informatique de manière appropriée, au besoin en développant un petit programme.

Acquis d'apprentissage UE

- modéliser un système à l'aide d'une chaîne de Markov et déterminer son comportement ;
- proposer une politique de gestion des files et des systèmes d'attente.

Contenu de l'UE

Ce cours présente et analyse différents modèles aléatoires pour la recherche opérationnelle, se concentrant principalement sur les chaînes de Markov et leurs applications (PageRank de Google, files d'attente, etc.) 

Compétences préalables

Probabilité et statistiques

Types d'évaluations Q2 pour l'UE

  • Examen écrit

Commentaire sur les évaluations Q2 de l'UE

1 Examen écrit, 100% de la note d'AA, durée : 3h;                        

Types d'évaluation Q3 pour l'UE

  • Examen écrit

Commentaire sur les évaluations Q3 de l'UE

1 Examen écrit, 100% de la note d'AA, durée : 3h;                        

Types d'activités

AATypes d'activités
I-MARO-015
  • Cours magistraux
  • Conférences
  • Exercices dirigés
  • Utilisation de logiciels
  • Démonstrations

Mode d'enseignement

AAMode d'enseignement
I-MARO-015
  • Face à face

Supports principaux

AA
I-MARO-015

Supports principaux non reproductibles

AASupports principaux non reproductibles
I-MARO-015Transparents

Supports complémentaires

AA
I-MARO-015

Supports complémentaires non reproductibles

AASupport complémentaires non reproductibles
I-MARO-015Sans objet

Autres références conseillées

AAAutres références conseillées
I-MARO-015Sans objet

Reports des notes d'AA d'une année à l'autre

AAReports des notes d'AA d'une année à l'autre
I-MARO-015Autorisé
(*) HT : Heures théoriques - HTPE : Heures de travaux pratiques encadrés - HTPS : Heures de travaux pratiques supervisés - HD : Heures diverses - HR : Heures de remédiation - Dans la colonne Pér. (Période), A=Année, Q1=1er quadrimestre et Q2=2e quadrimestre
Date de génération : 09/07/2021
20, place du Parc, B7000 Mons - Belgique
Tél: +32 (0)65 373111
Courriel: info.mons@umons.ac.be