Donner aux étudiants les bases :
- mathématiques théoriques pour réaliser des calculs de taux d'intérêts
- pratiques avec Excel pour utiliser ces calculs et les appliquer principalement aux prêts immobiliers
Ce cours mutualisé pour les étudiants de Master 1 Recherche et Enseignement est un panorama de la littérature latine, associant approche théorique des genres littéraires en lien avec la littérature française et étude d’extraits traduits. Il est centré, en M1, sur les genres narratifs. Les autres genres seront vus en M2 recherche.
Determining water quality is a key question and legislation aims at achieving an ecological and chemical “good status” of all water bodies. In this module, we focus on superficial water bodies (e.g.: rivers, lakes, estuaries, coastal waters) and the way to assess the status of their physico-chemical status by means of measures, sampling and laboratory analysis.
Field operations are located in the coastal lagoon of Vieux Boucau (SW France). Students are in charge of the monitoring design, the hydrological monitoring and laboratory activities.
Aims
The aim of this course is to provide students with a largely comprehensive introduction to aquatic system monitoring by using a wide range of field equipment and lab analyses to investigate the physics and geochemistry of surficial waters.
Objectives
At the end of the Unit, students should be able:
1. to know the basis for defining water quality
2. to set up a sampling strategy (types of pollutants, station location, sampling frequency, sampling apparatus)
3. to perform basic laboratory activities (concentration measurements), control the quality of the data and process data treatment
4. to understand and interpret a water analysis
5. to use databases (multi-variables data), statistical analysis and trend determinations to present, interpret and evaluate results in appropriate forms.
Key Skills Acquired
At the end of this Unit, students should understand:
1. the sampling strategy to encompass spatial and temporal variations
2. the major parameters used to define water quality and measurement methods
3. analytical methods to quantify nutrients and particulate matter parameters
Syllabus
Topics covered include:
• Sample preparation: sampling, preservation, preparation, extraction, analysis
• Expression of results: studied parameters, units,
presentation of results, precision and accuracy
• Chemical substances and pollution criteria
• Major physicochemical characteristics (T, salinity, dissolved oxygen, pH, turbidity), measurement methods
• Particulate material (organic SPM, C, N, P, chlorophyll pigments), measurement methods
• Nutrients (nitrite, nitrate, ammonia, phosphate, silicate), measurement methods
• Application of analytical methods to environmental samples
Learning & Teaching
• Lectures: 30 hr
• Practical tutorials : 6 hr
• Field and lab analysis 24 hr
Teaching Staff
M Monperrus / L Lanceleur
Semester 1
Timetable slot To be advised
ECTS 6
Level
Bibliography
• Fundamentals of Environmental Sampling and Analysis, by Chunlong Zhang
• Water Quality: An Introduction , by Claude E. Boyd
Assessment
• Written theory examination (50%)
• Field report presenting details of sampling collection and environmental measurements as well as post-fieldwork analysis.
(50%)
Course Evaluation
By completion of University Unit Evaluation Questionnaire by students, annual assessment by Unit Coordinator.
Présentation générale du cours
Jacky Cresson
Le cours explore la notion de variable aléatoire et la manière de caractériser ces dernières. Il suppose une connaissance de la théorie de la mesure et de l'intégration.
Variables aléatoires et espaces probabilisés
En pratique, les quantités que nous observons ou mesurons sont des variables aléatoires (pour le moment indépendantes du temps) comme par exemple la variation de la taille d'une roue ou de certaines caractéristiques d'une pièce dans une chaîne de fabrication. On modélise ces mesures par la notion mathématique de variable aléatoire qui suppose un espace probabilisé sous-jacent qui la plupart du temps est inaccessible à l'analyse sauf dans des situations idéalisées. Cet espace probabilisé est donc nécessaire à la modélisation mathématique de la quantité observée.
La notion de densité de probabilité ou comment contourner une description explicite de l'espace probabilisé
Pour dire quelque chose sur cette variable aléatoire il est nécessaire de calculer certaines quantités d'intérêts comme la probabilité que cette variable soit comprise entre telle et telle valeur ou déterminer des paramètres caractéristiques comme la moyenne et la fluctuation de la variable à cette moyenne contenue dans la variance. Or ces quantités font appel à la probabilité définie sur l'espace probabilisé sur lequel nous avons peu ou pas d'informations. Il est néanmoins possible dans certains cas de contourner cette difficulté: les variables aléatoires à densité ont la particularité que la probabilité associée à la variable s'exprime en fonction d'une fonction qui elle sera a priori accessible car elle permet de ramener des calculs se déroulant sur l'espace probabilisé à des calculs intégraux sur l'espace réel (ou R^n de manière générale).
Les variables aléatoires Gaussienne comme modèle de fluctuations universel
La modélisation de la variable aléatoire passe alors par le choix d'une densité représentant l'aléa de la variable aléatoire. Plusieurs densités sont étudiées et classifiées suivant certaines caractéristique de la variable comme la fluctuation par rapport à la moyenne ou autre. L'une d'elle s'appelle la fonction Gaussienne qui caractérise des aléas dont les fluctuations par rapport à la moyenne se répartissent suivant la courbe en cloche de Gauss. On parle alors de variables aléatoires Gaussiennes. Les hypothèses conduisant à une variable aléatoire Gaussienne sont faibles: si cette fluctuation provient d'un ensemble de petites variations équidistribuées autour de 0 alors le théorème central limite nous dit que la variable représentant la somme de ces variations correctement pondérée suivra une loi Gaussienne. En absence d'informations précises sur les fluctuations, on considère donc souvent que celles-ci peuvent se représenter par une variable aléatoire Gaussienne.
Prendre en compte une information partielle ou la notion d'espérance conditionnelle
Quelquefois il est difficile d'avoir beaucoup d'informations sur la variable que l'on observe et on a accès à une quantité partielle d'informations. Dans ce cas, une question naturelle est de savoir ce que nous pouvons reconstruire de la variable à partir de ces observations partielles. Un exemple de ce type de problème est donné par la construction de l'espérance conditionnelle d'une variable aléatoire par rapport à une autre ou à une tribu. Ces quantités seront souvent les seules accessibles à partir des mesures.
Plan du cours
Le cours va donc formaliser chacun des points ci-dessus et sera constitué de trois chapitres qui porteront essentiellement sur la définition des objets et la manipulation de ces derniers. Un point important, qui ne sera pas abordé dans ce cours, concerne le calcul explicite en fonction des données des quantités que nous aurons définies. C'est un travail difficile qu'il conviendra d'explorer ensuite.
Les trois grands chapitres du cours sont donc:
1- La notion de variable aléatoire
2- Variables aléatoires Gaussiennes
3- Espérance conditionnelle
Les cours seront déposés progressivement ainsi que les TDs.
Bon courage à tous.
Jacky Cresson
Mots clé : Systèmes logistiques ; flux ; flux internes
Description du cours et modalités pédagogiques :
L'objectif de cette unité d'enseignement est de donner, dans un premier temps, une image globale des différentes méthodes et les prés requis indispensables à la mise en place d'une gestion des flux.
L’EC Flux internes s’intéresse aux flux internes à l’entreprise, interne au service de production, interne entre les services de l’entreprise, à savoir les services Marketing, Finance, Production, Stratégie, etc.
1) Notions de Flux : Flux Tirés, Flux Poussés, …
2) Optimisation et Amélioration des Flux : Avantages/Inconvénients, Domaines d’Amélioration, Risques, …
3) Flux Poussé : concept MRP traditionnel
4) Flux Tiré : Kanban, SMEC, OPT, etc.
5) Conséquences initiées par la gestion à flux poussés et flux tirés
6) Analyse des relations entre systèmes de gestion à flux poussés et flux tirés.
7) 5S et implication des hommes. Les outils du management Hoshin
Le but du cours est que l’étudiant maîtrise des
techniques actuelles de RMN, IR, Raman spécifiques à
l’étude des matériaux et acquière une
aptitude à évaluer de façon critique les techniques d’analyse les plus
appropriées pour répondre à un problème donné en caractérisation des matériaux.
Ce cours est une mise à niveau sur les compétences des collectivités locales, et repose sur l'apprentissage d'une série de fiches de cours mises en ligne.
Cours 1 - le 11 septembre
Présentation du dossier, lecture d'un article sur la mise en oeuvre des compétences des collectivités sur l'énergie
Cours 2 - le 5 décembre
QCM sur l'ensemble des cours mis à disposition sur Elearn
/ Les méthodes d’introduction de l’échantillon
B/ Utilisation des différents types de spectrométrie
Cours/TD Traitement des eaux résiduaires usées
L'objectif de ce cours est d'aborder le rôle de l'AP (activité physique) dans la prévention et l'entretien de la santé. Les effets de l'AP sur la santé, les recommandations internationales en la matière et les stratégies de promotion à utiliser sont notamment abordées.