1 Introduction Contexte de l étude Contributions de ce travail... 3
|
|
- Augustin Fournier
- il y a 8 ans
- Total affichages :
Transcription
1 Table des matières Introduction. Contexte de l étude Contributions de ce travail Signaux aléatoires à densité de probabilité à queue épaisse 5 2. Modélisation et simulation de variables aléatoires Méthode de la transformation inverse Principales familles de signaux aléatoires à densité de probabilité à queue épaisse α-stable Gaussien généralisé Simulation d un bruit gaussien généralisé pour α = / Fonction de Lambert Bruit gaussien généralisé d exposant α = / Évaluation numérique de W Évaluation de précision arbitraire Approximation rapide Génération du bruit gaussien généralisé d exposant α = / Conclusion Signaux aléatoires à longue dépendance statistique Définition de la densité de probabilité à deux instants d un signal aléatoire Une classification des signaux aléatoires Principaux modèles de processus à longue dépendance statistique Accroissements stationnaires de processus auto-similaires Les accroissements stationnaires du mouvement brownien fractionnaire Modèle différentiel non stationnaire Le modèle FARIMA
2 ii TABLE DES MATIÈRES 4.4 Méthodes de synthèses de processus à longue dépendance statistique Synthèse du bruit Gaussien fractionnaire Synthèse par modèle différentiel non-stationnaire Synthèse par le modèle FARIMA Dynamique (max,+) de base pour la longue dépendance Introduction Le système dynamique (max,+) du premier ordre Présentation du modèle Étude du modèle Étude théorique du modèle Étude théorique des propriétés statistiques du signal de sortie Simulation numérique Autres évolutions Conclusion Modèle dynamique (max,+) non stationnaire Présentation du modèle Étude du modèle Étude théorique Simulation numérique Conclusion Conclusion 85 Annexes 87 A 89 A. Méthodes de simulation et de génération des réalisations d une variable aléatoire 89 A.. Générateur de v.a uniforme sur [0,] A..2 Exemples de Générateurs : Générateurs Congruentiels A.2 Simulation de quelques lois usuelles A.2. Loi exponentielle A.2.2 Loi de Weibull A.2.3 Loi de χ 2 (Khi-deux) A.2.4 La loi Bêta A.2.5 La loi Gamma
3 TABLE DES MATIÈRES iii B 93 B. Encadrement des sommes par des intégrales C 0 C. Systèmes dynamiques (max,+) C.. Exemples de systèmes dynamiques à événements discrets C..2 Théorie algébrique des systèmes (max, +) C..3 Analogie avec les systèmes linéaires C..4 Approche stochastique des systèmes dynamiques à événements discrets.. 05 Bibliographie 07
4
5 Chapitre Introduction. Contexte de l étude.. Systèmes complexes et modèles stochastiques non standard L étude des systèmes complexes a fait de grands progrès au cours des quinze dernières années, tant du point de vue des méthodes que de la formalisation et des outils de modélisation. Le champ des applications de la théorie de ces systèmes est extrêmement vaste : il touche de larges secteurs de la physique (les systèmes physiques désordonnés, la turbulence, etc.), de la biologie (le système gènes-protéines, le système immunitaire, les systèmes écologiques, etc.), de l économie (l évolution d indices financiers, etc.), de l ensemble des sciences humaines et sociales, mais aussi des nouvelles technologies (le trafic informatique, le trafic sur les réseaux de télécommunication, les séquences d images vidéo et les bruits de composants électroniques, etc.). Il s agit donc d un domaine très pluridisciplinaire, les outils développés essentiellement par des mathématiciens, des physiciens théoriciens et des informaticiens ayant vocation à être utilisés par toutes les disciplines travaillant sur des objets complexes. Un système complexe peut être défini comme un système composé de nombreux éléments différenciés interagissant entre eux de manière non triviale (interactions non-linéaires, boucle de rétroaction, etc.). La dynamique de ces systèmes peut varier en fonction des circonstances : il n y a pas de proportionnalité entre les causes et les effets. Beaucoup de systèmes complexes peuvent changer brutalement de comportement, ce qui suggère que les relations fonctionnelles qui les représentent ne sont pas linéaires, et même souvent non différentiables (du moins localement). Le comportement des systèmes complexes se caractérise donc par sa non-linéarité, son instabilité, sa sensibilité aux conditions initiales, son imprévisibilité, ainsi que par le grand nombre d agents en interaction. Cette dernière caractéristique justifie donc l utilisation d une description statistique afin de mieux appréhender ces systèmes.
6 2 Introduction En effet, les systèmes complexes peuvent dans certains régimes de fonctionnement présenter des propriétés statistiques non triviales ou non classiques. Dans cette opération de recherche seront discutées deux de ces propriétés. Tout d abord pour les statistiques du premier ordre, la propriété de la queue épaisse de la densité de probabilité, qui se manifeste par des queues qui décroissent moins vite qu exponentiellement (densité non gaussienne). Ensuite, pour les statistiques de deuxième ordre, la longue dépendance statistique qui se caractérise par des corrélations à longue portée, c est-à-dire des corrélations qui décroissent moins vite qu exponentiellement (la fonction d autocorrélation entre les états aux instants t et t+l décroît lentement avec le retard l). Toutefois, les signaux aléatoires issus de systèmes complexes fortement non linéaires ne peuvent pas être modélisés à partir de processus usuels de type ARMA ou Markoviens. Ces derniers sont certes utiles dans plusieurs applications [8, 6, 2], cependant ils présentent comme inconvénient une mémoire courte avec une fonction d autocorrélation qui décroît de façon exponentielle, contrairement aux propriétés statistiques évoquées précédemment. Quelques modèles stochastiques non standard ont été introduits récemment. Ils s appuient sur des techniques utilisées en physique non-linéaire [, 3], par exemple les lois d échelle, l analyse fractale, les théories statistiques des systèmes hors équilibre, etc. Nous allons maintenant, nous intéresser plus précisément à ces modèles stochastiques non standard et leurs caractéristiques statistiques.... Caractérisation statistique du premier ordre Les statistiques du premier ordre sont décrites par la densité de probabilité ou la fonction de répartition ou encore par la fonction caractéristique et les différents moments du premier ordre. Les signaux issus des modèles stochastiques linéaires classiques, ont une densité de probabilité gaussienne en vertu du théorème central limite (TCL), selon lequel lorsque l on superpose linéairement un grand nombre d agents (ou de variables) qui n interagissent pas, on obtient asymptotiquement une densité gaussienne. Les modèles stochastiques non standard étant non linéaires, et les agents étant interdépendants, la superposition de ces variables nous renvoie un résultat non gaussien. Cependant, la densité ne donne pas des informations complètes sur les signaux ; elle ne renseigne que sur la fréquence de visite des valeurs prises par le signal. Pour cette raison, il est souhaitable d élargir l étude aux statistiques du deuxième ordre (relation entre les statistiques prises à deux instants t et t 2 différents).
7 .2. Contributions de ce travail Caractérisation statistique du deuxième ordre Les statistiques du deuxième ordre sont décrites par la densité conjointe, ou la loi conjointe ou encore par la fonction caractéristique et les différents moments du deuxième ordre. En général, le calcul analytique de la densité conjointe est très difficile, nous utiliserons la fonction d autocorrélation qui est une propriété statistique du deuxième ordre, facilement accessible et calculable expérimentalement, plus pratique pour la description de la densité de probabilité conjointe. Contrairement aux modèles stochastiques usuels, qui possèdent une mémoire courte, les modèles non standard ont des corrélations qui décroissent moins vite qu exponentiellement. Pour aller plus loin, on pourrait étendre l étude aux statistiques d ordre supérieur ; néanmoins, cela ne sera pas fait ici puisqu il s agit d un domaine de recherche récent et peu exploré..2 Contributions de ce travail L objet de nos recherches, qui s inscrit dans une thématique de recherche actuelle, est de contribuer à la modélisation et à la synthèse de signaux aléatoires. Il s agira en particulier, des signaux à densité de probabilité à queue épaisse et des signaux à corrélation non exponentielle. Cette étude consistera en des analyses théoriques et des simulations numériques, afin de mieux comprendre ces phénomènes. Nous décrirons tout d abord les principales familles de densité de probabilité à queue épaisse. Nous passerons en revue les principales approches théoriques qui ont été développées à cet égard, ainsi que leurs limitations. Nous présenterons ensuite nos résultats obtenus dans l étude des signaux à densité de probabilité à queue épaisse, notamment dans une classe particulière des densités de probabilité, appelée gaussienne généralisée d exposant α. Nous proposerons un algorithme rapide, et en un seul coup, pour synthétiser des réalisations effectives dans le cas où α = /2. Nous avons établi explicitement une méthode qui s applique directement à l évaluation numérique de la fonction de Lambert, cette dernière nous sert à résoudre le problème de synthèse du bruit gaussien généralisé d exposant α = /2 [20]. Nous situerons et développerons ensuite nos contributions à l étude des signaux à longue dépendance statistique. Nous ferons au préalable une présentation des principaux modèles théoriques, qui ont été introduits dans l étude de ce type de signaux, ainsi que de leurs limitations ; puis nous exposerons nos résultats dans l étude des signaux à mémoire longue : nous y proposerons un nouveau modèle, qui s appuie sur une classe particulière des systèmes dynamiques non linéaires, que sont les systèmes dynamiques (max, +). Ceux-ci servent à modéliser des systèmes à événements discrets. Ce modèle prend la forme d une simple récurrence d ordre
8 4 Introduction un, excité par un bruit blanc en entrée. Les statistiques des premier et deuxième ordres du signal produit sont calculées théoriquement et testées numériquement. Elles établissent qu il peut être utilisé pour une génération en ligne de longue dépendance sur des horizons temporels potentiellement illimités. Nous analyserons finement les propriétés du modèle proposé. Nous chercherons aussi à faire évoluer le modèle, afin d accroître la maîtrise de cette longue dépendance statistique et de rendre ces modèles plus riches et d avoir plus de propriétés [2, 9, 8, 5, 7]. Finalement, dans la conclusion, nous donnerons une synthèse et des perspectives concernant ce type de signaux. Les annexes sont divisées en trois parties. Dans la première, nous rappellerons les techniques de simulation de variables aléatoires de quelques lois usuelles. Dans la seconde sera développée la suite des calculs théoriques de la partie étude du modèle de base pour la génération de la longue dépendance statistique. Nous présenterons enfin dans la dernière les systèmes dynamiques (max,+) et leur théorie algébrique, ainsi que des exemples pratiques de ces systèmes.
9 Chapitre 2 Signaux aléatoires à densité de probabilité à queue épaisse 2. Modélisation et simulation de variables aléatoires Les signaux aléatoires issus des systèmes complexes, sont souvent des signaux non gaussiens qui, observés expérimentalement, présentent dans la plupart des cas des densités de probabilité à queue épaisse. Ces densités caractérisent des signaux pouvant prendre, avec une probabilité forte, des valeurs très éloignées de la valeur moyenne. Nous exposons ultérieurement les deux familles de densité à queue épaisse les plus largement étudiées pour modéliser ce type de signaux et en synthétiser des réalisations effectives dans certains cas. Il existe plusieurs méthodes, pour simuler numériquement des variables aléatoires. Nous détaillons ci-dessous l une d elles, que nous utiliserons plus tard pour simuler le bruit gaussien généralisé d exposant α = /2. Celle-ci est basée sur des transformations non linéaires, en vue d atteindre des densités en un seul coup [62]. 2.2 Méthode de la transformation inverse Soit X une variable aléatoire de fonction de répartition F qu on suppose inversible, et U une variable aléatoire distribuée uniformément dans [0, ], nous présenterons la procédure pour générer des réalisations indépendantes suivant la loi uniforme dans la section annexe A. Par la suite nous supposons que la procédure de simulation de U est vérifiée. Considérons la variable aléatoire Z = F (U) (2.)
10 6 Chapitre 2. Densité de probabilité à queue épaisse Z et X ont même loi. En effet, P {Z x} = P { F (U) x } = P {U F (x)} = F (x) = P {X x}. F est ici l inverse à droite de F, c est-à-dire que F (α) = inf{x, F (x) α} Dans le cas où la fonction de répartition ne s inverse pas bien ou on ne peut pas trouver une expression explicite, mais on connaît la densité f, on utilise la méthode de rejet. Soit g une densité pour laquelle on sait simuler facilement des variables aléatoires dont la densité de la loi est g et telle que f(x) ag(x) pour un coefficient a donné. La méthode consiste à :. Générer un tirage de loi de densité g, avec x pour résultat; 2. Générer un tirage d une loi uniforme sur [0, ], avec u pour résultat; 3. Si u f(x)/ag(x), alors garder x sinon recommencer en. Les tirages ainsi suivent bien une loi de densité f. On est toutefois parfois obligé d avoir recours à des méthodes ad-hoc pour certaines lois comme les lois beta, gamma, etc. Des exemples de lois générées par cette méthode sont également présentés en annexe A. 2.3 Principales familles de signaux aléatoires à densité de probabilité à queue épaisse 2.3. α-stable Parmi les familles de signaux à densité de probabilité à queue épaisse se trouve celle des α-stables. Elles ont été introduites pour la première fois en 925 dans les travaux de Paul Lévy [54] dans le théorème central limite généralisé. Depuis sa découverte, une vaste quantité de connaissance a été accumulée au sujet des propriétés de ces densités de probabilité. Elles se sont avérées très utiles pour fournir des modèles propres à décrire des signaux à densité de probabilité à queue épaisse. La première application largement connue de ce modèle est intervenue après le travail de Mandelbrot [55] sur les modèles de séries chronologiques financières. Par la suite, en 970, trois chercheurs de Bell Labs (Chambers, Mallow et Stuck) ont prouvé que ce modèle peut servir à modéliser le bruit dans les lignes téléphoniques [4] ; elle a eu aussi du succès dans
11 2.3. Principales familles de signaux aléatoires à densité de probabilité à queue épaisse 7 diverses applications en sciences de l ingénieur comprenant le traitement des signaux de radar [48], la modélisation en télétrafic [64], etc. Les signaux α-stables sont définis pour les valeurs du paramètre α dans l intervalle ]0, 2]. Si ce paramètre prend les valeurs de l intervalle ouvert ]0, 2[, ces signaux ont une densité de probabilité non-gaussienne, caractérisée par des queues épaisses. Par exemple, si α =, les signaux α-stables ont une densité de Cauchy ; si α = 2, les signaux sont gaussiens. Notons que les moments des signaux α-stables, à l exception des gaussiens, existent seulement dans les cas où les degrés sont strictement inférieurs à α (0 < α < 2) [58] Généralités Les variables aléatoires α-stable vérifient la propriété suivante : Définition 2.. Soit X une variable aléatoire réelle, X est appelée stable au sens de Lévy, ou α-stable, si pour tout couple C,C 2 > 0, il existe α ]0, 2] et D R tels que C X + C 2 X 2 d CX + D C α = C α + Cα 2 où d symbolise l égalité en distribution et où X et X 2 sont deux copies indépendantes de X. Dans le cas où D = 0, X est dit strictement stable. α ]0, 2] est l exposant caractéristique des lois α-stables. La définition ci-dessus peut être généralisée à n variables aléatoires. Par conséquent, toute combinaison linéaire de n copies indépendantes de X est de même loi de probabilité que X. Pour les variables α-stables, dans le cas général, il n existe pas une expression analytique de la densité de probabilité, cependant on peut accéder à la fonction caractéristique, en s inspirant de la propriété de la stabilité précédente. Fonction caractéristique d une variable aléatoire La fonction caractéristique est définie par : [ ] φ X (t) = E exp(itx) = exp(itx)f(x)dx, (2.2) où E[.] est l opérateur linéaire, espérance mathématique. L expression analytique de la fonction caractéristique des variables aléatoires α-stable est donnée par la définition suivante : Propriété. La fonction caractéristique d une variable α-stable est donnée par [39] : φ(t) = exp{iµt σ α t α [ + iβ sign(t) ω( t, α)]} (2.3)
12 8 Chapitre 2. Densité de probabilité à queue épaisse où ω( t, α) = { tan(πα/2) pour α, (2/π) log t pour α =. et où µ, σ 0, β, 0 < α 2 sont les quatre paramètres qui caractérisent les lois stables, α correspondant à l indice de stabilité, β au cœfficient d asymétrie, σ à l échelle, µ à la position par rapport à 0. La fonction sign est définie par : pour x > 0, sign(x) = 0 pour x = 0, pour x < 0. Signalons, pour la simulation des variables α-stables, qu il existe des méthodes approchées que nous ne détaillerons pas dans ce mémoire (voir [39], pages : ). Ci-dessous, nous donnons simplement des exemples classiques de ces variables, avec leurs méthodes de simulation. (2.4) (2.5) On note par la suite les lois α-stables par S α (σ, β, µ). Loi de Cauchy Soit X une variable aléatoire de Cauchy de paramètres σ et µ, sa densité de probabilité se présente sous la forme suivante : f(x) = σ π ( σ 2 + (x µ) 2), (2.6) µ représente ici la médiane de X, c est-à-dire le point tel que Pr{X < µ} = Pr{X > µ} = /2. Sa fonction de répartition s écrit : F (t) = π arctan [ t µ ] + /2. (2.7) σ On peut calculer facilement sa fonction caractéristique en utilisant (2.2), d où il ressort : φ X (t) = exp(itµ σ t ). (2.8) À partir de la formule générale de la fonction caractéristique des variables aléatoires α-stables (2.3), on peut déduire que la loi de Cauchy est un cas particulier des lois α-stables ; dans ce cas la loi est S (σ, 0, µ). En appliquant (2.), la transformation suivante : X = σ tan ( π(u /2) ) + µ, (2.9)
13 2.3. Principales familles de signaux aléatoires à densité de probabilité à queue épaisse 9 permet de générer des réalisations de X à partir de la variable aléatoire uniforme U. Notons que les moments d une variable aléatoire X de Cauchy sont infinis. En effet, pour un entier m 0 E[X m ] = = σ π + + x m f(x)dx x m σ 2 + (x µ) 2 dx Posons : g(x) = x m σ 2 + (x µ) 2. Au voisinage de l infini, g(x) x 2 m, l intégrale de Riemann ( dx) converge si 2 m >, c est-à-dire lorsque m = 0 ; ce qui x 2 m ( ) contredit le fait que m 0. Il en résulte que le moment de degré m E[X m ] est divergent. Les Figs. 2. et 2.2 montrent respectivement la courbe de la densité de probabilité de la variable aléatoire de Cauchy de paramètre σ = et µ = 0, ainsi qu une réalisation de cette variable Densité de probabilité u Figure 2. : Densité de probabilité d un signal qui suit la loi de Cauchy de paramètres σ =, µ = 0 (S (, 0, 0)).
14 0 Chapitre 2. Densité de probabilité à queue épaisse signal s(t) temps t Figure 2.2 : Une réalisation d un signal qui suit la loi de Cauchy de paramètres σ =, µ = 0 (S (, 0, 0)). Loi de Gauss De même on définit la densité de probabilité d une variable aléatoire gaussienne X de moyenne µ et d écart-type σ par : f(x) = [ σ 2π exp 2 ( x µ σ ) 2 ], (2.0) sa fonction de répartition est exprimée au moyen d une fonction spéciale appelée erf(x) ; cette dernière est définie comme suit : erf(x) = 2 π x C est une fonction impaire qui vérifie : 0 si x = 0, erf(x) = si x = +. 0 exp( t 2 )dt. (2.) (2.2) Pour une variable aléatoire gaussienne de moyenne µ et de variance σ 2, la fonction de répartition s écrit en fonction de erf(x) : F (x) = 2 [ + erf ( x µ 2σ ) ]. (2.3)
15 2.3. Principales familles de signaux aléatoires à densité de probabilité à queue épaisse La simulation d une telle variable, en utilisant la méthode (2.) est donnée par la transformation suivante : X = [ ] 2σ erf (2U ) + µ. (2.4) Notons que les fonctions erf(x) et son inverse existent dans toutes les bibliothèques de programmations. Sa fonction caractéristique s écrit : φ X (t) = exp (iµt σ2 t 2 ) 2 (2.5) Il est clair que X suit la loi S 2 (σ, 0, µ) en s appuyant toujours sur la fonction caractéristique générale des α-stables (2.3). D autres méthodes existent pour générer une variable gaussienne, dont la génération de deux paires de variables aléatoires gaussiennes indépendantes (méthode en 2 dimensions) [69]. X = 2 log U cos (2πU 2 ) (2.6) X 2 = 2 log U sin (2πU 2 ) (2.7) U et U 2 sont des variables aléatoires indépendantes distribuées uniformément dans [0, ]. Le calcul des moments est immédiat, la formule suivante permet de calculer les moments de degré k à partir de la fonction caractéristique E[X k ] = j k φ (k) X (0) (2.8) où j est le nombre complexe tel que j 2 = et où φ (k) X est la derivée d ordre k. Les Figs. 2.3 et 2.4 montrent respectivement la courbe de la densité gaussienne de moyenne 0 et d écart-type, ainsi qu une réalisation de la variable aléatoire gaussienne.
16 2 Chapitre 2. Densité de probabilité à queue épaisse 0.4 Densité de probabilité u Figure 2.3 : Densité de probabilité d une variable aléatoire gaussienne de moyenne µ = 0 et d écart-type σ = (S 2 (, 0, 0)). signal s(t) temps t Figure 2.4 : Une réalisation d une variable aléatoire gaussienne de moyenne µ = 0 et d écarttype σ = (S 2 (, 0, 0)).
17 2.3. Principales familles de signaux aléatoires à densité de probabilité à queue épaisse 3 Malgré le rôle important des α-stables dans la modélisation des signaux à densité de probabilité à queue épaisse, elles présentent des limites : d une part elles ne permettent pas la plupart du temps un accès analytique à la densité de probabilité ; d autre part, sauf exception, leurs moments ne sont pas définis, ce qui reste un problème dans la recherche Gaussien généralisé La famille des densités de probabilité gaussienne généralisée constitue un autre modèle pour décrire le phénomène de la queue épaisse, elle a l avantage de présenter une densité de probabilité bien définie analytiquement. Cette densité possède trois paramètres : la moyenne µ, l écarttype σ et un paramètre de forme α > 0. Il s agit d une extension de la famille des densités gaussiennes avec un paramètre supplémentaire, dit de forme. Cela permet d englober en plus des lois gaussiennes (α = 2). La génération de ces lois de probabilité est appropriée pour modéliser plusieurs processus, qui sont observés dans des domaines variés dont le traitement de la parole, l audio, ou le signal vidéo [7, 4], les images [57, 43], ou bien la turbulence [32]. La simulation du bruit généralisé demeure un outil important pour comprendre et contrôler de tels processus. La densité de probabilité a pour expression : avec ξ(α) = [ Γ(3/α) σ 2 Γ(/α) f(x; µ, σ, α) = [ 2Γ(/α) ] ξ(α) α exp ( (ξ(α) x µ ) α) (2.9) ] 2, et où Γ (gamma) est la fonction classique définie par : Γ(x) = + 0 u x e u du. (2.20) Dans la suite nous considérons que la variable aléatoire X est gaussienne généralisée, et a une moyenne nulle et une variance unité. En effet, la densité de probabilité d une variable Y quelconque de moyenne µ et de variance σ 2, peut être obtenue en fonction de la densité de probabilité de la variable aléatoire X, en utilisant la transformation suivante Y = µx + σ. On peut écrire dans ce cas la densité de probabilité sous la forme suivante : telle que les paramètres A et b sont exprimés comme suit : f X (x) = A exp( bx α ). (2.2) A = (α/2)[γ(3/α)] /2 /[Γ(/α)] 3/2 et b = [Γ(3/α)/Γ(/α)] /2. Sa fonction de répartition est donnée par [2] : F (x) = A bα Γ incomp ( (bx) α, ) α x 0, (2.22)
18 4 Chapitre 2. Densité de probabilité à queue épaisse où Γ incomp est la fonction gamma incomplète définie par : Γ(y, a) = + y t a e t dt, (2.23) que l on peut écrire sous la forme suivante [62] : Γ(y, a) = exp( y) y a H(y, a), (2.24) où H(y, a) est la fonction standard, fractionnelle continue définie par : H(y, a) = (2.25) ( a) y + a y+3 a 2(2 a) y+5 a Pour les x 0, puisque la densité de probabilité f est symétrique, nous allons utiliser la relation suivante : F ( x) = F (x). Il en résulte que : A bα Γ incomp F (x) = A bα Γ incomp ( ) (bx) α, α ( ) (bx) α, α pour x 0, pour x 0. (2.26) Notons que les moments de ce type de variables aléatoires sont finis, calculables analytiquement (par opposition à d autres densités de probabilité à queue épaisse[70], comme les densités α-stables). L expression analytique des moments de degré m est donnée ci-dessous. ] Si m est impair, E [X m = 0, car la fonction x m exp( bx α ) est impaire. Si m est pair, on a : [ E X m] = = = 2A αb m+ Ax m exp( bx α ) dx Ax m exp( (bx) α ) dx + = 2A ( m + αb m+ Γ α 0 y m+ α exp( y) dy ) Finalement, [ E X m] = 0 si m est impair, ( ) 2A m+ si m est pair. αb m+ Γ α (2.27)
19 2.3. Principales familles de signaux aléatoires à densité de probabilité à queue épaisse 5 Nous donnons ici, pour différentes valeurs de α les comportements que peut adopter la loi gaussienne généralisée. α = 2, nous trouvons la densité gaussienne standard. α > 2, nous obtenons des densités de probabilité qui tendent vers 0 plus rapidement que la densité gaussienne. α tend vers +, nous trouvons la loi uniforme. 0 < α < 2, nous parlons des densités à queue épaisse [39, 65]. Nous présentons dans la Fig. 2.5, les courbes des densités de probabilités pour différentes valeurs de α, et dans la Fig. 2.6 les mêmes courbes, mais dans un diagramme Semi-log pour mieux voir les queues. Densité de probabilité α=3/4 α=2 α=3 0. α= u Figure 2.5 : La courbe de la densité gaussienne généralisée pour différentes valeurs de α.
20 6 Chapitre 2. Densité de probabilité à queue épaisse 0 0 α=3/4 Densité de probabilité 0 α=3 0 2 α=2 α= u Figure 2.6 : La courbe de la densité gaussienne généralisée pour différentes valeurs de α. Le bruit Laplacien est un cas particulier des bruits gaussiens généralisés où α =. L Éq. (2.2) nous donne l expression analytique de la densité de probabilité. f(x) = 2 exp( 2x ). (2.28) Nous présentons dans la Fig. 2.7, la courbe de cette densité de probabilité. 0.8 Densité de probabilité α= u Figure 2.7 : La courbe de la densité de probabilité de Laplace standardisée.
21 2.3. Principales familles de signaux aléatoires à densité de probabilité à queue épaisse 7 À partir de la formule générale de la fonction de répartition, calculée précédemment (2.26), nous trouvons pour α = : F (x) = 2 exp( 2 x ) pour x 0, 2 exp( 2 x ) pour x 0. (2.29) La Fig. 2.8 représente la fonction de répartition de Laplace standardisée selon l Éq. (2.29). fonction de répartition x 5 0 Figure 2.8 : La courbe de la fonction de répartition de Laplace standardisée d après l Éq. (2.29). L inverse de F est donnée par : F (u) = 2 ln(2u) pour 0 < u /2, 2 ln[2( u)] pour /2 u <, (2.30) En utilisant l expression (2.30), on peut simuler facilement une variable aléatoire X, qui suit une loi de Laplace standardisée à partir d une variable de loi uniforme. La Fig. 2.9 représente une réalisation du bruit de Laplace standardisé, et la Fig. 2.0 représente les trois bruits accessibles pour différentes valeurs de α.
22 8 Chapitre 2. Densité de probabilité à queue épaisse 6 4 signal s(t) temps t Figure 2.9 : Une réalisation du bruit de Laplace standardisé. 5 0 α= signal s(t) α=2 α=+oo temps t Figure 2.0 : Trois réalisations du bruit pour trois α accessibles (α = : bruit Laplacien, α = 2 : bruit gaussien, α = + : bruit uniforme ). Cependant, d une manière générale, il n est pas facile de faire la simulation numérique des signaux à densité gaussienne généralisée en appliquant la méthode d inversion (2.) décrite précédemment, pour les raisons suivantes : tout d abord, le calcul de la fonction de répartition
23 2.3. Principales familles de signaux aléatoires à densité de probabilité à queue épaisse 9 introduit des intégrales difficiles à évaluer explicitement (sauf cas particuliers). Une deuxième raison réside dans une impossibilité fréquente d inverser cette fonction. Le bruit Laplacien (α = ), était considéré jusqu à présent comme le seul modèle à même de conduire à la propriété de densité à queue épaisse ; nous allons nous intéresser à un autre cas de la famille des densités gaussiennes généralisées, le cas où α = /2. Dans le chapitre suivant, dans le but d inverser la fonction de répartition, nous serons amenés à introduire une fonction spéciale, dite fonction de Lambert, pour laquelle nous proposerons un algorithme rapide propre à l évaluer numériquement.
24
25 Chapitre 3 Simulation d un bruit gaussien généralisé pour α = /2 Dans ce chapitre, nous allons proposer une approche numérique pour simuler la variable aléatoire X qui suit une loi dite gaussienne généralisée avec α = 2 comme exposant. Nous allons montrer que l inverse de sa fonction de répartition F (u) est exprimé au moyen d une fonction spéciale dite fonction de Lambert, que l on notera W par la suite. Cette fonction n a pas de forme explicite, ce qui nous conduit à fournir une méthode numérique pour l évaluer, sur laquelle nous nous baserons pour construire un algorithme simple et rapide et générer plusieurs réalisations d un bruit gaussien généralisé d exposant /2. 3. Fonction de Lambert -/ e W (z) z W (z) Figure 3. : Les deux branches réelles de la fonction W de Lambert. La ligne continue : W (z) définie pour /e z < 0. La ligne pointillée : W 0 (z) définie pour /e z < +. Les deux branches ont un point commun ( /e, ).
26 22 Chapitre 3. Gaussien généralisé d exposant α = /2 La fonction de Lambert W est définie par la fonction inverse de l application w we w [25]. Cette fonction vérifie W (z)e W (z) = z pour tout z complexe. Si z est réel et z < e, alors W (z) est à valeurs multiples complexes. Si z réel et e z < 0, il y a deux valeurs réelles possibles pour W (z) : La branche qui vérifie W (z) est notée par W 0 (z) et on l appelle la branche principale de la fonction de Lambert. La branche qui vérifie W (z) est notée par W (z). Si z est réel et positif, il y a une seule valeur de W (z), qui appartient à la branche principale W 0 (z). Par la suite, la branche réelle qui nous intéresse est W (z), qui est définie pour tout /e z < 0. Les deux branches W (z) et W 0 (z) sont représentées dans la Fig. 3. pour tout z réel. Plusieurs problèmes qui se posent dans différentes applications mathématiques, physiques et sciences de l ingénieur, font appel à cette fonction, ce qui donne à cette dernière un rôle central pour résoudre ces problèmes [25], à tel point que des scientifiques la considère comme une fonction mathématique spéciale. Dans ce chapitre, nous allons donner un autre champ d application de W, dans le domaine du traitement du signal, pour synthétiser le bruit gaussien généralisé d exposant α = Bruit gaussien généralisé d exposant α = /2 Ici nous considérons le cas particulier où α = 2, l Éq. (2.2) devient : 30 f(x) = 2 exp( 2 30x /2 ) (3.) En s appuyant toujours sur la formule (2.26), la fonction de répartition est donnée par : ( x /2 ) exp( 2 30x /2 ) pour x 0, 2 F (x) = (3.2) ( x /2 ) exp( 2 30x /2 ) pour x 0. 2 Pour simuler un bruit gaussien généralisé de densité de probabilité (3.), nous allons appliquer la méthode (2.) dans l objectif d atteindre une simulation en un seul coup. Procédons ci-dessous à l inversion de F (x) de l Éq. (3.2); nous allons montrer que l inverse peut être exprimée au moyen de la fonction W de Lambert. Dans un premier temps nous allons considérer la branche x 0 de F (x). Si on pose y = ( 2 30x) /2, l expression de F sur cette branche devient : F = 2 ( y)ey. (3.3) La fonction W (z) définie par J.H.Lambert en 758, et reprise après par L.Euler[25](764,779).
27 3.3. Évaluation numérique de W 23 L Éq. (3.3) autrement écrite pour faire apparaître la fonction W est : 2F e = (y )ey, (3.4) inversible sous la forme y = W ( 2F e ). (3.5) En remplaçant x par sa valeur dans l Éq. (3.5), on obtient : x = 2 30 [ + W ( 2F/e)] 2. (3.6) La branche W de la fonction de Lambert est identifiée puisqu elle passe par les deux points suivants (3.6) : (x = 0, F = /2) et (x =, F = 0). Maintenant, on se place dans la branche x 0 de F (x) de similaires peuvent être appliqués dans ce cas pour inverser F. l Éq. (3.2) ; des arguments Finalement on obtient l expression de F pour tout x ]0, [ 2 30 [ + W ( 2x/e)] 2 pour 0 < x /2, F (x) = 2 30 [ + W ( 2( x)/e)] 2 pour /2 x <. (3.7) Si nous pouvons effectuer l évaluation numérique de la fonction W, l Éq. (3.7) résout le problème de synthèse du bruit gaussien généralisé d exposant α = /2 à partir du bruit uniforme (2.). Et par suite, l étape suivante consiste à essayer d évaluer numériquement cette fonction spéciale. 3.3 Évaluation numérique de W Nous en venons maintenant à l évaluation numérique de W (z) pour tout z [ e, 0[. Comme nous l avons mentionné, cette évaluation numérique est directement accessible dans le logiciel mathématique Maple [24, 66]. Bien que la fonction W soit très utile dans beaucoup de domaines, on ne la trouve pas dans les bibliothèques mathématiques standard de logiciels. Nous décrirons ainsi ici les éléments explicites pour son évaluation numérique, qui permettent d écrire des sous-programmes de Fortran ou C par exemple Évaluation de précision arbitraire Une spécificité de la fonction W de Lambert est qu elle est définie comme une fonction inverse. Par conséquent, des évaluations de précision arbitraires peuvent être obtenues au moyen
28 24 Chapitre 3. Gaussien généralisé d exposant α = /2 de méthodes itératives de recherche de racine. Pour un z donné, on peut trouver W (z) comme racine de l équation we w = z, de la branche W. De nombreuses méthodes itératives sont disponibles à cet égard. Un choix doit concilier à la fois la complexité de la mise en œuvre, les conditions et le nombre d itérations jusqu à convergence pour une précision donnée. Ces propriétés sont habituellement contrôlables par l intermédiaire de l ordre de la méthode (l ordre le plus élevé des dérivés de la fonction à mettre à zéro par l algorithme). La méthode de Newton [62] est une méthode de premier ordre simple qui est appropriée mais avec une convergence relativement lente. Un meilleur compromis est réalisé par la méthode de Helley, une méthode de troisième ordre, qui constitue le choix mis en application par Maple et qui mène à l évaluation de précision élevée dans un temps raisonnable [25, 24]. Il est basé sur le procédé itératif suivant : w j+ = w j w j e w j z (w j + )e w j (w j + 2)(w j e w j z) 2w j + 2. (3.8) Des méthodes de quatrième ordre, plus rapides mais plus compliquées, sont proposées dans [33] et [7], mais elles sont limitées, comme elles sont exposées, à la seule branche principale W 0 (z). En outre, le fait que la fonction de Lambert soit une fonction inverse fournit une voie simple pour contrôler l erreur, ou la précision, d une évaluation numérique donnée. Pour un z ] /e, 0[, la valeur de W (z) est évaluée comme étant la racine approchée de ϕ(w) = z où ϕ(w) = we w, que nous noterons par w eval. Si la racine exacte est notée w true ( c est la valeur exacte de W (z) ), alors le résidu z w eval e w eval permet d accéder à l erreur d évaluation w true w eval. Pour n importe quel algorithme de recherche de la racine, w eval est très proche de w true et on a, à une très bonne approximation z w eval e w eval w true w eval ϕ (w eval ) = ( + w eval )e w eval, (3.9) d où l erreur d évaluation w true w eval z w evale w eval ( + w eval )e w eval. (3.0) Lorsque l Éq. (3.8) est contrôlée par l Éq. (3.0), une évaluation de précision arbitraire de la fonction W de Lambert peut être réalisée. C est ce que fait Maple Approximation rapide Parfois, plutôt que d utiliser un procédé itératif, des évaluations plus directes de la fonction W de Lambert peuvent être recherchées. Ceci peut être particulièrement vrai pour les trois raisons suivantes : D abord, pour des applications comme les simulations de Monte Carlo, qui demandent un grand
29 3.3. Évaluation numérique de W 25 nombre de tirages, il peut parfois être préférable d avoir une évaluation en un seul coup et rapide avec une précision limitée mais suffisante, plutôt qu un procédé itératif plus précis mais plus lent. En second lieu, l approximation rapide en un seul coup peut être utile pour fournir une bonne valeur initiale à un procédé itératif afin de réduire le nombre d itérations jusqu à convergence pour une précision donnée. Troisièmement, la fonction W (z) dans son domaine d existence a deux singularités : la première lorsque z 0 où W (z) tend vers et la deuxième en z = /e où toutes les dérivées de W (z) deviennent infinies. Ceci se traduit, pour un procédé itératif d évaluation, par une erreur d approximation de l Éq. (3.0), qui décroît très lentement quand W (z) est approchée par w eval, proche de ou car z est choisi près de 0 ou z = /e. Par conséquent, pour z proche de /e ou 0, les évaluations directes de W (z) au moyen d un développement en série ou d un développement asymptotique peuvent être préférables et sont en effet possibles. Nous allons en décrire différentes approximations Développement en série pour z /e Pour z proche de /e, on a le développement en série suivant [25] : avec p = 2(ez + ). W (z) = + l=0 µ l p l. (3.) Cette série peut être calculée à n importe quel ordre désiré à partir de ces relations de récurrence µ k = k ( µk 2 + α ) k 2 α k k µ k k +, (3.2) k α k = µ j µ k+ j, (3.3) La série de j=2 µ 0 =, µ =, α 0 = 2, α =. (3.4) l Éq. (3.) est convergente lorsque les valeurs de p appartiennent à l intervalle ] 2, 0], ce qui couvre tout le domaine d existence de W (z) ( /e z < 0). On a les premiers termes de la série de l Éq. (3.) W (z) = + p 3 p p p p p6 +, (3.5) Développement asymptotique pour z < 0 Maintenant, pour z proche de 0, le théorème d inversion de Lagrange fournit un développement asymptotique de la série, avec L = ln( z) et L 2 = ln[ ln( z)], [25] W (z) = L L l=0 m= C lm L l m L m 2. (3.6)
30 26 Chapitre 3. Gaussien généralisé d exposant α = /2 Les cœfficients C lm sont exprimés comme suit : où C lm = ( ) l S(l + m, l + )/m! S(l + m, l + ) est un nombre non négatif [45], calculable par l intermédiaire de la fonction génératrice et S(n, m) = 0 pour m > n. x(x )... (x n + ) = n ( ) n m S(n, m) x m, n, (3.7) En s appuyant sur l Éq. (3.7), on constate que n, S(n, 0) = 0 et S(n, n) =. La relation récursive suivante : est toujours valable. m=0 S(n, m) = S(n, m ) + (n )S(n, m), n >. (3.8) Les premiers termes de la série de l Éq. (3.6) sont : W (z) = L L 2 + L 2 + ( 2 + L 2)L 2 L 2L 2 + (6 9L 2 + 2L 2 2 )L 2 6L 3 + ( L 2 22L L3 2 )L 2 2L 4 + (60 300L L L L4 2 )L 2 60L 5 + (3.9) Série de Taylor pour /e < z < 0 Maintenant, pour z ] /e, 0[, la fonction W (z) de Lambert reste bornée, ses dérivées de tous les ordres existent. Il est ainsi possible de développer en série de Taylor W (z). La dérivée d ordre n de W (z) est explicitement calculable, elle se présente sous la forme suivante [25] : W (n) (z) = dn W (z) dz n = exp[ nw (z)]p n [W (z)] [ + W (z)] 2n pour n, (3.20) Les polynômes P sont définis par la relation de récurrence P n+ (u) = (nu + 3n )P n (u) + ( + u)p n(u) pour n, (3.2) et le polynôme initial P (u) =. Pour n importe quel z 0 et z appartenant à ] /e, 0[, on a ainsi la série de Taylor W (z) = W (z 0 ) + + n= n! W (n) (z 0) (z z 0 ) n. (3.22) L Éq. (3.20) révèle une propriété intéressante, très utile pour des évaluations numériques basées sur l Éq. (3.22) : bien que la fonction W (z) de Lambert soit une fonction spéciale, la valeur
31 3.3. Évaluation numérique de W 27 de n importe laquelle de ses dérivées W (n) (z 0) en un point quelconque z 0 ] /e, 0[ peut être exprimée seulement par des fonctions standard appliquées à W (z 0 ). L application de la série de Taylor de l Éq. (3.22) donne l accès à la valeur de W (z) dans n importe quel domaine compact de z autour de z 0, et l évaluation numérique explicite de cette série exigera seulement la connaissance de W (z 0 ). Dans la pratique, une évaluation précise de W (z 0 ) peut être obtenue à partir de la section 3.3., et ceci fournit alors au moyen de l Éq. (3.22) tronquée à un certain ordre, une formule concise pour des approximations en un seul coup de W (z) pour n importe quel z autour de z Approximation rationnelle de la fonction W (z) pour /e < z < 0 Une autre possibilité pour des approximations rapides en un seul coup de W (z) pour /e < z < 0 est de considérer l approximation rationnelle. Les fonctions rationnelles sont souvent capables de fournir une expression plus compacte pour un niveau d approximation donné à l avance, comparée au développement polynomial de la série de Taylor. En plus, l approximation effectuée à l aide d une fonction rationnelle est facile pour la construction basée seulement sur les calculs standard, en évitant les fonctions spéciales. D abord on établit une fonction rationnelle dont les ordres sont prescrits sous la forme paramétrique suivante : W rfa (z) = L l=0 a lz l + M m= b mz m. (3.23) Ensuite on construit un ensemble de points {(w j, w j e w j = z j )}. Nous pouvons minimiser la fonction rfa j [W (z j) w j ] 2 par n importe quelle méthode pour trouver l ensemble des cœfficients a l et b m en réalisant une approximation acceptable de la fonction rationnelle W rfa (z). La qualité de l approximation de W rfa (z) peut alors être évaluée au moyen de l Éq. (3.0) avec une évaluation de précision élevée de la section 3.3., et peut être contrôlée par les ordres L et M et par l ensemble { (z j, w j ) }. Une approximation par fonction rationnelle, que nous proposons est : W rfa (z) = z z z z z z z 3 (3.24) que nous avons construite à partir de 00 points de (w j, w j e w j = z j ) où les w j sont équi-répartis dans l intervalle [ 5,.5]. Nous avons conçu la fonction rationnelle W rfa (z) de l Éq. (3.24) pour fournir une approximation de W (z) avec une erreur relative inférieure à 0 4 pour tout z [ 0.333, 0.033] (voir Fig. 3.3) Algorithme rapide avec une précision prescrite Pour une évaluation rapide en un seul coup de W (z) dans son domaine d existence z [ /e, 0[, nous avons élaboré l algorithme numérique présenté dans la Fig. 3.2, qui peut être directement programmé dans n importe quel langage de programmation.
32 A # * A * * * * * % * * * * * 28 Chapitre 3. Gaussien généralisé d exposant α = /2 Pour z [ /e, 0.333[, cet algorithme implémente le développement en série de la section avec ses sept premiers termes donnés dans l Éq. (3.5). Pour z [ 0.333, 0.033], il implémente l approximation par la fonction rationnelle de l Éq. (3.24). Pour z ] 0.033, 0[, il implémente le développement asymptotique de la section avec les termes donnés dans l Éq. (3.9). Par conséquent, l algorithme est le suivant :! "$#&% '! ( % ) &* %+%, * " #&% '! 5: ; )%+# 3 % 67 A % B 6C+! * B 6CD B 6E!4F "G#&% '! AH% A R 6S ).- ) / -0 -,243 %, *45 0 / 5 *4* / 0 / 2 :0+0 * /4< # -, :- * / * <= # - 5,+, :2 )4) 0 <+> # /4/4) *:,+,2 0 <+? 5+*:3 - * )4< ; - )4) : < = ; % / % / :) < > + I A! A JK ML A N A *! A AH% A * *% J A )% IN J A O A * N A )! A A -% * * 'J K M A N P A * Q P A ) A -! A J * A /% * Figure 3.2 : L algorithme d évaluation en un seul coup de la fonction de Lambert W (z) dans son domaine d existence z [ /e, 0[, réalisant un approximation avec une erreur relative strictement inférieure à 0 4 pour tout z [ /e, 0[. Cet algorithme de la Fig. 3.2 évalue la fonction approximante W approx (z) de W (z). Nous l avons construit pour fournir une approximation d erreur relative W (z) W approx (z) / W (z) strictement inférieure à 0 4 pour tout z [ /e, 0[. Nous avons évalué le comportement de cette erreur relative de W approx (z) avec l évaluation de précision plus élevée de W (z) basée sur le procédé itératif de la section Le résultat est présenté dans la Fig. 3.3.
33 3.4. Génération du bruit gaussien généralisé d exposant α = / erreur relative c a b abscisse z Figure 3.3 : L erreur relative W (z) W approx (z) / W (z) pour une évaluation W approx (z) de la fonction W (z) de Lambert donnée par : (a) le développement en série de l Éq. (3.5), (b) l approximation par la fonction rationnelle de l Éq. (3.24), (c) le développement de l Éq. (3.9). La première ligne verticale (pointillée) a pour abscisse z = et la deuxième, z = Dans le domaine d existence de W (z) pour tout z [ /e 0.368, 0[, l algorithme d évaluation en un seul coup de la Fig. 3.2 réalise une approximation d erreur relative en tout point inférieure à 0 4 en implémentant la branche (a) pour z [ /e, 0.333[, la branche (b) pour z [ 0.333, 0.033], et la branche (c) pour z ] 0.033, 0[. 3.4 Génération du bruit gaussien généralisé d exposant α = /2 Nous avons utilisé le langage C pour programmer l évaluation en un seul coup de la fonction W (z) de Lambert réalisée par l algorithme de la Fig On arrive à évaluer 0 7 des valeurs de W (z) dans 0 sec, sur un ordinateur Pentium III, 500 MHZ, tandis qu en utilisant Maple on a seulement 0 3 évaluations. La vitesse augmente par un facteur de l ordre de 0 4 et peut ainsi être obtenue avec une précision limitée de l évaluation de W (z) en un seul coup de la Fig Nous avons utilisé l algorithme de la Fig. 3.2 pour calculer la fonction définie dans l Éq. (3.7) pour synthétiser le bruit gaussien généralisé d une façon rapide à partir du bruit uniforme (2.). La réalisation du bruit gaussien généralisé est présentée dans la Fig. 3.4.
34 30 Chapitre 3. Gaussien généralisé d exposant α = /2 20 s(t) s(t) s(t) temps t Figure 3.4 : Trois réalisations du bruit gaussien généralisé d exposant α = /2 généré par l algorithme de la Fig. 3.2 en utilisant la fonction de l Éq. (3.7). Nous avons aussi estimé sa densité de probabilité basée sur 0 7 valeurs tirées à partir du bruit gaussien généralisé. Sur la Fig. 3.5 qui représente la densité de probabilité estimée superposée au modèle théorique de l Éq. (3.), on constate qu il y a un accord. La région de la queue de la densité f(x) pour un argument x très large, correspond aux valeurs du bruit gaussien produit par la transformation de l Éq. (3.7), quand la fonction de Lambert s approche de W (0 ); dans ce cas la fonction est exprimée par le développement asymptotique de l Éq. (3.6), qui est une série absolument convergente [25]. L erreur systématique due à la troncature des termes de l Éq. (3.9) est de l ordre de O[ (L2/L) 6] [25, 45], asymptotiquement nulle, ce qui rend l approximation très précise. La Fig. 3.5 nous montre que la densité de probabilité f(x) est bien représentée même dans les queues lointaines asymptotiquement. Cette synthèse rapide du bruit gaussien généralisé basé sur l algorithme de la Fig. 3.2, est spécialement appropriée pour la simulation Monte Carlo, qui exige un grand nombre de réalisations de bruit.
35 3.5. Conclusion 3 0 densité de probabilité f(x) amplitude x Figure 3.5 : La fonction densité de probabilité estimée pour la synthèse du bruit gaussien généralisé de la Fig. 3.4, superposée au modèle théorique de l Éq. (3.) (La ligne continue). 3.5 Conclusion Nous avons montré que la synthèse du bruit gaussien généralisé avec un exposant α = /2 peut être obtenue au moyen d une transformation non linéaire exprimée en fonction de W (z) de Lambert, avec une précision contrôlée. Plus précisément, nous avons établi explicitement une méthode qui s applique directement à l évaluation de la fonction W (z), qui est très utile pour la problématique de synthèse du bruit. Nous avons en plus construit une approximation originale de la fonction rationnelle W (z). Basée sur ces méthodes d évaluation numérique de W (z), la synthèse du bruit gaussien généralisé peut être effectuée avec une précision arbitraire, dépendant de la complexité du procédé qu on veut impliquer. En plus, nous avons proposé un algorithme simple et rapide pour évaluer numériquement la fonction W (z) dans son domaine de définition avec une précision prescrite. Cet algorithme peut être directement codé dans n importe quel langage de programmation. Il offre un outil unique particulièrement approprié pour la simulation de Monte Carlo qui exige un grand nombre de réalisations du bruit gaussien généralisé, qui peut contribuer à une meilleure compréhension et un meilleur contrôle des signaux non gaussiens.
Résolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailNombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN
Nombres, mesures et incertitudes en sciences physiques et chimiques. Groupe des Sciences physiques et chimiques de l IGEN Table des matières. Introduction....3 Mesures et incertitudes en sciences physiques
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailDéveloppements limités, équivalents et calculs de limites
Développements ités, équivalents et calculs de ites Eercice. Déterminer le développement ité en 0 à l ordre n des fonctions suivantes :. f() e (+) 3 n. g() sin() +ln(+) n 3 3. h() e sh() n 4. i() sin(
Plus en détailExercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Plus en détailExercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Plus en détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailSOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique
SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailComplément d information concernant la fiche de concordance
Sommaire SAMEDI 0 DÉCEMBRE 20 Vous trouverez dans ce dossier les documents correspondants à ce que nous allons travailler aujourd hui : La fiche de concordance pour le DAEU ; Page 2 Un rappel de cours
Plus en détailChapitre 11. Séries de Fourier. Nous supposons connues les formules donnant les coefficients de Fourier d une fonction 2 - périodique :
Chapitre Chapitre. Séries de Fourier Nous supposons connues les formules donnant les coefficients de Fourier d une fonction - périodique : c c a0 f x dx c an f xcosnxdx c c bn f xsinn x dx c L objet de
Plus en détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailChapitre 0 Introduction à la cinématique
Chapitre 0 Introduction à la cinématique Plan Vitesse, accélération Coordonnées polaires Exercices corrigés Vitesse, Accélération La cinématique est l étude du mouvement Elle suppose donc l existence à
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailDéveloppements limités. Notion de développement limité
MT12 - ch2 Page 1/8 Développements limités Dans tout ce chapitre, I désigne un intervalle de R non vide et non réduit à un point. I Notion de développement limité Dans tout ce paragraphe, a désigne un
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailLes algorithmes de base du graphisme
Les algorithmes de base du graphisme Table des matières 1 Traçage 2 1.1 Segments de droites......................... 2 1.1.1 Algorithmes simples.................... 3 1.1.2 Algorithmes de Bresenham (1965).............
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailOscillations libres des systèmes à deux degrés de liberté
Chapitre 4 Oscillations libres des systèmes à deux degrés de liberté 4.1 Introduction Les systèmes qui nécessitent deux coordonnées indépendantes pour spécifier leurs positions sont appelés systèmes à
Plus en détailLes correcteurs accorderont une importance particulière à la rigueur des raisonnements et aux représentations graphiques demandées.
Les correcteurs accorderont une importance particulière à la rigueur des raisonnements et aux représentations graphiques demandées. 1 Ce sujet aborde le phénomène d instabilité dans des systèmes dynamiques
Plus en détailChapitre 7 : Intégration sur un intervalle quelconque
Universités Paris 6 et Paris 7 M1 MEEF Analyse (UE 3) 2013-2014 Chapitre 7 : Intégration sur un intervalle quelconque 1 Fonctions intégrables Définition 1 Soit I R un intervalle et soit f : I R + une fonction
Plus en détailArithmétique binaire. Chapitre. 5.1 Notions. 5.1.1 Bit. 5.1.2 Mot
Chapitre 5 Arithmétique binaire L es codes sont manipulés au quotidien sans qu on s en rende compte, et leur compréhension est quasi instinctive. Le seul fait de lire fait appel au codage alphabétique,
Plus en détailEtude de fonctions: procédure et exemple
Etude de fonctions: procédure et exemple Yves Delhaye 8 juillet 2007 Résumé Dans ce court travail, nous présentons les différentes étapes d une étude de fonction à travers un exemple. Nous nous limitons
Plus en détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détailNOTICE DOUBLE DIPLÔME
NOTICE DOUBLE DIPLÔME MINES ParisTech / HEC MINES ParisTech/ AgroParisTech Diplômes obtenus : Diplôme d ingénieur de l Ecole des Mines de Paris Diplôme de HEC Paris Ou Diplôme d ingénieur de l Ecole des
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailDérivation : cours. Dérivation dans R
TS Dérivation dans R Dans tout le capitre, f désigne une fonction définie sur un intervalle I de R (non vide et non réduit à un élément) et à valeurs dans R. Petits rappels de première Téorème-définition
Plus en détailModélisation de séries financières par un modèle multifractal. Céline Azizieh
Modélisation de séries financières par un modèle multifractal Céline Azizieh Mémoire présenté à l Université Libre de Bruxelles en vue d obtenir le diplôme d actuaire Supervision: W. Breymann (RiskLab,
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détailTable des matières. Introduction Générale 5
Table des matières Introduction Générale 5 1 Généralités et rappels 16 1.1 Rappels... 16 1.1.1 Introduction... 16 1.1.2 Notion de stabilité...... 17 1.1.3 Stabilité globale et stabilité locale... 17 1.1.4
Plus en détailLES GENERATEURS DE NOMBRES ALEATOIRES
LES GENERATEURS DE NOMBRES ALEATOIRES 1 Ce travail a deux objectifs : ====================================================================== 1. Comprendre ce que font les générateurs de nombres aléatoires
Plus en détailIV- Equations, inéquations dans R, Systèmes d équations
IV- Equations, inéquations dans R, Systèmes d équations 1- Equation à une inconnue Une équation est une égalité contenant un nombre inconnu noté en général x et qui est appelé l inconnue. Résoudre l équation
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailOptimisation, traitement d image et éclipse de Soleil
Kléber, PCSI1&3 014-015 I. Introduction 1/8 Optimisation, traitement d image et éclipse de Soleil Partie I Introduction Le 0 mars 015 a eu lieu en France une éclipse partielle de Soleil qu il était particulièrement
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailTravail en collaboration avec F.Roueff M.S.Taqqu C.Tudor
Paramètre de longue mémoire d une série temporelle : le cas non linéaire Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor Notion de longue mémoire Les valeurs d une série temporelle X = (X l )
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailChapitre 1. L intérêt. 2. Concept d intérêt. 1. Mise en situation. Au terme de ce chapitre, vous serez en mesure de :
Chapitre 1 L intérêt Au terme de ce chapitre, vous serez en mesure de : 1. Comprendre la notion générale d intérêt. 2. Distinguer la capitalisation à intérêt simple et à intérêt composé. 3. Calculer la
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailLicence MASS 2000-2001. (Re-)Mise à niveau en Probabilités. Feuilles de 1 à 7
Feuilles de 1 à 7 Ces feuilles avec 25 exercices et quelques rappels historiques furent distribuées à des étudiants de troisième année, dans le cadre d un cours intensif sur deux semaines, en début d année,
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailStatistiques Descriptives à une dimension
I. Introduction et Définitions 1. Introduction La statistique est une science qui a pour objectif de recueillir et de traiter les informations, souvent en très grand nombre. Elle regroupe l ensemble des
Plus en détail