Marches aléatoires & Théorie du mouvement Brownien
|
|
- Sarah Leblanc
- il y a 8 ans
- Total affichages :
Transcription
1 . Marches aléatoires & Théorie du mouvement Brownien Pablo Crotti Séminaire Automne 009 Sous la direction du Professeur Christian Mazza
2
3 Table des matières Introduction 4 1 Marches aléatoires & Mouvement Brownien La marche aléatoire sur Z Le mouvement Brownien Marches aléatoires comme solutions d EDP 9.1 Présentation du problème Marche aléatoire d une particule libre Marche aléatoire d une particule barrée Marche aléatoire d une particule élastique Le modèle d Ehrenfest Conclusion 1 Bibliographie 1 3
4 4 TABLE DES MATIÈRES Introduction En 187, le botaniste Robert Brown a remarqué qu en mettant des particules de pollen dans un milieu liquide, celles-ci possédaient des trajectoires aléatoires et non prévisibles. Plus tard, ce type de comportement a été aussi été remarqué lors d échanges gazeux dans divers milieux. Dès lors, il est apparut que ce comportement appelé Mouvement Brownien (en l honneur du botaniste) pouvait répondre à bon nombre de questions liées à la physique, la chimie ou encore l économie. La théorie du mouvement Brownien a été en partie améliorée par Robert Einstein qui a considéré le mouvement d une particule se déplaçant sur un axe et subissant diverses forces (par exemple la gravité ou la viscosité). La théorie du mouvement Brownien peut être vue de plusieurs manière différentes. D une part, de manière complètement formelle où l on définit les accroissement indépendants puis les propriétés du mouvement. D autre part nous pouvons le voir comme une marche aléatoire discrète que l on rend continue. Nous allons aborder ici la deuxième manière de voir le problème. En effet, nous considérons des marches aléatoires discrètes sur Z que nous rendons continues. Nous allons aussi montrer comment en partant d une marche aléatoire symétrique simple puis en passant au mouvement Brownien, nous arrivons à déterminer la solution d une équation au dérivées partielles.
5 Chapitre 1 Marches aléatoires & Mouvement Brownien Dans ce chapitre nous allons brièvement expliquer ce qu est une marche aléatoire discrète et établir certaines propriétés importantes les concernants puis nous expliquerons le mouvement brownien vu sous un angle mathématique tout en restant dans un cadre simple. 1.1 La marche aléatoire sur Z Soit (Ω, F, P) un espace probabilisé. Soient la suite (ǫ t ) t I de variables aléatoires de Bernoulli indépendantes telles que P(ǫ t = 1) = p = 1 p = P(ǫ t = 1), t et où I est un ensemble dénombrable. Soient maintenant le suite (X t ) t I des variables aléatoires indépendantes. On définit la relation X t+1 = X t + ǫ t+1, X 0 = 0 = ǫ 0 Définition. On appel Marche aléatoire sur Z la suite de variables aléatoires (X t ) t I lorsque I = N et quand X t Z, t. Les différentes valeurs que peut prendre nos variables aléatoires sont appelés des états de la marche et on regroupe en général ces états dans un ensemble qu on appel ensemble des états de la marche aléatoire. Définition. Pour un ω Ω fixé et pour tout t, on appel X t (ω) la trajectoire de la marche aléatoire. 5
6 LA MARCHE ALÉATOIRE SUR Z Voici une trajectoire possible pour une marche aléatoire où p = 1 de la marche est t = 100 et le nombre de pas Fig Marche aléatoire symétrique sur Z Proposition. La marche aléatoire sur Z est une chaîne de Markov,i.e, P(X t+1 = j X t = i, X t 1 = i t 1,...,X 0 = 0) = P(X t+1 = j X t = i) Démonstration. En réécrivant X t+1 = X t + ǫ t+1 puis en isolant ǫ t+1, on obtient, grâce à leur indépendance P(X t+1 = j X t = i, X t 1 = i t 1,..., X 0 = 0) = P(ǫ t+1 = j i ǫ t = i i t 1,...,X 0 = 0) = P(ǫ t+1=j i,ǫ t=i i t 1,...,X 0 =0) P(ǫ t=i i t 1,...,X 0 =0) = P(ǫ t+1=j i)p(ǫ t=i i t 1 ) P(X 0 =0) P(ǫ t=i i t 1 ) P(X 0 =0) = P(ǫ t+1 = j i) P(ǫt=i i t 1) P(ǫ t=i i t 1 ) = P(X t+1 = j X t = i) On sait donc maintenant que la chaîne peut être représentée par une matrice stochastique en fonction des différents états quels va parcourir. Ici l ensemble des états est infini dénombrable (car sur Z). Définition. Soit T i = inf {X t = i}, t le temps de premier passage de la chaîne sur l état i. On dit que l état i est positivement récurrent si E(T i ) <. Si tous les états sont positivement récurrents, on dit que la chaîne est positivement récurrente. Définition. Soit (X t ) t 0 une chaîne positivement récurrente de noyau P de loi stationnaire π (i.e, πp = π). On dit que la chaîne est réversible si π i P ij = π j P ji
7 CHAPITRE 1. MARCHES ALÉATOIRES & MOUVEMENT BROWNIEN 7 1. Le mouvement Brownien Pour introduire le mouvement brownien, nous donnons ici toutes les définitions nécessaires pour travailler avec. Définition. Soit (Ω, F, P) un espace probabilisé. Une suite (F t ) t 0 de σ algèbres est appelée une filtration si F t F, t et si t 1 t F t1 F t Définition. Un processus stochastique (X t ) t 0 est dit adapté à la filtration (F t ) t 0 si pour chaque t 0, X t est F t -mesurable. En considérant ces deux premières définition nous pouvons maintenant donner la définition du mouvement brownien. Définition. Un mouvement Brownien (standard uni-dimensionnel) est un processus stochastique adapté B = {B t, F t ; 0 t } définit sur un espace de probabilité (Ω, F, P) avec les propriétés suivantes : 1. B 0 = 0 p.s. L accroissement B t B s est indépendant de F s et possède une distribution normale d espérance nulle et de variance t s La définition précise que le mouvement brownien que nous étudions est uni-dimensionnel. En effet, on pourrait considérer des vecteurs aléatoires comme processus stochastiques mais nous ne nous intéresserons ici qu au cas simple. Définition. On appel l application t B t (ω) une trajectoire du mouvement brownien pour un ω fixé. On peut voir le mouvement brownien comme une marche aléatoire sur laquelle, quand on effectue une zoom on aura toujours un chemin en "dents de scie". De ce phénomène on donne une propriété importante sur la dérivabilité du mouvement Fig Mouvement Brownien sur R
8 8 1.. LE MOUVEMENT BROWNIEN Définition. Pour une fonction continue f : [0, + ] R, on définit D ± f(t) = lim h 0 ± f(t + h) f(t) h f(t + h) f(t) D ± f(t) = lim h 0 ± h comme la dérivée haute (resp. basse) de Dini de f en t. La fonction f est dite différentiable à droite si D + = D < et différentiable à gauche si D = D <. La fonction est différentiable en t si elle est différentiable à gauche et à droite. Une fois la notion de différentiabilité définie, on donne le théorème de Poley, Wiener & Zygmund Théorème. Pour presque tous les ω Ω, la trajectoire du mouvement brownien est nulle part différentiable. Démonstration. Pour une démonstration détaillée, voir ([], pp.110)
9 Chapitre Marches aléatoires comme solutions d EDP.1 Présentation du problème On considère une particule libre (i.e sans aucune force appliquée dessus) en mouvement sur une ligne droite que nous appelons "axe x". Nous cherchons maintenant une fonction P(x 0 x; t) telle que x x 1 P(x 0 x; t)dx soit la probabilité que notre particule soit entre x 1 et x si elle se trouve en x 0 au temps t = 0. Nous appelons cette probabilité, la probabilité de transition conditionnelle. On note au passage que notre probabilité est une densité. Ici intervient le travail d Einstein, en effet, il a réussi à démontrer que notre densité doit satisfaire P t = P D (.1.1) x avec comme conditions initiales 1. P 0. R Pdx = 1 3. lim t 0 P(x 0 x; t) = 0 et où D est une constante à déterminer. On remarque déjà que les conditions 1 et sont les conditions nécessaires à une densité de probabilité et que la condition 3 nous donne l information que la particule était effectivement en x 0 au temps t = 0. Compte tenu du fait que nous cherchons une densité de probabilité, la théorie des distributions nous donne 1 P(x 0 x; t) = πdt exp (x x 0) 4Dt pour D = RT où R est la constante universelle du gaz, T la température absolue, N le Nf nombre d Avogadro et f le coefficient de friction. On doit la découverte de la constante 9
10 10.. MARCHE ALÉATOIRE D UNE PARTICULE LIBRE D à Einstein. Une fois que le problème de la particule libre a été posé, il est intéressant de regarder ce qui se passe lorsque celle-ci est soumise à des forces externes (par exemple la gravité). En considérant une force externe F(x), Smoluchowski a montré que notre équation.1.1 devait être améliorée ainsi On traitera ici deux cas de figures : P t = 1 (PF) + D P f x x. (.1.) 1. F(x) = a (force constante, par exemple la gravité).. F(x) = bx (particule élastique) Dans la suite de ce séminaire, nous allons aborder différents types de marches aléatoires discrètes que nous allons rendre continues pour déterminer des solutions de.1.1 et.1... Marche aléatoire d une particule libre On considère ici le cas d une particule qui se promène le long de l axe x. La particule peut se déplacer d une distance à gauche ou à droite et met à chaque fois un temps τ pour effectuer le déplacement. La probabilité que la particule aille à gauche ou à droite est la même dans les deux cas, soit 1. 1/ 1/ Fig...1 Marche aléatoire libre On définit la probabilité d aller en m après un temps s depuis n par : P(n m ; sτ) = P(n m; s). On sait que notre marche aléatoire peut être vue comme combinaison de variables aléatoires suivant une loi Bernoulli( 1 ). On peut donc déjà dire que P(n m; s) = { 1 s s!, si v s et v + s est pair ( s+ v )( s v ) 0 sinon On voit cependant que ce type de formulation peut devenir assez compliqué et long à calculer lorsque nous avons de grandes valeurs pour n, m, s. Nous allons donc chercher une formulation de notre probabilité en faisant tendre et τ vers 0 de sorte à avoir τ = D, n x 0 et sτ t
11 CHAPITRE. MARCHES ALÉATOIRES COMME SOLUTIONS D EDP 11 La probabilité de passer de n à m en un temps s+1 est donnée par la loi des probabilités totales. P(n m; s + 1) = 1 P(n m 1; s) + 1 P(n m + 1; s). (..1) En effet, on peut être en m 1 et aller en m avec une probabilité 1 ou être en m + 1 et aller en m avec une probabilité 1. En soustrayant P(n m ; sτ) à..1 et en divisant par τ, nous obtenons l équation aux différences P(n m ;(s+1)τ) P(n m ;sτ) = 1 P(n (m 1) ;sτ) + 1 P(n (m+1) ;sτ) P(n m ;sτ) τ ( τ ) = P(n (m 1) ;sτ) P(n m ;sτ) + P(n (m+1) ;sτ) τ Lorsqu on prend les formes de Taylor, on reconnaît ici une dérivée du second ordre. En faisant tendre, τ vers 0 obtient finalement P t = P D x qui est bien l équation.1.1 que nous avions au départ. Remarque. Premièrement, la valeur représente la vitesse instantanée. Deuxièmement, τ on voit qu il n y a pas de condition aux limites pour cette EDP. En effet, le domaine sur lequel se promène notre particule est l axe x et donc, est infini.
12 1.3. MARCHE ALÉATOIRE D UNE PARTICULE BARRÉE.3 Marche aléatoire d une particule barrée Nous considérons à nouveau une particule se déplaçant sur l axe x à gauche ou à droite mais nous rajoutons en x = 0 une barrière de sorte que dès que la particule atteint cet obstacle, elle est immédiatement renvoyée en x = 1. Ici le temps de renvoi est considéré comme instantané. Comme précédemment, nous considérons un pas de temps τ et un déplacement de longueur. Les probabilités sont désormais P(déplacement à gauche) = p = 1 + β, P(déplacement à droite) = q = 1 β avec β une constante physique et où est suffisamment petit pour que q > 0 et p+q = 1. p q 0 1 (a) q 0 1 (b) Fig..3.1 Marche aléatoire barrée Nous allons à nouveau chercher une manière d exprimer la probabilité de transition conditionnelle. Nous allons reprendre la même méthode que nous avons utilisé dans la section précédente en utilisant une équation aux différences et en faisant tendre, τ vers 0. Nous reprenons donc notre équation de base pour la transition qui est ici : P(n m; s + 1) = qp(n m 1; s) + pp(n m + 1; s). Comme la particule ne peut pas dépasser la valeur x = 0 et se retrouver dans des valeurs négatives de x on aura ici des conditions aux limites. On détermine ces conditions dans les cas m = 0 et m = 1 : 1. P(n 1; s + 1) = P(n 0; s) + pp(n ; s). P(n 0; s + 1) = pp(n 1; s).
13 CHAPITRE. MARCHES ALÉATOIRES COMME SOLUTIONS D EDP 13 On remarque aussi qu au temps t = 0, la probabilité d aller de n à m est nulle si n m et vaut 1 si n = m, donc P(n m; 0) = δ nm où δ nm est le symbole de Kronecker. On écrit maintenant notre équation aux différences avec nos nouvelles données : P(n m ;(s+1)τ) P(n m ;sτ) τ = qp(n (m 1) ;sτ) + pp(n (m+1) ;sτ) P(n m ;sτ) τ = (1 β )P(n (m 1) ;sτ)+(1 +β )P(n (m+1) ;sτ) P(n m ;sτ) τ = τ ( ) P(n (m 1) ;sτ) + P(n (m+1) ;sτ) P(n m ;sτ) En faisant tendre, τ vers 0 on obtient donc + τ (β ) [P(n (m + 1) ; sτ) P(n (m 1) ; sτ)] P t = D P x + 4βD P x qui a la même forme que.1.. On a ici déterminé l équation de Fokker-Planck. Nous allons maintenant déterminer P(n m; s). Comme nous l avons vu au chapitre précédent, les marches aléatoires sont des chaînes de Markov, ainsi elles possèdent une matrice de transition stochastique. Comme nous travaillons dans les limites du continue, notre matrice sera de taille infinie. Ceci rend le problème un peu plus difficile à traiter mais nous allons d abord commencer avec une matrice finie puis l étendre en passant à la limite. Soit donc P(n 0; s) (p) s = P(n 1; s). le vecteur infini de position de la particule et soit 0 p p 0 0 A = 0 q 0 p q 0 p.... la matrice de transition stochastique (ici infinie). En utilisant la propriété de Markov, on voit que (p) s+1 = A(p) s et donc (p) s = A s (p) 0
14 14.3. MARCHE ALÉATOIRE D UNE PARTICULE BARRÉE avec (p) 0 comme vecteur indiquant la position de la particule au temps 0. De cette manière on peut maintenant dire que P(n m; s) = élément (m, n) de la matrice A s Nous considérons la sous-matrice A R située en haut à gauche de la matrice A où R > n+s. De cette manière par passage à la limite on aura (A s ) mn = lim R (As R ) mn La marche étant réversible (voir [3]), sa matrice est auto-adjointe, ainsi, en utilisant le théorème spectrale, on sait qu il existe deux matrices P R et Q R telles que λ 0 λ 1 A R = P R Q R... λ R 1 où les λ k, k = 0,...,R 1 sont les valeurs propres de la matrice A R et avec la propriété P R Q R = I. En utilisant ceci, on voit clairement que A s R = P R λ s 0 λ s 1... Q R. λ s R 1 Nous allons maintenant pouvoir déterminer les coefficients (A R ) mn en calculant les valeurs propres λ k ainsi que les vecteurs propres à droite x k et les vecteurs propres à gauche y k. Par définition des valeurs propres et vecteurs propres, on a A R x k = λ k x k A T R y k = λ k y k On émet l hypothèse que les vecteurs sont normés (dans le cas contraire on les normalises avec la méthode de notre choix) de sorte que < x k, y k >= 1 < x k, y j >= 0 k j Nous pouvons maintenant dire, en connaissant les valeurs propres et vecteurs propres que la probabilité de transition conditionnelle est donnée par P(n m; s) = (A s ) mn = k=0 Par passage à la limite, nous avons le théorème suivant : λ s k x(m) k y (n) k.
15 CHAPITRE. MARCHES ALÉATOIRES COMME SOLUTIONS D EDP 15 Théorème. Soit la marche aléatoire barrée définie comme précédemment. Alors, et P(x 0 x; t) = 4βe 4βx + e β(x x 0) e 4β Dt π g(x, y) = cos xy π 0 e Dy t y 4β + y g(x, y)g(x 0, y)dy β(sin xy) y Démonstration. On regarde tout d abord que pour une valeur propre λ de notre matrice on a le système linéaire (infnini) associé px 1 = λx 0 x 0 + px = λx 1 qx R = λx R 1.. En déterminant une solution non triviale du système linéaire pour laquelle x R = 0, on trouve les valeurs et vecteurs propres recherchés. Ainsi, nous aurons exactement R racines. Nous utilisons maintenant une mise en série pour déterminer nos solutions. Nous multiplions la première ligne de l équation par 1, la seconde par z, la troisième par z et ainsi de suite. Puis nous sommons chaque ligne pour obtenir x 0 z + q x k z k+1 + p 1 x k z k 1 = λ 1 x k z k. 0 En introduisant la fonction f(z) = 0 x kz k notre formule devient x 0 + qz[f(z) x 0 ] + p z [f(z) x 0] = λf(z) En isolant f(z) on obtient une formule explicite pour la fonction, soit f(z) = p [ ] q x 1 λz qz λz + p Nous introduisant les réciproques ρ 1, ρ des racines de qz λz + p on obtient f(z) = p [ ] q x 1 λz p(1 ρ 1 z)(1 ρ z) Une fois la fonction f(z) déterminée, nous pouvons (sachant que c est une série qui converge), déterminer les valeurs de x k. Celles-ci sont données par x k = x 0 p ( λ ρ1 ρ k 1 ρ ρ + ρ ) λ ρ k 1 ρ ρ 1
16 16.3. MARCHE ALÉATOIRE D UNE PARTICULE BARRÉE Nous avions précédemment donné une condition pour la résolution du système, qui était que x R = 0. De cette manière, on a l équation pour λ λ ρ 1 ρ ρ 1 ρ R 1 + ρ λ ρ ρ 1 ρ R = 0. En supposant maintenant que R est pair, nous cherchons des solutions pour λ de la forme Il nous faut maintenant résoudre l équation λ = pq cos θ, 0 θ π tanrθ tan θ = 1 p 1. (.3.1) On remarque que si R > (p 1) 1, cette équation équation possède R racines distinctes θ 1, θ,..., θ R se trouvant dans l intervalle ( jπ π, jπ + π R R R R), j = 1,..., R 1 avec l exception j = R/. On donne maintenant, les valeurs propres en utilisant les racines θ k, λ k = pq cosθ k. On peut désormais donner la valeur des vecteurs propres à droite sous la forme x (m) k = a k ( q p ) m ( cosmθ k β sin mθ ) k cos θ k, sin θ k où ( ) µ { q ( q = p )µ, si µ > 0 p q, si µ = 0 avec a k une constante de normalisation que l on fixera plus tard. Pour une valeur de R suffisamment grande, λ 0, λ R 1 peuvent être données par λ 0 = pq cosh θ 0 et λ R 1 = λ 0, où θ 0 est la seule solution positive de.3.1. Ainsi les composantes x 0, x R 1 sont données par ( ) m ( q x (m) 0 = a 0 cosh mθ 0 β sinh mθ ) 0 cosh θ 0 p sinh θ 0 ( q x (m) R 1 = a R 1 p ) m ( cosh mθ R 1 β sinh mθ R 1 cosh θ R 1 sinh θ R 1 On va maintenant déterminer les vecteurs propres à gauche de la même manière. Les calculs étant les mêmes, nous ne donnons que les valeurs de y (m) k, ainsi ( ) m ( p y (m) k = b k cosmθ k β sin mθ ) k cosθ k, m = 0, 1,..., R 1, k = 1,,..., R q sin θ k y (m) 0 = b 0 ( p q ) m ( cosh mθ 0 β sinh mθ ) 0 cosh θ 0 sinh θ 0 ).
17 CHAPITRE. MARCHES ALÉATOIRES COMME SOLUTIONS D EDP 17 ( y (m) p R 1 = b R 1 q ) m ( cosh mθ R 1 β sinh mθ ) R 1 cosh θ R 1. sinh θ R 1 On détermine maintenant les constantes de normalisations a k, b k en utilisant le produit scalaire ) a k b k (q + R 1 m=1 a k b k (q + f m(θ k ) R 1 m=1 F m (θ k) = 1, k = 1,,..., R ) = 1, k = 0, R 1 où sin mθ f m (θ) = cosmθ β sin θ cos θ sinh mθ F m (θ) = cosh mθ β sinh θ cosh θ Nous avons maintenant tous les éléments pour donner explicitement notre probabilité de transition conditionnelle lorsque R est fixé. P(n m; s) = b 0 ( pq cosh θ 0 ) s ( p q + ( ) n p q ( q p ) m ) n ( q p ) m F m θ 0 F n (θ 0 )[1 + ( 1) m+n+s ] ( R pq) s b k cos s θ k f m (θ k )f n (θ k ) Nous passons à une forme continue en faisant tendre R vers et on montre que P(n m; s) = p q pq ( ) m q p [1+( 1) m+n+s ]+ π Si on fait le passage à la limite pour ( k=1 ) m p q ( pq) π 0 coss θ tan θ (p q) +tan θ f n(θ)f m (θ)dθ on obtient 0, τ 0, τ = D, n x 0 sτ t et P(x 0 x; t) = 4βe 4βx + e β(x x 0) e 4β Dt π g(x, y) = cos xy π 0 e Dy t y 4β + y g(x, y)g(x 0, y)dy β(sin xy) y
18 18.4. MARCHE ALÉATOIRE D UNE PARTICULE ÉLASTIQUE.4 Marche aléatoire d une particule élastique A nouveau, nous considérons une particule pouvant se déplacer de droite à gauche sur l axe x d une distance en un temps τ. Nous considérons une particule "élastique" c est à dire que si elle se trouve à gauche de zéro, elle aura tendance à aller à droite et vice versa. On peut visualiser la particule comme si elle était attachée à un ressort qui se détend et se retend. Ainsi, si la particule se trouve en position k, nous aurons les probabilités de déplacement suivantes q = 1 ( 1 k ) R, p = 1 ( 1 + k ) R avec R un entier délimitant une borne pour le déplacement : R k R. La probabilité de transition de n a m en un temps s est donnée par P(n m; s + 1) = R + m + 1 R avec comme condition initiale P(n m + 1; s) + R m + 1 P(n m 1; s) R P(n m; 0) = δ mn. Nous pouvons maintenant à nouveau former une équation aux différences et utiliser que 0, τ 0, R, pour obtenir une EDP de la forme τ = D, 1 Rτ γ sτ t, n x 0, m x, P t = γ (xp) x + P D x Nous déterminons la probabilité de transition conditionnelle en procédant de la même manière que pour la marche aléatoire classique ou barrée. Théorème. La probabilité de transition conditionnelle pour une marche aléatoire d une particule élastique est donnée par P(x 0 x; t) = γ πd(1 e γt ) e γ(x x 0 e γt ) γ(1 e γt ) Démonstration. La démonstration est similaire au cas de la particule barrée. Pour plus de précisions, voir [1].
19 CHAPITRE. MARCHES ALÉATOIRES COMME SOLUTIONS D EDP 19.5 Le modèle d Ehrenfest Jusqu à présent, nous avons considéré plusieurs modèles de marches aléatoires où la probabilité de transition conditionnelle était une solution d une équation aux dérivées partielles. La question qui se pose à juste titre ici est : "Quelle est la signification physique de telles EDP et pourquoi la marche aléatoire ainsi que le mouvement brownien sont-ils de bons exemples pour donner une explication à ce phénomène?" Il est intéressant de se plonger dans le monde de la Physique et plus particulièrement dans la thermodynamique pour donner une réponse à cette question. Sans entrer trop en profondeur dans la théorie des gaz, nous pouvons examiner l expérience suivante : Soient deux récipients A, B reliés par un tuyau initialement fermé. Le récipient A contient un gaz (nous ne considérons pas si le gaz est parfait ou non) et le récipient B est vide. Au temps t = 0, le tuyau de liaison est ouvert de sorte à laisser les récipients communiquer. A B A B Liaison fermée Liaison ouverte Fig..5.1 Modèle d Ehrenfest On peut, dès lors, se poser la question : "A partir de quel instant les deux récipients auront la même quantité de gaz?" Il faut donc regarder le processus de diffusion du gaz et d établir certaines règles de transition. Le couple Ehrenfest a créé un modèle permettant d expliquer ce processus : Soient R boules numérotées consécutivement de 1 à R, distribuées dans deux boîtes A et B. Au départ, il y a R+n boules ( R n R) dans la boîte A. Pour chaque pas de temps, on choisit aléatoirement un entier entre 1 et R puis la boule correspondant au numéro tiré est déplacée dans la boîte complémentaire à la sienne. Par exemple, on tire le numéro n, si la boule est dans la boîte A on la déplace en B et vice versa. On répète le processus s fois et on cherche la probabilité Q(R + n R + m; s) qu il y ait R + m boules dans la boîte A après un temps s. Ce problème est en fait une autre formulation du problème de la particule élastique (avec ici = 1). Ainsi Q(R + n R + m; s) = P(n m; s)
20 0.5. LE MODÈLE D EHRENFEST
21 Chapitre 3 Conclusion La résolution d équations aux dérivées partielles est souvent délicate ou coûteuse en temps de calculs. Ici, nous avons vu comment utiliser dans un premier temps, les marches aléatoires et le mouvement brownien puis la probabilité de transition conditionnelle pour donner une solution à nos EDP. Après avoir vu un formalisme mathématique de résolution, il est intéressant de donner une explication physique du phénomène observé. En effet, on a pu montré (en utilisant le modèle d Ehrenfest) que notre probabilité de transition conditionnelle était en fait la solution du déplacement d un gaz dans un système fermé qui se détend pour arriver à un état d équilibre. De manière équivalente, les autres marches aléatoires peuvent aussi être vues comme solutions particulières de la diffusion de la chaleur (équation de Fokker-Planck). Ici, le problème n a été traité que dans le cas de la dimension 1 mais il serait aussi intéressant de traiter ces problèmes dans des dimensions supérieures. 1
22
23 Bibliographie [1] Kac Mark, Random Walk and the Theory of Brownian Motion, American Mathematical Monthly, Vol 54, No.7 [] Karatzas I, Shreve S., Brownian Motion and Stochastic Calculs (1998), Springer, New York. [3] Mazza C., Cours avancé de Probabilité (009), Fribourg 3
Chapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
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 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 détailFonctions de plusieurs variables. Sébastien Tordeux
Fonctions de plusieurs variables Sébastien Tordeux 22 février 2009 Table des matières 1 Fonctions de plusieurs variables 3 1.1 Définition............................. 3 1.2 Limite et continuité.......................
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 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 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 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 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 détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
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 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 détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailRésolution 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 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 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 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 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 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 détailLes travaux doivent être remis sous forme papier.
Physique mathématique II Calendrier: Date Pondération/note nale Matériel couvert ExercicesSérie 1 : 25 septembre 2014 5% RH&B: Ch. 3 ExercicesSérie 2 : 23 octobre 2014 5% RH&B: Ch. 12-13 Examen 1 : 24
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
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 détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
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 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 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 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 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 détailExo7. Limites de fonctions. 1 Théorie. 2 Calculs
Eo7 Limites de fonctions Théorie Eercice Montrer que toute fonction périodique et non constante n admet pas de ite en + Montrer que toute fonction croissante et majorée admet une ite finie en + Indication
Plus en détail= 1 si n = m& où n et m sont souvent des indices entiers, par exemple, n, m = 0, 1, 2, 3, 4... En fait,! n m
1 épartement de Physique, Université Laval, Québec Pierre Amiot, 1. La fonction delta et certaines de ses utilisations. Clientèle Ce texte est destiné aux physiciens, ingénieurs et autres scientifiques.
Plus en détailÉquation de Langevin avec petites perturbations browniennes ou
Équation de Langevin avec petites perturbations browniennes ou alpha-stables Richard Eon sous la direction de Mihai Gradinaru Institut de Recherche Mathématique de Rennes Journées de probabilités 215,
Plus en détailIntégration et probabilités TD1 Espaces mesurés
Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?
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 détailFonctions de plusieurs variables
Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les
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 détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 10 août 2015 Enoncés 1 Proailités sur un univers fini Evènements et langage ensemliste A quelle condition sur (a,, c, d) ]0, 1[ 4 existe-t-il une proailité P sur
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 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 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 détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
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 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 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 détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
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 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 détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
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 détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailUniversité Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications
Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au
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 détailCours3. Applications continues et homéomorphismes. 1 Rappel sur les images réciproques
Université de Provence Topologie 2 Cours3. Applications continues et homéomorphismes 1 Rappel sur les images réciproques Soit une application f d un ensemble X vers un ensemble Y et soit une partie P de
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 détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en détailChapitre VI - Méthodes de factorisation
Université Pierre et Marie Curie Cours de cryptographie MM067-2012/13 Alain Kraus Chapitre VI - Méthodes de factorisation Le problème de la factorisation des grands entiers est a priori très difficile.
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
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 détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailExercices Alternatifs. Une fonction continue mais dérivable nulle part
Eercices Alternatifs Une fonction continue mais dérivable nulle part c 22 Frédéric Le Rou (copyleft LDL : Licence pour Documents Libres). Sources et figures: applications-continues-non-derivables/. Version
Plus en détailStructures algébriques
Structures algébriques 1. Lois de composition s Soit E un ensemble. Une loi de composition interne sur E est une application de E E dans E. Soient E et F deux ensembles. Une loi de composition externe
Plus en détailPROJET MODELE DE TAUX
MASTER 272 INGENIERIE ECONOMIQUE ET FINANCIERE PROJET MODELE DE TAUX Pricing du taux d intérêt des caplets avec le modèle de taux G2++ Professeur : Christophe LUNVEN 29 Fevrier 2012 Taylan KUNAL - Dinh
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détailn N = u N u N+1 1 u pour u 1. f ( uv 1) v N+1 v N v 1 1 2 t
3.La méthode de Dirichlet 99 11 Le théorème de Dirichlet 3.La méthode de Dirichlet Lorsque Dirichlet, au début des années 180, découvre les travaux de Fourier, il cherche à les justifier par des méthodes
Plus en détailErratum de MÉCANIQUE, 6ème édition. Introduction Page xxi (milieu de page) G = 6, 672 59 10 11 m 3 kg 1 s 2
Introduction Page xxi (milieu de page) G = 6, 672 59 1 11 m 3 kg 1 s 2 Erratum de MÉCANIQUE, 6ème édition Page xxv (dernier tiers de page) le terme de Coriolis est supérieur à 1% du poids) Chapitre 1 Page
Plus en détailMaster IMEA 1 Calcul Stochastique et Finance Feuille de T.D. n o 1
Master IMEA Calcul Stochastique et Finance Feuille de T.D. n o Corrigé exercices8et9 8. On considère un modèle Cox-Ross-Rubinstein de marché (B,S) à trois étapes. On suppose que S = C et que les facteurs
Plus en détailNOMBRES COMPLEXES. Exercice 1 :
Exercice 1 : NOMBRES COMPLEXES On donne θ 0 un réel tel que : cos(θ 0 ) 5 et sin(θ 0 ) 1 5. Calculer le module et l'argument de chacun des nombres complexes suivants (en fonction de θ 0 ) : a i( )( )(1
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 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 détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Plus en détailFonctions de deux variables. Mai 2011
Fonctions de deux variables Dédou Mai 2011 D une à deux variables Les fonctions modèlisent de l information dépendant d un paramètre. On a aussi besoin de modéliser de l information dépendant de plusieurs
Plus en détailI. Introduction. 1. Objectifs. 2. Les options. a. Présentation du problème.
I. Introduction. 1. Objectifs. Le but de ces quelques séances est d introduire les outils mathématiques, plus précisément ceux de nature probabiliste, qui interviennent dans les modèles financiers ; nous
Plus en détailCours d initiation à la programmation en C++ Johann Cuenin
Cours d initiation à la programmation en C++ Johann Cuenin 11 octobre 2014 2 Table des matières 1 Introduction 5 2 Bases de la programmation en C++ 7 3 Les types composés 9 3.1 Les tableaux.............................
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailSéminaire TEST. 1 Présentation du sujet. October 18th, 2013
Séminaire ES Andrés SÁNCHEZ PÉREZ October 8th, 03 Présentation du sujet Le problème de régression non-paramétrique se pose de la façon suivante : Supposons que l on dispose de n couples indépendantes de
Plus en détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailLa Mesure du Temps. et Temps Solaire Moyen H m.
La Mesure du Temps Unité de temps du Système International. C est la seconde, de symbole s. Sa définition actuelle a été établie en 1967 par la 13 ème Conférence des Poids et Mesures : la seconde est la
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 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 détailOn ne peut pas entendre la forme d un tambour
On ne peut pas entendre la forme d un tambour Pierre Bérard Institut Fourier Laboratoire de Mathématiques Unité Mixte de Recherche 5582 CNRS UJF Université Joseph Fourier, Grenoble 1 Introduction 1.1 Position
Plus en détailTests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA
Tests d indépendance en analyse multivariée et tests de normalité dans les modèles ARMA Soutenance de doctorat, sous la direction de Pr. Bilodeau, M. et Pr. Ducharme, G. Université de Montréal et Université
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 détailFonctions de plusieurs variables et applications pour l ingénieur
Service Commun de Formation Continue Année Universitaire 2006-2007 Fonctions de plusieurs variables et applications pour l ingénieur Polycopié de cours Rédigé par Yannick Privat Bureau 321 - Institut Élie
Plus en détailActuariat I ACT2121. septième séance. Arthur Charpentier. Automne 2012. charpentier.arthur@uqam.ca. http ://freakonometrics.blog.free.
Actuariat I ACT2121 septième séance Arthur Charpentier charpentier.arthur@uqam.ca http ://freakonometrics.blog.free.fr/ Automne 2012 1 Exercice 1 En analysant le temps d attente X avant un certain événement
Plus en détailDURÉE DU JOUR EN FONCTION DE LA DATE ET DE LA LATITUDE
DURÉE DU JUR E FCTI DE LA DATE ET DE LA LATITUDE ous allons nous intéresser à la durée du jour, prise ici dans le sens de période d éclairement par le Soleil dans une journée de 4 h, en un lieu donné de
Plus en détailFiche PanaMaths Calculs avec les fonctions sous Xcas
Fiche PanaMaths Calculs avec les fonctions sous Xcas Cette fiche destinée aux élèves des classes de Terminale requiert un premier niveau de connaissance du logiciel Xcas. Définition d une fonction Fonctions
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
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 détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
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 détailDYNAMIQUE DE FORMATION DES ÉTOILES
A 99 PHYS. II ÉCOLE NATIONALE DES PONTS ET CHAUSSÉES, ÉCOLES NATIONALES SUPÉRIEURES DE L'AÉRONAUTIQUE ET DE L'ESPACE, DE TECHNIQUES AVANCÉES, DES TÉLÉCOMMUNICATIONS, DES MINES DE PARIS, DES MINES DE SAINT-ÉTIENNE,
Plus en détailCouples de variables aléatoires discrètes
Couples de variables aléatoires discrètes ECE Lycée Carnot mai Dans ce dernier chapitre de probabilités de l'année, nous allons introduire l'étude de couples de variables aléatoires, c'est-à-dire l'étude
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 détail