Convergence abrupte et métastabilité
|
|
- Jean-François Beaudry
- il y a 7 ans
- Total affichages :
Transcription
1 Convergence abrupte et métastabilité Olivier Bertoncini Université de Rouen Laboratoire LMRS CENTRE NATIONAL DE LA RECHERCHE SCIENTIFIQUE
2 Deux phénomènes distincts liés au comportement asymptotique des processus stochastiques Convergence abrupte (ou cuto) phénomène quasi-déterministe de convergence à l'équilibre vient des probabilités (battages de cartes) Métastabilité phénomène très aléatoire de transition d'un pseudo-équilibre (état métastable) vers le vrai équilibre vient de la physique (transitions de phase)
3 Plan de l'exposé Convergence abrupte ou phénomène de cuto Métastabilité Cadre commun : temps d'atteinte Chaînes de Naissance et de Mort Résultats Idée de preuve : couplage Dernière sortie Conclusion
4 Phénomène de cuto Modèles de battages de cartes (Diaconis et al. 80's) : sept battages susent pour mélanger un jeu de 52 cartes
5 Phénomène de cuto Modèles de battages de cartes (Diaconis et al. 80's) : sept battages susent pour mélanger un jeu de 52 cartes Dénition (Mesure) : Il existe un instant déterministe t a a (temps de cuto), autour duquel la loi Pa t du processus converge de manière abrupte vers la mesure d'équilibre π a :
6 Phénomène de cuto Modèles de battages de cartes (Diaconis et al. 80's) : sept battages susent pour mélanger un jeu de 52 cartes Dénition (Mesure) : Il existe un instant déterministe t a a (temps de cuto), autour duquel la loi Pa t du processus converge de manière abrupte vers la mesure d'équilibre π a : { 1 si c < 1, P cta a π a a 0 si c > 1.
7 Phénomène de cuto Modèles de battages de cartes (Diaconis et al. 80's) : sept battages susent pour mélanger un jeu de 52 cartes Dénition (Mesure) : Il existe un instant déterministe t a a (temps de cuto), autour duquel la loi Pa t du processus converge de manière abrupte vers la mesure d'équilibre π a : { 1 si c < 1, P cta a π a a 0 si c > t
8 Phénomène de cuto Modèles de battages de cartes (Diaconis et al. 80's) : sept battages susent pour mélanger un jeu de 52 cartes Dénition (Mesure) : Il existe un instant déterministe t a a (temps de cuto), autour duquel la loi Pa t du processus converge de manière abrupte vers la mesure d'équilibre π a : { 1 si c < 1, P cta a π a a 0 si c > t
9 Phénomène de cuto Modèles de battages de cartes (Diaconis et al. 80's) : sept battages susent pour mélanger un jeu de 52 cartes Dénition (Mesure) : Il existe un instant déterministe t a a (temps de cuto), autour duquel la loi Pa t du processus converge de manière abrupte vers la mesure d'équilibre π a : { 1 si c < 1, P cta a π a a 0 si c > t
10 Métastabilité : phénomène physique Métastabilité : liée à la présence d'une transition de phase aptitude d'un pseudo-équilibre (état métastable) à persister un certain temps
11 Métastabilité : phénomène physique Métastabilité : liée à la présence d'une transition de phase aptitude d'un pseudo-équilibre (état métastable) à persister un certain temps État métastable : cinétiquement stable, mais pas thermodynamiquement correspond à un minimum local de l'énergie potentielle
12 Métastabilité : phénomène physique Métastabilité : liée à la présence d'une transition de phase aptitude d'un pseudo-équilibre (état métastable) à persister un certain temps État métastable : cinétiquement stable, mais pas thermodynamiquement correspond à un minimum local de l'énergie potentielle Comportement : le système reste un temps exponentiellement long dans l'état métastable avant de basculer brusquement vers l'équilibre
13 Métastabilité : phénomène physique Exemples : diamant (état stable = carbone graphite)
14 Métastabilité : phénomène physique Exemples : diamant (état stable = carbone graphite) brouillards givrants : gouttelettes d'eau liquide en suspension dans l'air à température négative (eau en surfusion)
15 Métastabilité : phénomène physique Exemples : diamant (état stable = carbone graphite) brouillards givrants : gouttelettes d'eau liquide en suspension dans l'air à température négative (eau en surfusion) vapeurs sursaturées (exemple : compression isotherme d'un gaz)
16 Métastabilité : phénomène physique Exemples : diamant (état stable = carbone graphite) brouillards givrants : gouttelettes d'eau liquide en suspension dans l'air à température négative (eau en surfusion) vapeurs sursaturées (exemple : compression isotherme d'un gaz) systèmes ferromagnétiques (magnétisation opposée au champ externe)
17 Cadre commun Cadre : Chaînes de Markov, temps discret, espace d'états ni
18 Cadre commun Cadre : Chaînes de Markov, temps discret, espace d'états ni Idée : caractériser les deux phénomènes à l'aide du temps d'atteinte de certains états typiques d'une chaîne de Markov
19 Cadre commun Cadre : Chaînes de Markov, temps discret, espace d'états ni Idée : caractériser les deux phénomènes à l'aide du temps d'atteinte de certains états typiques d'une chaîne de Markov Temps d'atteinte de y partant de x : T x y = inf{t > 0 : X x (t) = y} pour la chaîne X x (t) initialisée en x (i.e. telle que X x (0) = x)
20 Cadre commun Cadre : Chaînes de Markov, temps discret, espace d'états ni Idée : caractériser les deux phénomènes à l'aide du temps d'atteinte de certains états typiques d'une chaîne de Markov Temps d'atteinte de y partant de x : T x y = inf{t > 0 : X x (t) = y} pour la chaîne X x (t) initialisée en x (i.e. telle que X x (0) = x) Remarque : Familles de chaînes de Markov X a (t) Paramètre asymptotique = taille de l'espace d'états
21 Convergence abrupte Dénition : Une v.a. U a admet une convergence abrupte au temps t a si : U a t a P a 1.
22 Convergence abrupte Dénition : Une v.a. U a admet une convergence abrupte au temps t a si : U a t a P a 1. Motivations : Martínez, Ycart (2001) Decay rates and cuto for convergence and hitting times of Markov chains with innite state space
23 Convergence abrupte (M.Y.2001) Temps d'absorption : dénition équivalente à celle du cuto (mesure) si U a = T a temps d'absorption
24 Convergence abrupte (M.Y.2001) Temps d'absorption : dénition équivalente à celle du cuto (mesure) si U a = T a temps d'absorption Equivalence of cutos : cuto pour une chaîne de Markov ssi cuto pour la chaîne absorbée associée
25 Convergence abrupte (M.Y.2001) Temps d'absorption : dénition équivalente à celle du cuto (mesure) si U a = T a temps d'absorption Equivalence of cutos : cuto pour une chaîne de Markov ssi cuto pour la chaîne absorbée associée Condition susante : Si lim a E[ U a ] = et ( lim Var Ua ) a E [ ] = 0, U a alors U a admet une convergence abrupte au temps E [ U a ].
26 Métastabilité Dénition : Une v.a. U a a un comportement métastable si : U a E [ U a ] L a Exp(1)
27 Métastabilité Dénition : Une v.a. U a a un comportement métastable si : U a E [ U a ] L a Exp(1) Motivations : Cassandro, Galves, Olivieri, Vares (1984) Metastable behavior of stochastic dynamics : a pathwise approach
28 Métastabilité : pathwise approach Exemple : Modèle de Curie-Weiss (C.G.O.V.84) Prol énergétique à deux puits : m 0 m m +
29 Métastabilité : pathwise approach Exemple : Modèle de Curie-Weiss (C.G.O.V.84) Prol énergétique à deux puits : m 0 m Magnétisation d'un système ferromagnétique, a spins, a Faible champ externe positif Equilibre : m +, état métastable : m m +
30 Métastabilité : pathwise approach Exemple : Modèle de Curie-Weiss (C.G.O.V.84) Prol énergétique à deux puits : m 0 m T a : temps d'atteinte de m + partant de m T a T a satisfait : E [ L ] T Exp(1) a a m +
31 Deux échelles de temps Métastabilité : problème de la sortie d'un puits du prol énergétique
32 Deux échelles de temps Métastabilité : problème de la sortie d'un puits du prol énergétique repose sur l'existence de 2 échelles de temps
33 Deux échelles de temps Métastabilité : problème de la sortie d'un puits du prol énergétique repose sur l'existence de 2 échelles de temps Théorème S'il existe deux états l a et h a tels que E[ T ha l a ] E [ T la h a ] a 0 (+ conditions techniques) alors le temps T la ha a un comportement métastable.
34 Chaînes de naissance et de mort q 0 p 0 q x p x q a p a 0 x 1 x x + 1 a Famille de chaînes entre zéro et a avec dérive vers zéro
35 Chaînes de naissance et de mort q 0 p 0 q x p x q a p a 0 x 1 x x + 1 a Famille de chaînes entre zéro et a avec dérive vers zéro Prols types (énergie associée à la mesure invariante π a ) Modèle p < q Ehrenfest
36 Comportements Tombée à l'équilibre Convergence abrupte dans le sens de la pente : T a 0 E [ T a 0 ] P a 1
37 Comportements Tombée à l'équilibre Convergence abrupte dans le sens de la pente : T a 0 E [ T a 0 ] P a 1 Sortie de l'équilibre Comportement métastable pour la remonter : T 0 a E [ T 0 a ] L a Exp(1)
38 Temps moyens : exemples Modèle p < q E [ ] a T a 0 q p E [ ] T 0 a (q/p) a
39 Temps moyens : exemples Modèle p < q E [ ] a T a 0 q p E [ ] T 0 a (q/p) a Modèle d'ehrenfest E [ T a 0 ] a ln a E [ T 0 a ] 2 a
40 Résultats Hypothèse de dérive : Il existe K a a tel que x 0, a, on a (H) π a ({x,..., a}) π a (x) < K a, avec K 2 a E [ T a 0 ] a 0
41 Résultats Hypothèse de dérive : Il existe K a a tel que x 0, a, on a (H) π a ({x,..., a}) π a (x) < K a, avec K 2 a E [ T a 0 ] a 0 Remarque : dérive = décroissance exponentielle de la mesure invariante π a (x) e αax, avec α a = log(1 1/K a )
42 Résultats Hypothèse de dérive : Il existe K a a tel que x 0, a, on a (H) π a ({x,..., a}) π a (x) < K a, avec K 2 a E [ T a 0 ] a 0 Théorème Si la condition (H) est satisfaite, alors T a 0 admet une convergence abrupte au temps E [ T a 0 ], et le temps de sortie T 0 a a un comportement métastable.
43 Idée de preuve : couplage Couplage entre une chaîne initialement en zéro et une chaîne initialement en a (but : décomposer la trajectoire de sortie de zéro à a)
44 Idée de preuve : couplage Couplage entre une chaîne initialement en zéro et une chaîne initialement en a (but : décomposer la trajectoire de sortie de zéro à a) a Na t
45 Idée de preuve : couplage Couplage entre une chaîne initialement en zéro et une chaîne initialement en a (but : décomposer la trajectoire de sortie de zéro à a) a Na t On recommence à chaque fois qu'on atteint zéro après le temps de couplage
46 Idée de preuve : couplage Couplage entre une chaîne initialement en zéro et une chaîne initialement en a (but : décomposer la trajectoire de sortie de zéro à a) a Na t On recommence à chaque fois qu'on atteint zéro après le temps de couplage N a = nombre de tels retours en zéro avant d'atteindre a pour la première fois :
47 Idée de preuve : couplage Couplage entre une chaîne initialement en zéro et une chaîne initialement en a (but : décomposer la trajectoire de sortie de zéro à a) a Na t On recommence à chaque fois qu'on atteint zéro après le temps de couplage N a = nombre de tels retours en zéro avant d'atteindre a pour la première fois : variable géométrique de paramètre P ( T a 0 < T 0 a )
48 Idée de preuve : couplage Couplage entre une chaîne initialement en zéro et une chaîne initialement en a (but : décomposer la trajectoire de sortie de zéro à a) a Na t On a : E [ T 0 a ] E [ Na ] E [ Ta 0 ]
49 Idée de preuve : couplage Couplage entre une chaîne initialement en zéro et une chaîne initialement en a (but : décomposer la trajectoire de sortie de zéro à a) a Na t On a : E [ T 0 a ] E [ Na ] E [ Ta 0 ] A cause de la dérive : P ( T a 0 < T 0 a ) a 1
50 Idée de preuve : couplage Couplage entre une chaîne initialement en zéro et une chaîne initialement en a (but : décomposer la trajectoire de sortie de zéro à a) a Na t On a : E [ T 0 a ] E [ Na ] E [ Ta 0 ] A cause de la dérive : P ( ) T a 0 < T 0 a 1 a Deux échelles de temps : E[ ] T a 0 E [ ] T 0 0 a a
51 Dernière sortie Sous l'hypothèse (H ) : S'il existe K tel que pour tout x et pour tout a on a (H ) π a ({x,..., a}) π a (x) < K
52 Dernière sortie Sous l'hypothèse (H ) : S'il existe K tel que pour tout x et pour tout a on a (H ) π a ({x,..., a}) π a (x) < K On peut dire en plus que : Dernière excursion dans la trajectoire métastable = renversée temporelle d'une trajectoire typique de cuto
53 Dernière sortie Dernière excursion dans la trajectoire métastable = renversée temporelle d'une trajectoire typique de cuto
54 Dernière sortie Dernière excursion dans la trajectoire métastable = renversée temporelle d'une trajectoire typique de cuto Dernière sortie : T 0 a = temps d'atteinte de a après la dernière visite en zéro
55 Dernière sortie Dernière excursion dans la trajectoire métastable = renversée temporelle d'une trajectoire typique de cuto Dernière sortie : T 0 a = temps d'atteinte de a après la dernière visite en zéro Renversée temporelle : T0 a L = Ta 0 Ta 0 admet une convergence abrupte au temps E [ Ta 0 ]
56 Conclusion Sur un modèle de CNM avec dérive
57 Conclusion Sur un modèle de CNM avec dérive caractérisation des comportements (temps d'atteinte)
58 Conclusion Sur un modèle de CNM avec dérive caractérisation des comportements (temps d'atteinte) conditions susantes
59 Conclusion Sur un modèle de CNM avec dérive caractérisation des comportements (temps d'atteinte) conditions susantes on montre que convergence abrupte pour tomber à l'équilibre
60 Conclusion Sur un modèle de CNM avec dérive caractérisation des comportements (temps d'atteinte) conditions susantes on montre que convergence abrupte pour tomber à l'équilibre métastabilité pour sortir de l'équilibre
61 Conclusion Sur un modèle de CNM avec dérive caractérisation des comportements (temps d'atteinte) conditions susantes on montre que convergence abrupte pour tomber à l'équilibre métastabilité pour sortir de l'équilibre dernière sortie = renversée de cuto
62 Conclusion Convergence abrupte et métastabilité = phénomènes complémentaires
63 Perspectives Questions ouvertes : Est-ce que en renversant le temps convergence abrupte = métastabilité? métastabilité sans convergence abrupte?
64 Plan de l'exposé Convergence abrupte ou phénomène de cuto Métastabilité Cadre commun : temps d'atteinte Chaînes de Naissance et de Mort Résultats Idée de preuve : couplage Dernière sortie Conclusion
DYNAMIQUE 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 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 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 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 détailModule 7: Chaînes de Markov à temps continu
Module 7: Chaînes de Markov à temps continu Patrick Thiran 1 Introduction aux chaînes de Markov à temps continu 1.1 (Première) définition Ce module est consacré aux processus à temps continu {X(t), t 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 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 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 détailChap 4. La fonction exponentielle Terminale S. Lemme : Si est une fonction dérivable sur R telle que : = et 0! = 1 alors ne s annule pas sur R.
Lemme : Si est une fonction dérivable sur R telle que : = et 0! = 1 alors ne s annule pas sur R. Démonstration : Soit la fonction %:& %&!= &!, elle est dérivable sur R et & R, %. &!= &! = &! = %&! gaelle.buffet@ac-montpellier.fr
Plus en détailMESURE DE LA TEMPERATURE
145 T2 MESURE DE LA TEMPERATURE I. INTRODUCTION Dans la majorité des phénomènes physiques, la température joue un rôle prépondérant. Pour la mesurer, les moyens les plus couramment utilisés sont : les
Plus en détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
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 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 détailMODELES DE DUREE DE VIE
MODELES DE DUREE DE VIE Cours 1 : Introduction I- Contexte et définitions II- Les données III- Caractéristiques d intérêt IV- Evènements non renouvelables/renouvelables (unique/répété) I- Contexte et définitions
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
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 détailChapitre 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 détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
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 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 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 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 détailI- Définitions des signaux.
101011011100 010110101010 101110101101 100101010101 Du compact-disc, au DVD, en passant par l appareil photo numérique, le scanner, et télévision numérique, le numérique a fait une entrée progressive mais
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 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 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 détailSYSTEMES LINEAIRES DU PREMIER ORDRE
SYSTEMES LINEIRES DU PREMIER ORDRE 1. DEFINITION e(t) SYSTEME s(t) Un système est dit linéaire invariant du premier ordre si la réponse s(t) est liée à l excitation e(t) par une équation différentielle
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailUne réponse (très) partielle à la deuxième question : Calcul des exposants critiques en champ moyen
Une réponse (très) partielle à la deuxième question : Calcul des exposants critiques en champ moyen Manière heuristique d'introduire l'approximation de champ moyen : on néglige les termes de fluctuations
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 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 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 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 détailTESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION
TESTS PORTMANTEAU D ADÉQUATION DE MODÈLES ARMA FAIBLES : UNE APPROCHE BASÉE SUR L AUTO-NORMALISATION Bruno Saussereau Laboratoire de Mathématiques de Besançon Université de Franche-Comté Travail en commun
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 détailHealth Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation
Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,
Plus en détailProduction d eau chaude sanitaire thermodynamique, que dois-je savoir?
COURS-RESSOURCES Production d eau chaude sanitaire thermodynamique, que Objectifs : / 1 A. Les besoins en eau chaude sanitaire La production d'eau chaude est consommatrice en énergie. Dans les pays occidentaux,
Plus en détailO, i, ) ln x. (ln x)2
EXERCICE 5 points Commun à tous les candidats Le plan complee est muni d un repère orthonormal O, i, j Étude d une fonction f On considère la fonction f définie sur l intervalle ]0; + [ par : f = ln On
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 détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en détailBaccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé.
Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé. L usage d une calculatrice est autorisé Durée : 3heures Deux annexes sont à rendre avec la copie. Exercice 1 5 points 1_ Soit f la
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 détailÉJECTEURS. CanmetÉNERGIE Juillet 2009
ÉJECTEURS CanmetÉNERGIE Juillet 2009 ÉJECTEURS 1 ÉJECTEURS INTRODUCTION Les éjecteurs sont activés par la chaleur perdue ou la chaleur provenant de sources renouvelables. Ils sont actionnés directement
Plus en détailCondition de stabilité d'un réseau de les d'attente à deux stations et N classes de clients 1
General Mathematics Vol. 18, No. 4 (2010), 85108 Condition de stabilité d'un réseau de les d'attente à deux stations et N classes de clients 1 Faiza Belarbi, Amina Angelika Bouchentouf Résumé Nous étudions
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 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 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 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 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 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 détailRÉPUBLIQUE ET CANTON DE GENÈVE Echelle des traitements 2015 Valable dès le 01.01.2015 Office du personnel de l'etat Indexation de 0.
04 00 52 378.00 4 029.10 0.00 25.20 23.25 1.95 207.50 44.35 1.70 36.30 3 739.25 01 52 960.00 4 073.85 582.00 25.50 23.55 1.95 209.85 44.85 1.70 36.70 3 780.75 02 53 542.00 4 118.65 582.00 25.75 23.80 1.95
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
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 détailTechniques de Lyapunov en contrôle quantique pour le couplage dipolaire et polarisabilité
Techniques de Lyapunov en contrôle quantique pour le couplage dipolaire et polarisabilité Andreea Grigoriu avec Jean-Michel Coron, Cătălin Lefter and Gabriel Turinici CEREMADE-Université Paris Dauphine
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
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 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 détailLE PROBLEME DU PLUS COURT CHEMIN
LE PROBLEME DU PLUS COURT CHEMIN Dans cette leçon nous définissons le modèle de plus court chemin, présentons des exemples d'application et proposons un algorithme de résolution dans le cas où les longueurs
Plus en détail8 Ensemble grand-canonique
Physique Statistique I, 007-008 8 Ensemble grand-canonique 8.1 Calcul de la densité de probabilité On adopte la même approche par laquelle on a établi la densité de probabilité de l ensemble canonique,
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 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 détailC f tracée ci- contre est la représentation graphique d une
TLES1 DEVOIR A LA MAISON N 7 La courbe C f tracée ci- contre est la représentation graphique d une fonction f définie et dérivable sur R. On note f ' la fonction dérivée de f. La tangente T à la courbe
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 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 détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailRÉDUISEZ VOS CONSOMMATIONS ALLÉGEZ VOS FACTURES ÉNERGÉTIQUES
RÉDUISEZ VOS CONSOMMATIONS ALLÉGEZ VOS FACTURES ÉNERGÉTIQUES «Lean Energy Analysis» : une étude de 3e-performance pour traquer vos gaspillages et bâtir une stratégie d action 1 LEAN ENERGY ANALYSIS: DISTINGUER
Plus en détailFinance, Navier-Stokes, et la calibration
Finance, Navier-Stokes, et la calibration non linéarités en finance 1 1 www.crimere.com/blog Avril 2013 Lignes directrices Non-linéarités en Finance 1 Non-linéarités en Finance Les équations de Fokker-Planck
Plus en détailINDEX Fonctionnement... 20 Schéma de câblage... 24
FRANÇAIS Pag 18 INDEX Fonctionnement... 20 Activation du lecteur de cartes... 21 Enregistrer des cartes d'accès... 22 Annulation des cartes d'accès... 22 Réglage du temps d'activation de la gâche électrique...
Plus en détailLA TYPOGRAPHIE (Norme ISO 31)
LA TYPOGRAPHIE (Norme ISO 31) AVERTISSEMENT : Les exemples en vert sont recommandés, ceux en rouge, interdits. L'écriture des unités de mesure Les unités de mesure s'écrivent en totalité lorsqu'elles -
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
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 détailELASTICITE DE LA DEMANDE Calcul de l'elasticite & Applications Plan du cours I. L'elasticite de la demande & ses determinants II. Calcul de l'elasticite & pente de la courbe de demande III. Applications
Plus en détaila. La masse de Jeans b. Le support des nuages moléculaires -Séquence Principale (PMS)
VI. L évolution stellaire (un aperçu) 1. Les polytropes 2. L initialisation de la formation stellaire a. La masse de Jeans b. Le support des nuages moléculaires 3. La contraction pré-s -Séquence Principale
Plus en détailANNEXE J POTEAUX TESTÉS SELON UN CHARGEMENT STATIQUE ET TESTÉS SELON UN CHARGEMENT CYCLIQUE ET STATIQUE
562 ANNEXE J POTEAUX TESTÉS SELON UN CHARGEMENT STATIQUE ET TESTÉS SELON UN CHARGEMENT CYCLIQUE ET STATIQUE 563 TABLE DES MATIÈRES ANNEXE J... 562 POTEAUX TESTÉS SELON UN CHARGEMENT STATIQUE ET TESTÉS
Plus en détailModélisation des risques
2 Modélisation des risques 2. Introduction L objectif de ce chapitre est de présenter les modèles de base utilisés pour décrire le comportement aléatoire d un risque en actuariat pour une période xe. Les
Plus en détailPHYSIQUE Discipline fondamentale
Examen suisse de maturité Directives 2003-2006 DS.11 Physique DF PHYSIQUE Discipline fondamentale Par l'étude de la physique en discipline fondamentale, le candidat comprend des phénomènes naturels et
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 détailModélisation du comportement habituel de la personne en smarthome
Modélisation du comportement habituel de la personne en smarthome Arnaud Paris, Selma Arbaoui, Nathalie Cislo, Adnen El-Amraoui, Nacim Ramdani Université d Orléans, INSA-CVL, Laboratoire PRISME 26 mai
Plus en détailConception systematique d'algorithmes de detection de pannes dans les systemes dynamiques Michele Basseville, Irisa/Cnrs, Campus de Beaulieu, 35042 Rennes Cedex, bassevilleirisa.fr. 1 Publications. Exemples
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 détailLogique binaire. Aujourd'hui, l'algèbre de Boole trouve de nombreuses applications en informatique et dans la conception des circuits électroniques.
Logique binaire I. L'algèbre de Boole L'algèbre de Boole est la partie des mathématiques, de la logique et de l'électronique qui s'intéresse aux opérations et aux fonctions sur les variables logiques.
Plus en détailRésonance Magnétique Nucléaire : RMN
21 Résonance Magnétique Nucléaire : RMN Salle de TP de Génie Analytique Ce document résume les principaux aspects de la RMN nécessaires à la réalisation des TP de Génie Analytique de 2ème année d IUT de
Plus en détailCours Fonctions de deux variables
Cours Fonctions de deux variables par Pierre Veuillez 1 Support théorique 1.1 Représentation Plan et espace : Grâce à un repère cartésien ( ) O, i, j du plan, les couples (x, y) de R 2 peuvent être représenté
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 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 détailNotions physiques Niveau 2
14 novembre 2011 Contenu 1. Les pressions Les différentes pressions 2. La loi de Mariotte (Autonomie en air) 2.1. Principes 2.2. Applications à la plongée 3. Le théorème d Archimède (Flottabilité) 3.1.
Plus en détailTP : Suivi d'une réaction par spectrophotométrie
Nom : Prénom: n groupe: TP : Suivi d'une réaction par spectrophotométrie Consignes de sécurité de base: Porter une blouse en coton, pas de nu-pieds Porter des lunettes, des gants (en fonction des espèces
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 détailSDLV120 - Absorption d'une onde de compression dans un barreau élastique
Titre : SDLV120 - Absorption d'une onde de compression dan[...] Date : 09/11/2011 Page : 1/9 SDLV120 - Absorption d'une onde de compression dans un barreau élastique Résumé On teste les éléments paraxiaux
Plus en détailLes Conditions aux limites
Chapitre 5 Les Conditions aux limites Lorsque nous désirons appliquer les équations de base de l EM à des problèmes d exploration géophysique, il est essentiel, pour pouvoir résoudre les équations différentielles,
Plus en détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détailRéunion de lancement du projet LEFE DEPHY2
Réunion de lancement du projet LEFE DEPHY2 Développement et Evaluation des PHYsiques des modèles atmosphériques BILAN 45 participants 25 CNRM, 12 LMD, 4 LGGE, 2LA, 1 LSCE, 1 GET 8-9-10 septembre 2014 Observatoire
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 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 détailAlgorithmes d'apprentissage
Algorithmes d'apprentissage 1 Agents qui apprennent à partir d'exemples La problématique : prise de décision automatisée à partir d'un ensemble d'exemples Diagnostic médical Réponse à une demande de prêt
Plus en détailQue nous enseigne la base de données PAE?
Que nous enseigne la base de données PAE? Séminaire auditeurs PAE 8 juin 2009 Nicolas Heijmans, ir Division Energie et Climat CSTC - Centre Scientifique et Technique de la Construction 00/00/2006 Contenu
Plus en détailComplexité. Licence Informatique - Semestre 2 - Algorithmique et Programmation
Complexité Objectifs des calculs de complexité : - pouvoir prévoir le temps d'exécution d'un algorithme - pouvoir comparer deux algorithmes réalisant le même traitement Exemples : - si on lance le calcul
Plus en détailChapitre 6. Réactions nucléaires. 6.1 Généralités. 6.1.1 Définitions. 6.1.2 Lois de conservation
Chapitre 6 Réactions nucléaires 6.1 Généralités 6.1.1 Définitions Un atome est constitué d électrons et d un noyau, lui-même constitué de nucléons (protons et neutrons). Le nombre de masse, noté, est le
Plus en détailRéseau SCEREN. Ce document a été numérisé par le CRDP de Bordeaux pour la. Base Nationale des Sujets d Examens de l enseignement professionnel.
Ce document a été numérisé par le CRDP de Bordeaux pour la Base Nationale des Sujets d Examens de l enseignement professionnel. Campagne 2013 Ce fichier numérique ne peut être reproduit, représenté, adapté
Plus en détail