Equations différentielles stochastiques et application à la simulation moléculaire
|
|
- Sarah Doré
- il y a 7 ans
- Total affichages :
Transcription
1 Equations différentielles stochastiques et application à la simulation moléculaire Florian Bouguet Ecole Normale Supérieure de Cachan - Antenne de Bretagne Stage encadré par Frédéric Legoll Ecole des Ponts ParisTech 1
2 Table des matières 1 Intégration stochastique Mouvement brownien Intégrale d Itô Résolution d une EDS Cas d une EDS simple Présentation de l EDS Résolution de l EDS Moment d ordre Moment d ordre Espérance des incréments Calcul d une intégrale héritée de la physique Présentation Utilisation des EDS Quelques résultats graphiques A propos de l équation de Fokker-Planck
3 Introduction Les équations différentielles stochastiques (ou EDS) sont la généralisation des équations différentielles ordinaires (EDO), auxquelles on a rajouté un terme de bruit : EDO : dx t = b(t, X t )dt EDS : dx t = b(t, X t )dt + σ(t, X t )db t db t sera défini rigoureusement plus loin dans l exposé ; il s agit du terme de bruit. Dans tout l exposé, nous nous limiterons à la dimension 1, mais le concept d EDS peut-être facilement généralisé à la dimension d > 1. Le bruit est un terme aléatoire interférant dans l équation différentielle. Un excellent exemple en est la température : celle-ci représente l agitation dans la matière, les collisions entre les atomes. Ces collisions sont innombrables et aléatoires, et pour représenter ce phénomène on utilise un mouvement brownien. Il s agit d une notion mathématique très importante, que nous allons présenter dans la prochaine partie. 1 Intégration stochastique 1.1 Mouvement brownien Le mouvement brownien est la description mathématique de la trajectoire aléatoire d une particule dans un fluide, c est à dire soumise à l échelle atomique à des chocs avec d autres particules. Cette description ne peut donc se faire que de manière probabiliste. Le premier à l avoir mis en évidence est le botaniste Robert Brown en Il a ensuite été défini rigoureusement par Louis Bachelier en 19. De grands scientifiques ont travaillé dessus au XX ème siècle, comme Paley, Zygmund, Wiener ou encore Einstein. Il possède de nombreuses propriétés intéressantes, et sert notamment à poser et résoudre des EDS, qui sont importantes dans de nombreux domaines : physique, biologie, écologie, finance... Définition 1 (Processus aléatoire). Un processus aléatoire est une fonction réelle à valeurs aléatoires. C est-à-dire, si (Ω, A, P ) est un espace de probabilités, B : Ω R R On notera B t = B(ω, t) pour tous les processus aléatoires. 3
4 Définition 2 (Mouvement brownien). Considérons B : Ω R + R un processus aléatoire. B est appelé mouvement brownien si B est continu p.s. B = ( ) ) t 1, t 2 R + B t2 B t1 (B t2 t 1 N (, t 2 t 1 ) ) < t < t (B t B t {B s } s t p.s. signifie presque sûrement, c est-à-dire avec une probabilité de 1. N (, t 2 t 1 ) est la loi gaussienne d espérance et de variance t 2 t 1. le symbole signifie indépendant. Définition 3 (Processus adapté). Soit H un processus aléatoire. H est dit adapté à B si t H t {B t B t } t t Cette notion de processus aléatoire adapté va nous permettre de définir l intégrale d Itô, qui est l homologue probabiliste de l intégrale de Lebesgue. On définit cette intégrale de la même manière que celle de Lebesgue, pour des processus adaptés en escalier puis on généralise à des processus adaptés quelconques. 1.2 Intégrale d Itô Définition 4 (Intégrale d Itô). On considère donc B un mouvement brownien et H un processus adapté. L intégrale d Itô de H est T H s db s = lim n k= n 1 H tk (B tk+1 B tk ) avec t k = kt n Théorème 1. Soit H un processus adapté et T >. T Si H2 s ds < + p.s. Alors t H sdb s est adapté et continu sur [, T ] Théorème 2. Soient H un processus adapté et T >. Si { T ( H2 s ds < + p.s. ) T E H2 s ds < + Alors ( T E E ) H sdb s = [ ( ) ] T 2 H sdb s = E ( ) T H2 s ds Ces deux théorèmes sont extrêmements importants. Le premier assure un comportement régulier de l intégrale, tandis que le second permet de calculer l espérance d une intégrale d Itô et celle de son carré en se ramenant au calcul d une intégrale de Lebesgue. 4
5 Définition 5 (Processus d Itô). Soit X un processus aléatoire. X est dit processus d Itô si t X t = X + X o {B t } t H et K sont adaptés à B t H2 s ds < + p.s. H s db s + et K s ds K s ds < + p.s. On a unicité de la décomposition d Itô, c est à dire unicité des processus H et K. On peut aussi utiliser la formulation dite différentielle : dx t = H t db t + K t dt X t = X + H s db s + K s ds Théorème 3 (Formule d Itô). Soient dx t = H t db t +K t dt un processus d Itô et f : R + R R Si f est C 1,2 Alors f t t f(t, X t ) = f(, X ) + s (s, X f s)ds + x (s, X s)dx s f 2 x 2 (s, X s)hs 2 ds Le terme quadratique est très important, puisqu il s agit d un terme n apparaissant pas lorsque l on travaille avec des intégrales de Lebesgue déterministes. Corollaire 1. Soient dx t = H X t db t + K X t dt et dy t = H Y t db t + K Y t dt deux processus d Itô. On a alors la formule d intégration par parties : t X t Y t = X Y + X s dy s + Y s dx s + H X s H Y s ds Ce théorème et son corollaire sont des outils de calcul puissants lorsque l on cherche à résoudre des EDS Résolution d une EDS Théorème 4 (Existence et unicité). Considérons l EDS suivante : Si Alors!X processus d Itô vérifiant dx t = σ(t, X t )db t + b(t, X t )dt X B K > vérifiant t [, T ] et x, x R : σ(t, x ) + b(t, x ) K(1 + x ) σ(t, x) σ(t, x ) + b(t, x) b(t, x ) K x x t [, T ] X t = X + σ(s, X s )db s + b(s, X s )ds 5
6 Ce théorème est l équivalent stochastique du théorème de Cauchy-Lipschitz déterministe (et se démontre lui aussi grâce au théorème du point fixe). Théorème 5. Considérons l EDS suivante : dx t = σ(t, X t )db t + b(t, X t )dt Soit X l unique processus d Itô solution de l EDS. Si { t [, T ] Xt a pour densité x ψ(t, x) ψ, σ et b sont respectivement C 1,2, C,2 et C,1 Alors ψ est solution de l équation aux dérivées partielles suivante : ψ t = 1 2 (σ 2 ψ) 2 x 2 (bψ) x Cette équation est appelée équation de Fokker-Planck de l équation différentielle stochastique. Nous verrons dans la dernière partie en quoi il peut être intéressant de chercher à la résoudre... 2 Cas d une EDS simple 2.1 Présentation de l EDS Considérons l EDS suivante : dx t = db t + ax t dt ( Cette équation a pour unique solution X t = e at X + ) t e as db s ; on l appelle processus d Ornstein-Ulhenbeck. Après avoir montré comment résoudre cette EDS, nous allons calculer les moments d ordre 1 et 2, ainsi que l espérance des incréments du processus d Ornstein-Ulhenbeck, c est-à-dire E(X t ),E(X 2 t ) et E(X t X t+t ) à t fixé. Nous ferons ceci de deux manières : en utilisant l EDS et en utilisant la solution. Ceci constitue une excellente application des théorèmes précédemment énoncés. D ailleurs, il s agit de l une des seules EDS que l on peut résoudre sans avoir à utiliser de méthodes numériques. 6
7 2.2 Résolution de l EDS dx t = db t + ax t dt Nous allons utiliser la méthode de variation de la constante : X t = U t e at dx t = (du t + au t ) e at = db t + ax t dt du t e at = db t En intégrant sur [, t], on obtient U t = U + e as db s = X + ( e as db s Donc X t = e at X + ) t e as db s qui est bien le processus d Ornstein-Ulhenbeck. 2.3 Moment d ordre 1 Moment d ordre 1 par l EDS : Supposons ( que X soit de densité f intégrable. Par le théorème de Fubini, on obtient alors ) t que E X sds = E (X s) ds. Donc ( E(X t ) = E(X ) + ae = E(X ) + a Donc t E(X t ) vérifie l équation différentielle u = au Donc E(X t ) = E(X )e at ) X s ds + E(B t ) E (X s ) ds Moment( d ordre 1 par la solution : X t = e at X + e as db s ). ( )) Donc E(X t ) = e (E(X at t ) + E e as db s ( t a = E ( ) t Donc E (e as ) 2 ds < + ( ) t Donc E e as db s = Donc E(X t ) = E(X )e at a E ( e 2as ds e 2as ds ) = t < + ) = 1 e 2at 2a < + 7
8 2.4 Moment d ordre 2 Moment d ordre 2 par l EDS : Par la formule d intégration par parties on obtient : X 2 t = X X sdx s + ds = X2 + 2 X sdb s + 2a X2 s ds + t Y t = Y + 2 X sdb s + 2a Y sds + t en posant Y t = Xt 2 ) X est adapté et on a vu que E ( X2 s ds Donc E(Y t ) = E(Y ) + t + 2a E(Y s)ds < + donc E ( X sdb s ) =. Donc t E(Y t ) = E(Xt 2 ) vérifie l équation différentielle u = 1 + 2au. u(t) = 1 2a en est une solution particulière. Donc E(Xt 2 ) = ( ) E(X 2 ) + 1 2a e 2at 1 2a Moment( d ordre 2 par la solution : X t = e at X + e as db s ). ( ) Xt 2 = e (X 2at 2 t 2 + e as db s + 2X e as db s ). X ) t e as db s donc E (X e as db s = E(X )E [ ( ) X 2 t 2 + e as db s ]. Donc E(Xt 2 ) = e 2at E ( ) t E (e as ) 2 ds < + [ ( ) ] t 2 e as db s = E Donc E ( e 2as ds Donc E(Xt 2 ) = ( ) E(X 2 ) + 1 2a e 2at 1 2a 2.5 Espérance des incréments ) = 1 e 2at 2a Espérance des incréments par l EDS : dx T = db T + ax T dt donc dx t+t = db t+t + ax t+t dt Donc X t dx t+t = X t db t+t + ax t X t+t dt ( e as db s ) = On intègre alors par rapport à T (X t est ici un scalaire indépendant de T ) : Donc X t X t+t = X t (B T +t B t ) + a T X tx t+s ds E(B T +t B t ) = E(B T ) = Donc E(Z T ) = E(Z ) + a T E(Z s)ds en posant Z T = X t X t+t 8
9 Donc T E(Z T ) = E(X t X t+t ) vérifie l équation différentielle u (T ) = au(t ). Donc E(X t X t+t ) = e at E(X 2 t ) Espérance des incréments par la solution : Z T = e 2at+aT [ ] t E [X e as db s E ] t+t X 2 + 2X e as db s [ ( ) ( )] t+t +e 2at+aT e as db s e as db s = e 2at+aT [ [( e as db s ) ( +T Donc E(X 2 t ) = e at e 2at E ] t+t X 2 + 2X e as db s + 2X e as db s [ ( ) 2 ( ) ( )] t+t +e 2at+aT e as db s + e as db s e as db s [ +T = E X t e as db s ] = )] e as db t s = E [ X 2 + t [ ] [ t ] t+t e as db s E e as db t s = ( e as db s ) 2 ]. On reconnait alors E(X 2 t ) (voir section 2.4) : Donc E(X t X t+t ) = e at E(X 2 t ) t 9
10 3 Calcul d une intégrale héritée de la physique 3.1 Présentation En dernière partie de cet exposé, nous allons nous intéresser à un problème récurrent hérité de la physique. Nous possédons maintenant toutes les bases qui nous permettront de traiter ce problème de manière numérique. Des problèmes issus de la physique demandent donc de calculer A(x)e βv (x) dx R < A >= d e R βv (x) dx d A : R d R est une fonction quelconque appelée observable. V : R d R représente l énergie potentielle du système à l état x. x R d est l ensemble des coordonnées des atomes composant le système. β est l inverse de la température (donc β > ). En physique statistique, on considère qu un système ne minimise pas toujours son énergie potentielle : tous les états sont accessibles, mais avec différentes probabilités. Cette loi de probabilité suit la densité suivante : (x) e βv ϕ(x ) = e R βv (x) dx d On remarque que V (x 1 ) < V (x 2 ) ϕ(x 1 ) > ϕ(x 2 ) c est-à-dire que les minima d énergie potentielle ont plus de probabilité d être atteints. Malheureusement, de telles intégrales sont concrètement difficiles à calculer du fait de la dimension. Il n est pas rare de voir d de l ordre de 1 5 ou 1 6. En effet, si on se fixe une précision ε, cela impose un nombre de points minimal N ε à calculer par dimension, et donc un coût total supérieur à N d ε Utilisation des EDS Considérons l EDS suivante : On pose S t = 1 t A(X s)ds dx t = V (X t )dt + 2 β db t Proposition 1. Si V est globalement lipschitz Alors pour presque tout X, S t converge presque sûrement vers < A > quand t + L équation de Fokker-Planck de cette EDS est : ψ t = x (ψv ) ψ β x 2 1
11 On remarque que ϕ : x e βv (x ) est une solution stationnaire de l équation de Fokker- R e βv (x) dx Planck ; il s agit de la fonction de répartition théorique du système. Ceci permet de faire le lien entre la résolution de l EDS et le calcul de l intégrale... Pour résoudre cette EDS, nous allons devoir la discrétiser et utiliser des méthodes numériques. On fixe un pas de temps t > X (n+1) t X n t = (n+1) t V (X n t s )ds + 2 β (B (n+1) t B n t ) B (n+1) t B n t N (, t) tn (, 1) Jusqu ici tout est exact ; on peut alors procéder à une approximation en créant une suite (X n ) telle que : X n+1 = X n tv 2 t (X n ) + β G n où (G n ) est une suite i.i.d suivant N (, 1) On pose alors S N = 1 N N k=1 A(X k), qui est une version approchée de S t définie précédemment. On va donc étudier la convergence de (S N ) quand N Quelques résultats graphiques Evolution de S N en fonction de N V (x) = x 2 A(x) = x t =.1 β = 1 < A >= Dans le cas présent, on peut calculer directement < A >=. On remarque alors que (S N ) converge vers < A > quand N +. 11
12 Evolution de S N en fonction de N V (x) = x 2 A(x) = x 2 t =.1 β = 1 < A >= 1 2 Ici on peut calculer < A >= 1/2. On remarque donc que S N converge, mais on peut voir un biais (ou erreur systématique, comme nous le verrons plus loin), c est-à-dire que les paramètres utilisés ne sont pas assez précis. Nous allons donc voir que ce biais diminue avec t. Pour cela, on va générer un intervalle de confiance de la variable aléatoire S N à N fixé, ceci grâce à la méthode de Monte-Carlo. On commence par générer M fois la variable S N. On notera S (k) N la kème réalisation de S N. On peut alors en faire la moyenne empirique et une approximation de la variance : µ M = 1 M σ M = M k=1 1 M 1 S (k) N M k=1 ( ) 2 S (k) N µ M Y M = M V ar(s N ) (µ M E(S N )) converge en loi vers N (, 1) d après le théorème de la limite centrale. Numériquement, on a donc une probabilité de 95% d avoir E(S N ) [ µ M 1.96 σ MM, µ M σ MM ] 12
13 Evolution de l intervalle de confiance en fonction du nombre de réalisations V (x) = x 2 A(x) = x t =.1 N = 1 β = 1 < A >= On remarque donc que l intervalle de confiance s affine quand le nombre de réalisations de la variable aléatoire augmente. Evolution de l intervalle de confiance en fonction de t V (x) = x 2 A(x) = x 2 N adapté β = 1 3 réalisations < A >=
14 Il est à noter qu il existe deux erreurs lorsqu on utilise la méthode de Monte-Carlo : L erreur statistique est due à la réalisation aléatoire : elle est représentée par la taille de l intervalle de confiance. L erreur systématique, ou biais, est due à de mauvais paramètres : elle est représentée par le centrage de l intervalle de confiance. On peut facilement corriger l erreur systématique en choisissant un t plus petit, mais l erreur statistique évolue en 1 M (où M est le nombre de réalisations) et est donc très coûteuse à corriger... Nous allons maintenant regarder l évolution de S N en fonction de β, c est à dire l inverse de la température. Les résultats sont très intéressants en prenant deux fonctions V différentes... On va garder pour le moment A(x) = x, ce qui signifie que S N n est autre que la moyenne de (X n ) n N et S =< A >=. Evolution de S N en fonction de N V (x) = V 1(x) : puit simple 14
15 On remarque ici que l augmentation de β, c est à dire la diminution de la température, n a pas beaucoup d influence sur la vitesse de convergence de (S N ) ; elle semble simplement converger un peu plus vite. Evolution des X N en fonction de N β =.5 V (x) = V 2(x) : double puit Evolution des X N en fonction de N β = 5 V (x) = V 2(x) : double puit 15
16 Evolution des X N en fonction de N β = 1 V (x) = V 2(x) : double puit Les trois graphes précédents montrent qu à l inverse du premier cas, l augmentation de β (et donc la diminution de la température) tend à diminuer la vitesse de convergence de (S N ) (qui représente ici la moyenne de Cesàro de (X N )). On peut donc voir que la question de la vitesse de convergence en fonction de β est difficile, et on ne peut pas vraiment en tirer de conclusion. 3.4 A propos de l équation de Fokker-Planck Nous avons donc vu le comportement de (S N ) en fonction de N et de t. On va s intéresser en dernière partie à la résolution de l équation de Fokker-Planck de l EDS. 2 dx t = V (X t ) + β db t Son équation de Fokker-Planck est donc : ψ t = x (ψv ) ψ β x 2 Ici, A n intervient pas, et on pose V (x) = V 2 (x) = (2x 1) 2 (x + 1) 2. où ψ(t, ) est la fonction de répartition de X t 16
17 On rappelle que ϕ : x e βv (x ) est une solution stationnaire de l équation de Fokker- R e βv (x) dx Planck et est aussi la fonction de répartition théorique du système. On fixe N et t, et on peut tracer la répartition des X N pour un certain nombre de réalisations... Définissons Ω = [ 3, 3]. La fonction de répartition de X N dehors de Ω. Discrétisation de l EDP selon le temps : et ϕ sont à peu près nulles en Ω Ω ψ t g ψ t g ψ t = x (ψv ) ψ β x 2 = g Ω x (ψv ) + 1 β = g ψv 1 Ω β Ω Ω g 2 ψ x 2 g ψ x pour g nulle au bord de Ω Ceci s obtient en fixant ψ( 3) = ψ(3) = (ce qu on appelle conditions de Dirichlet) 17
18 De la même manière que précédemment, nous obtenons une suite (ψ n ) en discrétisant : 1 g(ψ n+1 ψ n ) = g ψ n+1 V 1 g (ψ n+1 ) t Ω Ω β Ω Discrétisation de l EDP selon l espace : On introduit alors (x i ) i r+1 une partition de Ω et on pose, pour i [[ 1, r ], θ i affine par morceaux telle que θ i (x i 1 ) = θ i (x i+1 ) = et θ i (x i ) = 1. On pose alors g(x) = r i=1 g iθ i (x) et ψ k (x) = r j=1 ψk j θ j(x) On peut alors à nouveau discrétiser i [[ 1, r ] r j=1 [ ] 1 θ i θ j (ψ n+1 j ψj n ) t Ω = r [ On obtient donc une équation matricielle à résoudre : [ B t (U n+1 U n ) = A K ] U n+1 β U k j j=1 = ψk j Ω A i,j = Ω θ i θ jv B i,j = Ω θ iθ j K i,j = Ω θ i θ j θ iθ j ψ n+1 j V 1 ] θ β iθ j(ψ n+1 j ) Ω On se fixe alors des conditions aux limites de Ω : ψ( 3) = ψ(3) = et on fixe ψ = 1 6 1I [ 3,3] 18
19 Evolution de ψ N N = 2, 5, 2, 1 t = 1 3 β = 3 On remarque que lorsque N augmente, la forme de ψ N s affine pour finir par ressembler à ϕ, qui est la distribution théorique que l on attend en temps long. 19
20 Evolution de ψ N N = 2, 5, 2, 1 t = 1 3 β = 3 Répartition des X N et tracé de ψ N N = 1 4 t = 1 3 β = 3 Pour N grand, la forme de ψ N est effectivement très proche de celle de ϕ. Résoudre l équation de Fokker-Planck peut donc permettre de trouver la fonction de répartition du système, et donc de calculer S t et < A >. 2
21 Il est cependant nécéssaire de revenir sur les conditions de Dirichlet imposées à la fonction ψ. Nous avons posé qu elle s annulait en dehors et aux bornes de Ω. Il peut être plus intéressant de rajouter de fonctions de type θ aux bords pour enlever cette restriction et spécifier des conditions sur ψ. Ceci s appelle les conditions de Neumann. Conclusion En conclusion, nous avons vu que pour calculer < A >, un outil majeur est la résolution de l EDS (éventuellement pour cela résoudre l équation de Fokker-Planck associée). En dimension 1, il est généralement plus rapide de résoudre l équation de Fokker-Planck de manière numérique. En dimension d, il est généralement préférable d essayer de résoudre l EDS... 21
22 Références [1] Eric Cances, Frédéric Legoll, and Gabriel Stoltz. Theoretical and numerical comparison of some sampling methods for molecular dynamics. Mathematical Modelling and Numerical Analysis, 27. [2] Martin Haugh. Simulating stochastic differential equations. 24. [3] Benjamin Jourdain. Notes de cours : Stochastic differential equations and interpretation of parabolic partial differential equations. 26. [4] Davar Khoshnevisan. Probability. American Mathematical Society,
Les 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
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 détailDécomposition de Föllmer-Schweizer. explicite d un passif d assurance vie. au moyen du calcul de Malliavin
Décomposition de Föllmer-Schweizer explicite d un passif d assurance vie au moyen du calcul de Malliavin Mémoire présenté par Sébastien de Valeriola en vue de l obtention du master en sciences actuarielles
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 détailIntroduction à l analyse numérique : exemple du cloud computing
Introduction à l analyse numérique : exemple du cloud computing Tony FEVRIER Aujourd hui! Table des matières 1 Equations aux dérivées partielles et modélisation Equation différentielle et modélisation
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 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 détailContinuité d une fonction de plusieurs variables
Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs
Plus en détailIntroduction au pricing d option en finance
Introduction au pricing d option en finance Olivier Pironneau Cours d informatique Scientifique 1 Modélisation du prix d un actif financier Les actions, obligations et autres produits financiers cotés
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en 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 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 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 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 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. 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 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 détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en 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 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 détail3. Caractéristiques et fonctions d une v.a.
3. Caractéristiques et fonctions d une v.a. MTH2302D S. Le Digabel, École Polytechnique de Montréal H2015 (v2) MTH2302D: fonctions d une v.a. 1/32 Plan 1. Caractéristiques d une distribution 2. Fonctions
Plus en détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailÉVALUATION FORMATIVE. On considère le circuit électrique RC représenté ci-dessous où R et C sont des constantes strictement positives.
L G L G Prof. Éric J.M.DELHEZ ANALYSE MATHÉMATIQUE ÉALUATION FORMATIE Novembre 211 Ce test vous est proposé pour vous permettre de faire le point sur votre compréhension du cours d Analyse Mathématique.
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 détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en 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 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 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 détailLimite de champ moyen
Limite de champ moyen Cours de DEA, 2001-2002 Cédric Villani UMPA, ESL 46 allée d Italie 69364 Lyon Cedex 07 cvillani@umpa.ens-lyon.fr 2 CHAPITRE 0 Ce document constitue le support écrit pour un cours
Plus en détailMESURE ET INTÉGRATION EN UNE DIMENSION. Notes de cours
MSUR T INTÉGRATION N UN DIMNSION Notes de cours André Giroux Département de Mathématiques et Statistique Université de Montréal Mai 2004 Table des matières 1 INTRODUCTION 2 1.1 xercices.............................
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 détailBTS Groupement A. Mathématiques Session 2011. Spécialités CIRA, IRIS, Systèmes électroniques, TPIL
BTS Groupement A Mathématiques Session 11 Exercice 1 : 1 points Spécialités CIRA, IRIS, Systèmes électroniques, TPIL On considère un circuit composé d une résistance et d un condensateur représenté par
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 détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
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 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 détailExamen optimisation Centrale Marseille (2008) et SupGalilee (2008)
Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut
Plus en détailSur certaines séries entières particulières
ACTA ARITHMETICA XCII. 2) Sur certaines séries entières particulières par Hubert Delange Orsay). Introduction. Dans un exposé à la Conférence Internationale de Théorie des Nombres organisée à Zakopane
Plus en détailLoi binomiale Lois normales
Loi binomiale Lois normales Christophe ROSSIGNOL Année scolaire 204/205 Table des matières Rappels sur la loi binomiale 2. Loi de Bernoulli............................................ 2.2 Schéma de Bernoulli
Plus en détailCours de Calcul stochastique Master 2IF EVRY. Monique Jeanblanc
Cours de Calcul stochastique Master 2IF EVRY Monique Jeanblanc Septembre 26 2 Contents 1 Généralités 7 1.1 Tribu............................................... 7 1.1.1 Définition d une tribu.................................
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 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 détailGénération de scénarios économiques
Modélisation des taux d intérêt Pierre-E. Thérond ptherond@galea-associes.eu pierre@therond.fr Galea & Associés ISFA - Université Lyon 1 22 novembre 2013 Motivation La modélisation des taux d intérêt est
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailChapitre 1 Cinématique du point matériel
Chapitre 1 Cinématique du point matériel 7 1.1. Introduction 1.1.1. Domaine d étude Le programme de mécanique de math sup se limite à l étude de la mécanique classique. Sont exclus : la relativité et la
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 détailConstruction de l'intégrale de Lebesgue
Université d'artois Faculté des ciences Jean Perrin Mesure et Intégration (Licence 3 Mathématiques-Informatique) Daniel Li Construction de l'intégrale de Lebesgue 10 février 2011 La construction de l'intégrale
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
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 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 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 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 détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailExercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Plus en détailExercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?
Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version
Plus en 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 détailPremière partie. Introduction à la méthodes des différences finies
Première partie Introduction à la méthodes des différences finies 5 7 Introduction Nous allons présenter dans cettte partie les idées de base de la méthode des différences finies qui est sans doute la
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 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 détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
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 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 détailMesures gaussiennes et espaces de Fock
Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailOM 1 Outils mathématiques : fonction de plusieurs variables
Outils mathématiques : fonction de plusieurs variables PCSI 2013 2014 Certaines partie de ce chapitre ne seront utiles qu à partir de l année prochaine, mais une grande partie nous servira dès cette année.
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 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 détailEtude de fonctions: procédure et exemple
Etude de fonctions: procédure et exemple Yves Delhaye 8 juillet 2007 Résumé Dans ce court travail, nous présentons les différentes étapes d une étude de fonction à travers un exemple. Nous nous limitons
Plus en détailNOTE SUR LA MODELISATION DU RISQUE D INFLATION
NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détailModule d Electricité. 2 ème partie : Electrostatique. Fabrice Sincère (version 3.0.1) http://pagesperso-orange.fr/fabrice.sincere
Module d Electricité 2 ème partie : Electrostatique Fabrice Sincère (version 3.0.1) http://pagesperso-orange.fr/fabrice.sincere 1 Introduction Principaux constituants de la matière : - protons : charge
Plus en détailChapitre 3. Quelques fonctions usuelles. 1 Fonctions logarithme et exponentielle. 1.1 La fonction logarithme
Chapitre 3 Quelques fonctions usuelles 1 Fonctions logarithme et eponentielle 1.1 La fonction logarithme Définition 1.1 La fonction 7! 1/ est continue sur ]0, +1[. Elle admet donc des primitives sur cet
Plus en 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 détailPrincipe de symétrisation pour la construction d un test adaptatif
Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université
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 détailIntroduction. aux équations différentielles. et aux dérivées partielles
Université Claude Bernard, Lyon I Licence Sciences, Technologies & Santé 43, boulevard 11 novembre 1918 Spécialité Mathématiques 69622 Villeurbanne cedex, France L. Pujo-Menjouet pujo@math.univ-lyon1.fr
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 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 détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en 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 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 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 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 détail