Cours: Analyse multifractale
|
|
- Gabin St-Laurent
- il y a 8 ans
- Total affichages :
Transcription
1 Cours: Analyse multifractale Ecole de Recherche CIMPA Analyse et Probabilités Carenne, Universidad Central de Venezuela Cocody-Abidjan, mars 2014
2 1 Introduction 2 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) 3 4 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes 5
3 Multifractales Multifractalité: X (t) tel que EX q (t) t ζ(q) pour t < T, le horizon d invariance d échelle. Ici, et pour la suite a b s ils existent 0 < c < C tels que cb < a < Cb. Souvent, dans des applications, on considère la moyenne 1 empirique: N i X i(t) q t ζ(q). ζ(q), nomée la fonction d échelle, est non linéaire (en fait strictement concave).
4 Modèle par excellence: X tel que X (λt) M(λ)X (t), M indépendant de X Où on suppose pour M la propriété d échelle: M(c 1 c 2 ) M(c 1 )M(c 2 ) avec M(c 1 ) et M(c 2 ) indépendants. Ici, et pour la suite a b ssi a = d b Chaque échelle agit sur X de façon indépendant.
5 Concavité de ζ X tel que E X (t) q = c(q)t ζ(q) pour t < T Soient w i, q i, i = 1, 2 tels que w 1 + w 2 = 1 et q = w 1 q 1 + w 2 q 2. Par Hölder E X q (E X q 1 ) w 1 (E X q 2 ) w 2 En prenant logarithmes, log c(q) + ζ(q) log t [w 1 log c(q 1 ) + w 2 log c(q 2 )] + [w 1 ζ(q 1 ) + w 2 ζ(q 2 )] log t En divisant par log(t) lorsque t 0 on obtient ζ(q) w 1 ζ(q 1 ) + w 2 ζ(q 2 )
6 D autre part si l on suppose T, en divisant par log(t) lorsque t on obtient et donc la linéarité de ζ ζ(q) w 1 ζ(q 1 ) + w 2 ζ(q 2 ) monofractales: ζ(q) linéaire Mouvement Brownien fractionnaire: B H (λt) λ H B H (t) Si le horizon d invariance d échelle est infinie: X est monofractale
7 Mesures multifractales: (µ[0, λt]) 0<t<T λe Ω λ(µ[0, T ]) 0<t<T, avec Ω λ infiniment divisible. Ee qω λ = λ ψ(q), ψ(q) strictement convexe Soit X (t) := µ[0, t]. On a E[X (λ) q ] = c(q)λ q ψ(q) On définit ζ(q) = q ψ(q) Plus généralement, on peut considérer processus aléatoires d accroissements stationnaires X = {X (s), s [0, T ]} (T > 0) Si l on définit a(s) := X (t) X (t + s) E[ a(s) q ] c(q) s ζ(q).
8 Interprétation: a(λs) e Ω λa(s), avec Ω λ infiniment divisible. Exemples: turbulence, mouvements séismiques, finances, électrocardiogrammes, modèles de pluie (rainfall models) Plus loin: on observe pour certaines modèles des moments impaires nulles Interprétation Gaussiènne: modèles de volatilité multifractale dx t = a(s)db H t, Dans ce cours nous introduirons quelques modèles multifractales, des propriétés fondamentaux et finalement nous aborderons le probléme d éstimation des paramètres.
9 Planning du cours 1 Introduction 2 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) 3 4 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes 5
10 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) 1 Introduction 2 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) 3 4 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes 5
11 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Pour commencer: Cascades Binomiales r i Soit r = i : r 2 i i {0, 1} définie par sa expansion dyadique. Notation: r n = r 1... r n., I r n = [ r i i, r i 2 i i i 2 ), n S n (r) = r r n Pour 0 < p < 1 on définit λ n = 2 n r n psn (1 p) n Sn 1 Ir n Et finalement, la cascade multiplicative d ordre n, m n = λ n λ (λ la mesure Lebesgue) Alternativement dmn dλ (r) = psn(r) (1 p) n Sn(r)
12 Cascades Binomiales Introduction Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Si I = I s n est un intervalle dyadique on a m n (I ) = m n+1 (I ) = m n+2 (I ) =... Pour tout I intervalle dyadique on a donc que m n (I ) converge Soit f une fonction continue sur [0, 1]: il existe use suite escalier (sur des intervalles dyadiques) f m rapprochent f uniformément On a m n (f ) := fdm n (x) converge vers m f. Par le théorème de Banach-Steinhaus et le théorème de représentation de Riesz il existe une mesure m tel que pour tout f continue sur [0, 1] m n (f ) m(f ).
13 Cascades multiplicatives Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Casacade de Mandelbrot (1974): comme avant r [0, 1] : r = r 1 r 2... sa expansion dyadique. On définit λ n = r n W 0 n j=1 W r j1 Ir n, où W r j W sont des variables aléatoires (sur un espace de probabilité (Ω, F, P)) indépendants du même loi. Ils satisfont les conditions E(W ) = 1( normalisation) (1) E[W log 2 W ] < 1( non dégénérescence) (2) Soit m n = λ n λ. On a Kahane et Peyère (1976): il existe un mesure (aléatoire) m tel que P(m n m faiblement lorsque n ) = 1,
14 Cascades multiplicatives Cascades Multiplicatives Mesures multifractales aléatoires (IDC) De plus, la mesure limite m satisfait Em ([0, T ]) = T sous la condition (2): non dégénérescence Soient ψ(q) = log 2 E(W q ) ζ(q) = q ψ(q) et τ(q) = 1 ζ(q) Propieté d échelle (scaling property): Em q ([0, λ]) = λ ζ(q) Em q [0, 1] pour q < q max < q Où q = sup q {ψ(q) < } Et q max = sup{q : τ(q) < 0}.
15 La fonction τ(q) Introduction Cascades Multiplicatives Mesures multifractales aléatoires (IDC) τ(q) = 1 ζ(q) Elle est bien définie sur [0, q ), q 1 τ(1) = 0 (EW = 1) τ(0) = 1 + log 2 P(W 0) Elle est continue sur [0, 1] Elle est convexe Sous (1) (EW = 1) la condition (2) (E[W log 2 W ] < 1) est équivalent à τ (1 ) < 0
16 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) τ (1 ) < 1 équivalent à (2): τ (1 ) = EW log 2 W EW 1 En effet: si r(q) := EW q on a r (q) = E(W q log W ) pour 0 < q < 1 (par convergence dominée) De plus r (q) croit vers E(W log W ) La preuve suit de prendre le dérivée du logarithme.
17 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Cascades multiplicatives: version b-adyque On peut changer l expansion de r par une expansion b-adyque r = r i i : r b i i {0,..., b 1} Soit λ n = r n W n 0 j=1 W r j1 Ir n Soient ψ b (q) = log b E(W q ) ζ b (q) = q ψ b (q) et τ b (q) = 1 ζ b (q)
18 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Typiquement on donne alors les conditions (1,2) comme τ b (1) = 0 (3) τ b (1 ) < 0 (4) Si m est la mesure limite (limite faible p.p) on a E[m ([0, T ])] = T sous la condition (4) Propieté d échelle (scaling property): m q ([0, λ]) λ ζ b(q) m q [0, 1] pour q < q max
19 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) La mesure m q Pour q < q max on considère maintenant m q = lim n m q,n Où m q,n = λ q,n λ et λ q,n = r n W q,0 j=1 n W q,r j 1 Ir n, W q,ν W q EW indépendants q Alors si q < q 0 on a, m q ([0, 1]) = 1 (non dégénérescence) Où q 0 := sup{q : qτ (q) τ(q) < 0}.
20 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Démonstration: la suite m q,n est une martingale. La preuve suit de montrer que la condition q < q 0 est équivalent a (4) pour W = W q /EW q. En effet, soit τ q (t) = τ(tq) tτ(q). Alors, τ q (t) correspond à τ(t) pour la cascade définit par les variables W = W q,ν. D autre part τ q(1 ) = qτ (q) τ(q). Fin.
21 Exemple Log-Normal Introduction Cascades Multiplicatives Mesures multifractales aléatoires (IDC) b = 2 Considerons la cascade log-normale log W = µ + σz avec Z N(0, 1). EW = e µ+σ2 /2 La condition E[W ] = 1 implique µ = σ 2 /2. Alors ζ(q) = q q(q 1)σ2 2 log 2 et τ(q) = q(q 1)σ2 2 log 2 (q 1) q max = q 0 = ( 2 log 2 2 log 2 σ. σ 2 ) 1
22 Condition de normalisation Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Pourquoi EW = 1? Pour tout t m n ([0, t]) = [0,t] λ n (u)dλ(u) = tb n r n [0,t] n 1 W 0 Em n ([0, t]) = tb n r n [0,t] EW n 1 0 j=1 W r jew r n Em n ([0, t]) = Em n 1 ([0, t])ew j=1 W r j W r n
23 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Soient F n, n 1 les sous-tribus de F définies par F n := σ{w ν : ν n} On a E Fn 1 m n ([0, t]) = m n 1 ([0, t]) Pour tout Borelien I : m n (I ) est martingale positive par rapport à F n : elle converge p.s. D ailleurs Em n (I ) = λ(i ). Or, par le Lemme de Fatou on sait seulement que Em(I ) lim n Em n (I ) = λ(i ) Non dégénérescence: Em(I ) = λ(i ) (Em[0, 1] 0)
24 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Théorème de K-P: Cascades multiplicatives Em[0, T ] > 0 (P(m[0, T ] 0) > 0) ssi τ b (1 ) < 0 Em q [0, T ] < pour q [0, 1] et si q max > 1, on a Em q [0, T ] < pour 1 < q < q max Em[0, T ] = T ssi Em[0, T ] > 0
25 Théorème de K-P: Demonstration Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Par (3) il y a convergence p.s. de la suite m n (I ): or Les suivants afirmations sont équivalentes (I = [0, 1]) Em[0, 1] = 1 Em[0, 1] > 0 La martingale m n [0, 1] est uniformement intégrable: dans ce cas le Théorème de convergence des martingales assure la converence dans L 1 et Em([0, 1]) = lim n Em n ([0, 1]) = 1
26 Demonstration de l équivalence Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Clairement Em[0, 1] = 1 Em[0, 1] > 0 Pour montrer l équivalence il suffit de montrer alors que sous Em[0, 1] > 0 la suite m n est uniformément intégrable. On utilise la propriété de la distribution multiplicative de la densité
27 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Distribution multiplicative de la densité En reprenant m n ([0, 1]) = b n r n [0,1] n 1 W 0 j=1 W r j W r n Comme tous les W r n ont la même loi on a la propriété fondamentale suivante: b m n ([0, 1]) = b 1 m i,n 1 ([0, 1])W i (5) i=1 où tous les m i,n 1 ([0, 1]) sont i.d et indépendants des W i En prenant des limites on obtient b m([0, 1]) = b 1 m i ([0, 1])W i (6) i=1
28 Demonstration de l équivalence (suite) Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Si Em([0, 1]) > 0 il existe un m dont Em ([0, 1]) = 1 solution de b m ([0, 1]) = b 1 m i([0, 1])W i En itérant on obtient i=1 m ([0, 1]) = b n r n m r n ([0, 1]) j W r j Si F n est la sous-tribu σ{w r j, j = 1,..., n} E Fn m ([0, 1]) = b n W r j = m n ([0, 1]) r n j Donc = m n ([0, 1]) est uniformément intégrable.
29 Demonstration Thm Introduction Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Em[0, T ] > 0 (P(m[0, T ] 0) > 0) ssi τ b (1 ) < 0 Nécessite: supposons que il existe m tel que Em([0, 1]) = 1 et m([0, 1]) = b 1 Par sous-additivité de x q, b m i ([0, 1])W i. i=1 b q Em q ([0, 1]) bem q ([0, 1])EW q Alors τ b (q) 0 pour q 1 Comme τ b (1) = 0 on obtient la condition plus faible τ b (1 ) 0 (un peu plus de travail donne l inégalité stricte)
30 Demonstration Thm (suite) Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Suffisance (plus technique): Lemme: pour 0 < q < 1 on a ( x i ) q x q i 2(1 q) i<j (x ix j ) q /2 A partir du m([0, 1]) = b 1 en prenant des espérances on a b m i ([0, 1])W i (7) i=1 b q Em q n([0, 1]) bem q q n 1 ([0, 1])EW b(b 1)(1 q)(em q/2 n 1 ([0, 1]))2 (EW q/2 ) 2
31 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) En utilisant que Emn([0, q 1]) m q n 1 ([0, 1]) on obtient τ b (1 ) log b (b 1)(Em 1/2 n [0, 1]) 2 Comme mn 1/2 ([0, 1]) est uniformément intégrable dans L 2 (car Em m ([0, 1]) = 1) on a 0 < Emm 1/2 ([0, 1]) Em 1/2 ([0, 1]). Donc, Em([0, 1]) > 0 et par conséquent Em([0, 1]) = 1
32 Demonstration existence moments Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Si m n ([0, 1]) est bornée dans L q, Em q ([0, 1]) < (par intégrabilité uniforme) Par b m([0, 1]) = b 1 m i ([0, 1])W i i=1 et suradditivité de x q (q > 1) on a b q Em q ([0, 1]) > bem q ([0, 1])EW q (l inégalité est stricte a moins que P(W = 1) = 1) Donc Em q ([0, 1]) < τ(q) < 0
33 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Demonstration existence moments (cont) Supposons τ(q) < 0 et soit k tel que k < q k + 1 Considérons la fonction x q/(k+1) : par sous-additivité (x x b ) q (x q/(k+1) x q/(k+1) b ) k+1 x q x q b + γ α1...α b [ j x α j j ] q/(k+1) α j k et γ α1...α b = b k+1 b On obtient b q Em q n([0, 1]) bem q n 1 ([0, 1])EW q + (b k+1 b)em k n 1([0, 1])EW k
34 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Donc, Emn([0, q 1]) b 1 q Em q n 1 ([0, 1])EW q + bemn 1([0, k 1])EW k Et, car Em q n 1 ([0, 1]) Emq n([0, 1]) (sous-martingale) Emn([0, q 1])(1 b 1 q EW q ) bem k ([0, 1])EW k Alors Em k ([0, 1]) < Em q ([0, 1]) <. Fin si 1 < q 2 (car Em[0, 1] < ) Si q > 2: comme τ(q) < 0 τ(k) < 0 pour k < q on a Em k 1 ([0, 1]) < Em k ([0, 1]) < si k < q. Fin.
35 Mesures multifractales Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Du discret au continue: Muzy and Bacry, 2002 and 2003, Chainais, Aussi Barral et Mandelbrot, 2002 avec une construction de processus de Poisson composés et plus recenment Baral et Jin, 2013 qui généralisent la construction de Bacry et Muzy. Mesures multifractales aléatoires (MRM) ou Cascades infiniment divisibles (IDC): limite vague ν, lorsque l 0, d une succession ν l dont sa densité est l exponentiel d une mesure aléatoire P sur une suite d ensembles appropriés A l.
36 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) P est une mesure infiniment divisible sur S + = {(s, t), t > 0} définie par la tuple (ψ, µ) telle que P( i=1 A i) = i=1 P(A i) pour A i disjoint E(e qp(a) ) = e ψ(q)µ(a). A l est choisi pour que: µ(a l ) log(l) ceci assure la loi de puissance et la multifractalité.
37 Mesures multifractales Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Par le Thm de représentation de Lévy Khinchine, on a ψ(q) = σ2 2 + mq + ν est la mesure de Lévy de P. Elle satisfait {e qx 1 x1 { x 1} }ν(dx), (x 2 1)ν(dx) <. ψ(q) est assumé exister pour 1 < q < q ce que implique pour q < q 1 e qx ν(dx) <.
38 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) A l (u) T l u T 2 u T 2 + u 0 Figure: Ensemble A l (u) (T fixé, typiquement T = 1 et l > 0).
39 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Soit µ(dt, dl) = dtdl l 2 Considérons les cônes d influence A l (t) (transparence antérieure ) Soit w l (t) = P(A l (t)) (A l S + ) Alors M(B) = lim e w l (t) dt l 0+ B est la mesure limite d une suite des martingales Rappel notation: ζ(q) = q ψ(q) et τ(q) = 1 ζ(q) La limite est non dégénéré s il existe ε > 0 tel que ζ(1 + ε) > 1 ( équivalent à τ (1 ) < 0).
40 Proprietés Introduction Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Soit X (t) = M[0, t] Propriété d échelle en distribution {X (λt), 0 t T } loi = {U λ X (t), 0 t T }, Ici 0 < λ < 1, U λ est une variable aléatoire positive indépendant du processus X et tel que E[U q λ ] = λζ(q) pour q < q max q max = sup{q : τ(q) < 0}. Existence des moments: Si τ(q) < 0 alors EM q (I ) <. Si τ (1 ) < 0 alors EM q (I ) < τ(q) 0
41 Processus Poisson Composés Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Pour chaque t on choisit les points Γ(t) S + par l íntensité µ sur A l (t). On a alors P(A l (t)) = log(w i )1 {i Γ(t)} λ l (t) := i Γ(t) ew i W i W sont des v.a. i.i.d avec Ee W = 1
42 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Mesure: m(b) = lim λ l (t)dt l 0+ B Alorsψ(q) = E[W q ] 1 (EW = 1 si non, on prend E[W q ] 1 q(ew 1)) et q max = max{q : E[W q ] q} q 0 = max{q : qe[w q (log(w ) 1)] 1} On utilisera cette construction pour les simulations.
43 Exemples I Introduction Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Le cas Gaussien général: P(A) N( σ 2 µ(a)/2, σ 2 µ(a)) On a ψ(q) = σ 2 q(q 1)/2 On obtient les mêmes q max, q 0 On remarque var(p(a)) = ψ (0)µ(A) est fini ssi µ(a) <. Algorithme détaillée de simulation dans Chainais, Riedi et Abry, 2003.
44 Exemples II Introduction Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Le cas P α-stable ψ(q) = µq + σ α q α (1 + βsign(q) tan(πα/2)), 0 < α < 2, α 1. En prenant µ pour que ψ(1) = 0 on obtient ψ(q) = σ α (q α q)(1 + β tan(πα/2)) pour q > 0 Soit β = 0 Si α (1, 2) ψ(q) = σ α (q α q). Alors q max > 1 ssi σ α (α 1) < 1 et dans ce cas q max < et q 0 = σ 1 (1/(α 1)) 1/α.
45 : Bm Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Case H = 1/2: Bacry, Delour and Muzy, 2001; Bacry and Muzy, 2003: marche aléatoire multifractale (MRW) comme un processus conditionnellement gaussien Le MRW X 1/2 (t) est définie comme le processus centré, conditionnellement gaussien avec covariance conditionnelle t s Γ(s, t) = lim e w l (u) du = M(s t). l 0+ 0
46 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Marche aleatoire comme mb change du temps Soit M une MRM. Soit B t un mb indépendant. Alors X (t) L = B(M[0, t]): changement de temps aléatoire par la mesure multifractale. La fonction d échelle est ζ 1/2 (q) = ζ(q/2), : pour t k = k/2 n, considérons e w l (t k ) la densité multifractale au niveaux l < 2 n et w(k) un bruit blanc gaussien (centrées, indépendants): X n = 2 n/2 k ew l (t k )/2 w(k) X, dans L 2 avec X une marche aléatoire multifractale.
47 : fbm Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Cas H > 1/2 (fbm): Bacry and Muzy 2003,, 2008 et Abry et al X H (t) est définie comme le processus gaussien centré avec covariance conditionnelle t Γ H (s, t) = lim l 0+ 0 s 0 e w l (u) e w l (v) du dv = u v 2 2H t s 0 0 M(du) M(dv) u v 2 2H. Il est bien définie lorsque H ψ(2)/2 > 1/2 (la convexité de ψ assure ψ(2) > 0).
48 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) La fonction d échelle ζ H est ζ H (q) = qh ψ(q), Dans ce cas, tel comme définie X H n est pas un mbf changée de temps : pour t k = k/2 n, considérons e w l (t k ) la densité multifractale au niveaux l < 2 n et w H (k) une réalisation d un mbf dans [0, 1]: X n = k ew l (t k ) w H (k) X H, dans L 2 avec X H une marche aléatoire multifractale.
49 : fbm Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Cas H < 1/2 (fbm): Perpète, 2012 Integration par rapport à fbm avec H < 1/2 bien définie sur l espace des fonctions fractionnairement intégrées L κ avec κ = H 1/2. L κ = {f : φ L 2, f = I κ (φ)} Pour 0 < η < 1 I η 1 (φ)(s) := Γ(η) φ(u)(u s) η 1 + ds L κ est un espace de Hilbert pour le produit < f, g > κ := Γ2 (κ+1) γ 2 ( κ) (D κ (g))(s)(d κ (f ))(s)ds η Γ(1 η) 0 f (s) f (s+u) u η+1 du et (0 < η < 1/2) D η (g))(s) = γ 2 (η) = 0 ((1 + s) η s η ) 2 ds η
50 : fbm Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Pas 1: on définit Xl κ (t) := l κ t 0 ep(a l (s)) db H (s) comme un processus conditionnellement gaussien Pas 2 : on vérifie l existence de la limite en distribution de X lorsque l 0. La convergence du Kernel du covariance a lieu dans L 1 (dans le cas H > 1/2 on montre convergence p.s.). Les conditions sur ψ assurant la convergence sont différents selon que H < 1/4 ou H > 1/4. Le processus est multifractale avec fonction d échelle ζ(q) = q/2 ψ(q/2), si le moment d ordre q existe.
51 Chaos multiplicatif Introduction Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Kahane 1985 (Sur le chaos multiplicatif), Barral et Mandelbrot 2002, 2010, Robert et Vargas 2010, Rhodes et Vargas 2013, Mannersalo et, al Soit K(s, t) un noyau positif définie tel que K(s, t) = j K j(s, t) Soit X j une collection des processus gaussiens centrés, indépendants, de covariance K j (s, t).
52 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) Soit m γ,n (I ) = I e γ X j (s) γ2 2 E( X j (s)) 2 ds, I Borelien dans R d (on peut généraliser pour σ une mesure de Radon sur D et I B(σ)) Alors m γ,n (I ) est une martingale positive et converge p.s. vers m γ,k (I ) pour une mesure m γ,k. Cette mesure est appelé le chaos multiplicatif gaussien et ne dépend pas du choix des K j.
53 Proprietés Introduction Cascades Multiplicatives Mesures multifractales aléatoires (IDC) R ρ(s,t) (ρ Non dégénérescence: Supposons K(s, t) = log + distance euclidienne dans R d ): la suite m γ,n est uniformément intégrable si γ tel que 1 dsdt <, ρ(s,t) γ2 Alors m est non dégénéré ssi γ 2 < 2d De plus m γ,k admet de moments d ordre q, pour q 0 et 0 < q < 2d/γ 2. On a aussi si B(0, r) est la boule de rayon r dans R d m γ,k (B(0, r)) r d γ2 γωr e 2 EΩ2 r m γ,k (B(0, 1)) avec Ω r indépendant de m: ζ(q) = (d + γ 2 /2)q γ 2 q 2 /2 Plus loin: X (t) processus stationnaire
54 1 Introduction 2 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) 3 4 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes 5
55 Kahane et Peyère (1976) Th. 4: I r n intervalle b-adyque. λ(i r n ) = b n. Soit m la mesure multifractale. Suposons E(m[[0, 1]] log m[[0, 1]]) <. On a m p.s. lim n log m(i r n ) log λ(i r n ) = 1 E(W log b W ) = τ (1 ) Corollaire: la mesure m est portée para un Borélienne B de mesure D := 1 E(W log b W ). Tout Borelienne de dimension < D est de m mesure nulle. log m(i Soit E α := {r : lim r n ) n log λ(i r n ) = α}. Question: quelle est la dimension de E α?
56 Soit f (α) = dim H (E α ) On cherche un q = q α tel que m qα (I r n ) E α I r n αqα En remarquant que pour chaque q, m q (I r n ) = γ I qγ f (γ) r n On a pour chaque q, τ(q) = inf α (qα f (α)) On aura pour chaque α, f (α) = inf q (qα τ(q)) ssi f est convexe (τ est convexe).
57 Soit f (α) = inf q (qα τ(q)) := τ (α) On appelle f (α) le spectre multifractal. Le bon q = q α donne q α α τ(q α ) = f (α). Alors q α tel que α = τ (q α ) f (α) = τ (τ (q α )). Applications: caractériser f (α).
58 Plus précisément: on a toujours f (α) τ (α) avec égalité (Brown, Michon, Peyrière, 1992) si il existe q avec τ(q) < 0 et C > 0 tel que pour tout I intervalle b-adyque on a 1 C m(i ) I τ(q) m q (I ) Cm(I ) I τ(q) Lorsque on a égalité on dit que le formalisme multifractale est satisfaite. Remarque: rappelons τ q (t) = τ(tq) tτ(q). Si q = q α on aura l égalité ssi τ q α (1 ) < 0: si la mesure m q pour le bon q est non dégénéré. De plus si τ q(1 ) < 0 pour q [q min, q max ] alors on aura égalité pour les α (= (α min, α max )) tels que q α [q min, q max ]
59 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes 1 Introduction 2 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) 3 4 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes 5
60 La fonction de structure Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Pas d échantillonnage: = 2 n. Nombre d observations: N = 2 n. Intervalle d invariance d échelle: T = 1. Fonction de structure empirique: pour estimer ψ nous devons étudier S N (X, q) = 1 X ((j 1) ) X (j ) q N j log 2 (S N (X, q))/ log 2 (τ) ψ(q) q + 1.
61 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Estimators: ˆζ N (q) := 1 + log 2(S N (X, q)) log 2 ( ) ( ) SN (X, q) ζ N (q) := 1 + log 2 S 2N (X, q) Ossiander et Waymire, 2000 pour les cascades: ˆζ N (q) et ζ N (q) sont des estimateurs consistantes de ζ(q) pour q < q 0 Rapellons q 0 < q max est le plus grand valeur de q tel que ζ(q) qζ (q) < 1. Pour q > q 0, ˆζ N (q) converge vers une fonction linneaire de q.
62 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes On a des résultats de convergence conditionnelle en loi de ˆζ N (q) ζ(q) et ζ N (q) ζ(q) si 2q < q 0. La vitesse de convergence de ˆζ N (q) est d ordre log 2 (N) car il existe un terme de biais. Vitesse de convergence de ζ N (q) puissance de N que dépend de ζ. S N (X, q) est une somme de variables conditionnellement indépendants
63 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Ossiander et Waymire, 2000: convergence de la fonction de structure pour les cascades multiplicatives Pour q < q 0 on a S N (X, q)/b nτ b(q) m q 1 m>0 Em q log b (S N (X, q)) nτ b (q) log b (m q ) + log b (Em q ) Biais aléatoire d ordre n: B n := (log b (m q ) + log b (Em q ))/n Si q q 0 on a log b (S N (X, q))/n q On appelle ce phénomène l effet de linéarisation
64 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Vitesses TLC: si 2q < q 0 et η 1 m>0, N N(0, 1) Soit σ 2 1 = var(m q/(em q log 2 b)) ns N (X, q) τ(q) ˆ τ(q) B n ) σ1ηn 2 (X, 2q)( S 1/2 N Soit σ 2 2 = var( τ(q)) (on peut estimer de façon empirique) τ(q) τ(q) σ 2 2ηN
65 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Une fois qu on a estimé τ(q) sur un intervalle (q min, q max ) prochaine étape: estimer f (α) Algorithme: pour chaque q on estime τ(q) On calcule alors la transformée de Legendre pour la fonction estimée f (α) = inf q {qα τ(q)} q α solution de α = τ (q α ) f (α) = τ (τ (q α ))
66 Le cadre asymptotique mixte Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Bacry, Gloter, Hoffman, Muzy (2010): 2q < q 0 très restrictive. On voudrait augmenter le nombre L des intervalles base : N = L/. Les observations sont X ((jl + k) ), 0 j L 1, 0 k N 1 Et la fonction de structure L 1 S N,L (X, q) := N 1 j=0 k=0 X jl+k q.
67 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Considérons les estimateurs modifiés ˆζ L,N (X, q) := 1 + log 2(S L,N (X, q)) log 2 ( ) ( ) SL,N (X, q) ζ L,N (X, q) := 1 + log 2 S L,2N (X, q) Bacry et al, 2010: si L = [N χ ], χ > 0, alors ˆζ N,L (X, q) et ζ N,L (X, q) sont des estimateurs consistants pour q < q χ où q χ = sup{q : ζ(q) qζ (q) < χ + 1}. Lorsque χ q χ peut devenir plus grand que q max, donc on considéra les χ tels que q χ < q max. Remarque: pour ˆζ N,L (X, q) il existe un terme de biais déterministe B N := E[m q ]/ log 2 (N)
68 Estimateurs par quotient Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Comportement asymptotique de ζ L,N (X, q) en fonction de S N,L (X, q) Résultat (S & L, 2012): Si 2q < q χ, on a { } L 1/2 2 n/2 2 nζ(2q)/2 S L,N (X, q) 2 ζ(q) 1 S L,2N (X, q) d N(0, V (q)), On remarque les variances non aléatoires Si 2q < q χ alors 2 n(1+χ+2ψ(q) ψ(2q))/2 { ζ(q) ζ(q)} d N(0, V (q)/(e[λ q ([0, T ])]) 2 ).
69 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes u 1 s v u s 2 v + 2 t t 2 D A s,t C B s,t D 1 l = 1 s t t + s u s 1 t v 0 Figure: Calcul de covariances: sur une décomposition de A l (s) et A l (1 t) dans des régions disjoints par les propriétés de P. Les parties D sont négligeables et Cov(M q ([0, s]), M q ([1 t, 1])) = O ( (s + t) ζ(q)+ζ(q)+1})
70 Ondelettes Introduction Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Analyse par ondelettes: Arneodo, Bacry et Muzy (1994), Abry, Flandrin, Taqqu and Veitch (1999),Chainais, Abry et Veitch (2000), Goncalvez et al (1998), Mallat and Hwang (1992), Jaffard (1988),Jaffard(2004),... Soit ψ l ondelette mère: ψ j,k (t) := ψ(2 j (t k)) 2 j k = 0,... 2 j 1 Soit c X (j, k) = X (t)ψ j,k (t)dt
71 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Pour quoi ondelettes? Si X est un processus d incréments stationnaires on a {c X (j, k)} j,k est une suite stationnaire. Si ψ a p moments nulles on peut décorreler la suite pour p assez grand: Si l on considère les accroissements à pas δ X (t) X (t δ) et sa covariance γ X (τ) := Cov(X (t + τ) X (t + τ δ), X (t) X (t δ)) on a Cov(c X (j, k), c X (j, k + l)) γ X (τ)γ ψ (2 j τ l) On a la vitesse de décroissement de Cov(c X (j, k), c X (j, k + l)) lorsque l augmente lorsque p est plus grand
72 Regularité locale et ondelettes Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Exposants de Hölder α > 1: une signale X (t) est dite Lipschitz α au point t ssi il existent c, h 0 et un polynôme P(x) de dégrée n et n α n + 1 tel que pour h < h 0, X (t + h) P(h) c h α La régularité locale de X est définie par le sup des α tel que l inégalité antérieure est satisfaite X est dite uniformément Lipschitz α sur (a, b) si l inégalité est satisfaite pour t (a, b)
73 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Soit X L 2 [a, b], X uniformément Lip 0 < α 1 ssi c X (j, k) c2 jα pour tout j (Mallat) Si X est α Lip avec 0 < α < 1 on dit que X est singulière. Pour n < α < n + 1 Si la signale X est uniformément Lipschitz α > n sur (a, b) ssi sa dérive d ordre n, X (n), est uniformément Lipschitz α n sur (a, b).
74 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Si ψ a p > n moments nulles, c X (j, k) = 2 jn c X (n)(j, k) Alors on obtient c X (j, k) c2 jα Si X L 2 on a X Lipschitz α n + 1 au point t alors c X (j, k) = c[2 jα + (t k2 j ) α )] (k < k 0 ) X Lipschitz α n + 1 au point t si c X (j, k) = c2 jα et c X (j, k) = c [2 jα + (t k2 j ) α ) log t k2 j ] Si une signale X est α Lipschitz n α n + 1 X a n dérives et X (n) est singulière.
75 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Les ondelettes caractérisent la régularité locale On étudiera trois méthodes Fonction de structure des ondelettes Wavelet Transform Module Maxima Wavelet Leaders
76 Fonction de structure par ondelettes Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Soit S W,N2 j (X, q) = 1 N2 j N2 j j=0 c X (j, k) q On a vu que localement c X (j, k) q X (t + 2 j ) X (t) q On estime τ par régression de log 2 (S W,N2 j (X, q)) sur j Rappel:E log 2 (S W,N2 j (X, q)) est biaisée Mieux (Gonçalvez et al, 1998): on utilise une régression avec des poids ( marche si le biais est déterministe ou dans le cadre mixte) On estime pour {a j } j 2 j1 tel que j 2 j1 a j = 0 et j 2 j1 ja j = 1 ˆτ W (q) = j 2 a j log 2 (S W,N2 j (X, q)) j 1
77 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Alors ˆτ W est consistant comme estimateur de τ(q) Vitesses et lois limites: c X (j, k) es une transformation linéaire de X dont on connait la structure de covariance Dans certaines cas il y a des résultats asymptotiques explicites: par exemple X fbm(h) (Gonçalvez et al, 1998). Ils obtient des vitesses v N = O( j a2 j /N) et τ ˆW asymptotiquement gaussien (X est gaussien). En général, l asymptotique de ˆτ W dépend de E log 2 (S W,N2 j (X, q)) Cov(log 2 (S W,N2 j (X, q)), log 2 (S W,N2 j (X, q)))
78 Methode de Module Maximal (WTMM) Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Idée originale Mallat et Hwang, 1992 X singulière au point t c W,X (j, k) >> 0 pour t k2 j 0. Pour une échelle j, (j, k 0 ) est un point de module maxima (mm) si c X (j, k 0 ) > c X (j, k) sur une voisinage de k 0. Une ligne maxima est une courbe connexe dans le espace (j, k) ou tous les points sont de mm Résultat (M et H): Soit W avec p moments nulles et support compact. S il existe j 0 tel que pour tout j > j 0 c X n as pas de mm sur (a, b) avec 1 < α < p, alors X est uniformément Lip α. X n est pas singulière sur un intervalle ou c X (j, k) n as pas des mm lorsque j
79 Methode de Module Maxima (WTMM) Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Algorithme: pour chaque échelle j soit M j = {k : c X (j, k)est mm }. Si pour une tolérance ε > 0 il y deux k, k avec 2 j k k < ε on choisit le k = arg max c x (j, k). On définit une fonction de structure MM S MM (j, q) = M j c X (j, k) q ˆτ MM (q) s obtient par régression de log 2 (S MM (j, q)) sur log 2 (j) On suppose τ MM tel que ES MM (j, q) 2 jτ MM(j) Lien avec le spectre des singularités f (α): (Arneodo, Bacry, Muzy, Jaffard) τ = inf{qα f (α)}
80 Wavelet Leaders Introduction Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Une alternative: Wavelet Leaders On suppose l ondelette mère ψ est à support compact et a p moments nulles Pour chaque échelle j soit l ensemble {c X (j, k)} k Pour k donnée soit λ j,k = [k2 j, (k + 1)2 j ) Soit (3λ) j,k = λ j,k λ j,k 1 λ j,k+1 On définit L X (j, k) = sup λ 3λ c X (j, k ) calculé sur les échelles plus fines contenues dans (3λ) j,k.
81 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Wavelet Leaders characterisent les singularités (Abry,Jaffard, Lashermes, 2005) Si X es Lip α en t k2 j et p > α il existe c tel que L X (j, k) c2 jα. (8) Si (8) et X est uniformément Lipschitz α > p il existe un polynôme P tel que X (t) P(t k2 j ) c2 jα log(j)
82 Wavelet Leaders Introduction Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes Soit la fonction de structure leader n j S L (q, j) = L X (j, k) q k=0 Supposons qu il existe τ L (q) tel que S L (q, j) 2 jτ L(q) On a f (α) inf α {qα τ L (q)} On obtient τ L par régression de log 2 ((j, q)) sur j L avantage des L X : plus stables numériquement On peut calculer des moments négatifs
83 1 Introduction 2 Cascades Multiplicatives Mesures multifractales aléatoires (IDC) 3 4 Estimateurs basées sur la fonction de structure Le cadre asymptotique mixte par ondelettes 5
84 Installation R Introduction Programmes: dans Dossier Medidas multifractales : Cascades Dymatrix.R,MRM: Poisson composées alpha stables.r, makewi.r, Mdt1D.R, Mdt2D.R, Mdtab1D.R, Mdtab2D.R : MfA formal.r, MfA WLeaders.R, MfA WTMM.R Pour exécuter un programme dans R il faut le compiler d abord. Pour cela on utilisera le logiciel RStudio (ce n est pas nécessaire, mais c est plus amiable).
85 Figure: Interface RSudio
86 Cascades Introduction Soit W avec EW = 1 Soient Z i log W i.i.d Soit M matrice J 2 J tel que M[j, ] = (Z 1, Z 1,..., Z } {{ } 1,..., Z j, Z j,..., Z j } {{ } 2 J j 2 J j ) X k = e M[,k] est la densité de la cascade à niveaux J Exemple 1 (Algorithme base): Dymatrix.R log W N(µ, σ 2 ), µ = σ 2 /2 Sur Rstudio (Console): n=11 sigma2=0.5 ycm=dymatrix(n,sigma2)
87 Processus Poisson Composees Chainais, Riedi et Abry, 2003 (versions originales des algorithmes par Chainais et Peyré, Abry et autres) Rang des échelles rmin < δ (niveaux de tolérance de la simulation) Mesure des cônes d influence: log(1/rmin) Pas d échantillonnage Delta = rmin/2 Nombre des points n = T /Delta + 1 Nombre de multiplicateurs: (on élargit l intervalle original [0, T ] par 1 ) (1/rmin 1) (T + 1)
88 Génération du processus Poisson sur A rmin : Génération uniforme des t i sur [ 1/2, T + 1/2] Génération des r i : selon densité c/r 2 (on prend c = 1) Multiplicateurs (Cas Gaussien): log W N(µ, sigma2) EW q = e qµ+q2 σ2/2 (EW = 1: µ = σ2/2) Exemple 3 (Algorithme base): Mdt1D.R avec la distribution gaussienne Normalisation: N1 = e (1 EW ) log(1/rmin) τ(q) = [1 EW q q(1 EW )] q + 1 Si µ = sigma2/2: τ(q) = [1 exp(sigma2/2 q (1 q))] q + 1 IDC: Poisson composée LogNormal y=mdt1d(rmin,t=1,sigma2=0.09,mu=-sigma2/2,type="logn")
89 Processus Poisson Composees Cas α stable Algorithm generation:fulger, Scalas et Germano, 2013 Normalisation EW q = e qµ+sigma2alpha/2 (1+β tan(pi alpha/2)) τ(q) = [1 EW q q(1 EW )] q + 1 β = 0 µ = 1 α = 1.2 σ2 = IDC: Poisson composée α Stable y=mdt1d(rmin,t=1,sigma2,mu,type="asa",alpha,beta)
90 Soit M le multifractale générée: y$f On construit la marche aléatoire par M(t i ) z i = t(i) t(i 1) {z i } une collection des variables N(0, 1) indépendants
91 Introduction par la fonction de structure: MfA formal.r Nombre d échelles m=floor(log(t/rmin)/log(2)) Moments q q 1 : q 2 On calcule une matrice n m S: m nombre d échelles, n nombre des moments Le premier estimateur: par régression de S[q, ] sur j Le deuxième quotient S[, n 1]/S[, n] Pour comparer les estimateurs tau=mfa formal(t,rmin,-3:3,y) plot(tau$taur,col="blue") points(tau$tau[,7],col="red")
92 par ondelettes par la fonction de structure: MfA WLeaders.R Installation du paquet wmtsa: dans R install.packages(wmtsa) et library(wmtsa) Le programme fournit l estimateur de τ On peut comparer en regardant la fonction originale taur=(1-exp(sigma2/2*q*(1-q)))-q+1 plot(-taur) points(tau$tau[,11],col="red") points(tauwl$tau,col="blue") points(tau$taur,col="orange") Plus d observations l approximation sera meilleure
93 Grand merci!
94 Biblio I Introduction Patrice Abry, Pierre Chainais, Laure Coutin, and Vladas Pipiras. Multifractal random walks as fractional Wiener integrals. IEEE Transactions on Information Theory, 55(8): , P. Abry, S. Jaffard, and B. Lashermes. Revisiting scaling, multifractal, and multiplicative cascades with the wavelet leader lens. Proc. SPIE, 5607, 2004, pages Emmanuel Bacry, Jean-François Muzy et A. Arneodo. Multifractal formalism for fractal signals: The structure function approach versus the wavelet transform modulus maxima method. Physical review E. Vol. 47(2), 1993.
95 Biblio II Introduction Emmanuel Bacry and Jean François Muzy. Log-infinitely divisible multifractal processes. Communications in Mathematical Physics, 236(3): , Emmanuel Bacry, J. Delour, and Jean-François Muzy. Multifractal random walk. Physical Review E, 64(2):026103, 6, Emmanuel Bacry, Arnaud Gloter, Marc Hoffmann, and Jean François Muzy. Multifractal analysis in a mixed asymptotic framework. The Annals of Applied Probability, 20(5): , 2010.
96 Biblio III Introduction Julien Barral and Xiong Jin. On exact scaling log-infinitely divisible cascades.preprint, 2013 Julien Barral and Benoît B. Mandelbrot. Multifractal products of cylindrical pulses. Probability Theory and Related Fields, 124(3): , Pierre Chainais, Rudolf Riedi and Patrice Abry On non scale invariant infinitely divisible cascades. IEEE Transactions on Information Theory Pierre Chainais. Multidimensional infinitely divisible cascades.application to the modelling of intermittency in turbulence. EJP, 2006.
97 Biblio IV Introduction Laurent Duvernet, Christian Y. Robert and Mathieu Rosenbaum. Testing the type of a semi-martingale: Itô against multifractal Electronic Journal of Statistics, 4:1300?-1323, 2010 Paulo Gonc alves, Rudolf Riedi and Richard Baraniuk A Simple Statistical Analysis of Wavelet-basedMultifractal Spectrum Asilomar 32nd conference on signals, systems and computers, Monterrey, 1998 Jean-Pierre Kahane and Jacques Peyrière. Sur certaines martingales de Benoit Mandelbrot. Advances in Mathematics, 22(2): , 1976.
98 Biblio V Introduction Jean-Pierre Kahane. Multiplications aléatoires et dimensions de Hausdorff. Ann. Inst. henri Poincaré, vol. 23, 1987, pgs Jean-Pierre Kahane. Sur le chaos multiplicatif, Ann. Sci. Math. Qu ebec, vol. 9, pp. 105?150, Carenne Ludeña. L p -variations for multifractal fractional random walks. The Annals of Applied Probability, 18(3): , C., P. Soulier. Estimating the scaling function of multifractal measures and multifractal random walks using ratios. Bernoulli 20(1), 2014, 334?376.
99 Biblio VI Introduction Stephane Mallat et Wen Liang Hwang. Singularity detection and processing with wavelets. IEEE, Transactions on Information Theory, vol. 38(2). Benoit Mandelbrot, Adlai Fisher et Laurent Calvety A Multifractal Model of Asset Returns. Cowles Foundation Discussion Paper #1164, 1997 Benoit Mandelbrot. Multiplications aléatoires itérées et distributions invariantes par moyenne pondérée aléatoire. Comptes Rendus de l Académie des Sciencs de Paris. Série A, 278: , 1974.
100 Biblio VII Introduction Jean-François Muzy and Emmanuel Bacry. Multifractal stationary random measures and multifractal random walks with log infinitely divisible scaling laws. Physical Review E, 66(5):056121, 16, Mina Ossiander and Edward C. Waymire. Statistical estimation for multiplicative cascades. The Annals of Statistics, 28(6): , Rémi Rhodes et Vincent Vargas. Multidimensional Multifractal Random Measures. EJS. Vol. 15 (2010), Paper no. 9, pages 241?258. Rémi Rhodes et Vincent Vargas. Gaussian multiplicative chaos and applications: a review. Preprint, 2013.
101 Biblio VIII Introduction Raul Robert et Vincent Vargas. Gaussian multiplicative chaos revisited The Annals of Probability 2010, Vol. 38, No. 2, 605?631 D. Veitch, P. Abry, P. Flandrin and P. Chainais Infinitely divisible cascade analysis of network traffic data. Proceedings of the ICASSP 2000 conference, Edward C. Waymire and Stanley C. Williams. A general decomposition theory for random cascades. Bulletin of the American Mathematical Society. Volume 31, Number 2, 1994, Pages
Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor
Paramètre de longue mémoire d une série temporelle : le cas non linéaire Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor Notion de longue mémoire Les valeurs d une série temporelle X = (X l )
Plus en 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 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 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 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 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 détailModélisation de séries financières par un modèle multifractal. Céline Azizieh
Modélisation de séries financières par un modèle multifractal Céline Azizieh Mémoire présenté à l Université Libre de Bruxelles en vue d obtenir le diplôme d actuaire Supervision: W. Breymann (RiskLab,
Plus en 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 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 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 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 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 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 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 détailLa mesure de Lebesgue sur la droite réelle
Chapitre 1 La mesure de Lebesgue sur la droite réelle 1.1 Ensemble mesurable au sens de Lebesgue 1.1.1 Mesure extérieure Définition 1.1.1. Un intervalle est une partie convexe de R. L ensemble vide et
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
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 détailHÖLDER CONTINUITY AND WAVELETS
Laurent SIMONS HÖLDER CONTINUITY AND WAVELETS Dissertation présentée en vue de l obtention du grade de Docteur en Sciences Promoteurs : Françoise BASTIN Samuel NICOLAY 24 Juin 2015 Plan Partie I Continuité
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
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 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 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 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 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 détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
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 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 détailGénération de signaux multifractals possédant une structure de branchement sous-jacente.
1 / 64 Génération de signaux multifractals possédant une structure de branchement sous-jacente. Geoffrey Decrouez Cotutelle Internationale de Thèse préparée au Gipsa-Lab et à l Université de Melbourne
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 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 détailPublications de Stéphane Jaffard
Publications de Stéphane Jaffard Revues avec comité de lecture Multifractional processes with a most general multifractal spectrum (en collaboration avec Antoine Ayache et Murad Taqqu) à paraitre dans
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 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 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 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 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 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 détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
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 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 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 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 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 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 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 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 détailMesure et Intégration (Notes de cours de L3)
Mesure et Intégration (Notes de cours de L3) Ahmed Zeriahi Version préliminaire-octobre 2011 Avertissement : Ceci est une version préliminaire des notes du cours que l auteur a dispensé en troisème année
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 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 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 détailEntiers aléatoires et analyse harmonique
Entiers aléatoires et analyse harmonique Jean-Pierre Kahane et Yitzhak Katznelson Introduction. Il s agit dans cet article d ensembles de Sidon et de processus de Poisson ponctuels. Les ensembles de Sidon
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 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 détailModèles bi-dimensionnels de coques linéairement élastiques: Estimations de l écart entre leurs solutions.
Problèmes mathématiques de la mécanique/mathematical problems in Mechanics Modèles bi-dimensionnels de coques linéairement élastiques: Estimations de l écart entre leurs solutions. Cristinel Mardare Laboratoire
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 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 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 détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
Plus en 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 détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
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 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 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 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 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 détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
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 détailThéorie des probabilités
Théorie des probabilités LAVOISIER, 2008 LAVOISIER 11, rue Lavoisier 75008 Paris www.hermes-science.com www.lavoisier.fr ISBN 978-2-7462-1720-1 ISSN 1952 2401 Le Code de la propriété intellectuelle n'autorisant,
Plus en détailThéorie de la mesure. S. Nicolay
Théorie de la mesure S. Nicolay Année académique 2011 2012 ii Table des matières Introduction v 1 Mesures 1 1.1 Sigma-algèbres................................. 1 1.2 Mesures.....................................
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 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 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 détailAnalyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe
Analyse fonctionnelle Théorie des représentations du groupe quantique compact libre O(n) Teodor Banica Résumé - On trouve, pour chaque n 2, la classe des n n groupes quantiques compacts qui ont la théorie
Plus en détailIntégrale de Lebesgue
Intégrale de Lebesgue L3 Mathématiques Jean-Christophe Breton Université de Rennes 1 Septembre Décembre 2014 version du 2/12/14 Table des matières 1 Tribus (σ-algèbres) et mesures 1 1.1 Rappels ensemblistes..............................
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 détailLa fonction exponentielle
DERNIÈRE IMPRESSION LE 2 novembre 204 à :07 La fonction exponentielle Table des matières La fonction exponentielle 2. Définition et théorèmes.......................... 2.2 Approche graphique de la fonction
Plus en détailPROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390
PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS 6 2008/2009 Jean BERTOIN 1 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas
Plus en détailApplication de l'analyse multifractale à l'estimation des crues extrêmes en Tunisie
Hydrology of die Mediterranean and Semiarid Regions (Proceedings of an inlernational symposium held at Montpellier.' April 2003). IAHS Publ. no. 278. 2003. 251 Application de l'analyse multifractale à
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 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 détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
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 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 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 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 détailApproximation diophantienne uniforme et dimension de Hausdorff
Approximation diophantienne uniforme et dimension de Hausdorff Lingmin LIAO Travaux en collaboration avec Yann Bugeaud, Dong Han Kim et Micha l Rams Université Paris-Est Créteil Séminaire de Probabilités
Plus en détailThéorie de la Mesure et Intégration
Ecole Nationale de la Statistique et de l Administration Economique Théorie de la Mesure et Intégration Xavier MARY 2 Table des matières I Théorie de la mesure 11 1 Algèbres et tribus de parties d un ensemble
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 détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
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 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 détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
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 détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
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 détailwww.h-k.fr/publications/objectif-agregation
«Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Plus en détail