Méthodes d Analyse multifractale pour la classification de signaux et d images Stéphane Jaffard

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Méthodes d Analyse multifractale pour la classification de signaux et d images Stéphane Jaffard"

Transcription

1 Méthodes d Analyse multifractale pour la classification de signaux et d images Stéphane Jaffard Université Paris Est Créteil (France) Collaboration avec: Patrice Abry CNRS, Laboratoire de Physique, ENS Lyon Herwig Wendt CNRS IRIT, Toulouse Séminaire de Mathématiques Appliquées Collège de France 27 janvier 2012

2 Signaux et images partout irréguliers Jet turbulence Eulerian velocity signal (ChavarriaBaudetCiliberto95) = 3.2 ms temps (s) Turbulence pleinement développée Trafic internet!&( 567!689!&"!&'!&%!&$!&#!!!&#!!&$! "!! #!!! #"!! $!!! $"!! %!!! )*+,-./01234

3 f

4 Niveaux de gris f752 Canal rougey f752 Canal Saturation y f

5 Niveaux de gris Canal rougey Canal Saturation y La nature, les sciences et les arts fournissent de nombreux exemples de fonctions rugueuses

6 La fonction d échelle ζ f (p) (N. Kolmogorov 1941) Définition heuristique f (x + δ) f (x) p dx δ ζ f (p) quand δ 0

7 La fonction d échelle ζ f (p) (N. Kolmogorov 1941) Définition heuristique f (x + δ) f (x) p dx δ ζ f (p) quand δ 0 Définition utilisée en traitement du signal f (x + δ) f (x) p dx = δ ζ f (p)+o(1) quand δ 0 Autosimilarité en moyenne dans la limite des petites échelles

8 La fonction d échelle ζ f (p) (N. Kolmogorov 1941) Définition heuristique f (x + δ) f (x) p dx δ ζ f (p) quand δ 0 Définition utilisée en traitement du signal f (x + δ) f (x) p dx = δ ζ f (p)+o(1) quand δ 0 Autosimilarité en moyenne dans la limite des petites échelles Définition mathématique générale ( log ζ f (p) = lim inf δ 0 ) f (x + δ) f (x) p dx log( δ )

9 Fonction d échelle du FBM B H (x) est l unique processus gaussien centré tel que E( B H (x) B H (y) 2 ) = x y 2H Donc B H (x + δ) B H (x) δ H B H (x + δ) B H (x) p dx δ Hp FBM d exposant H = 1/3

10 Fonction d échelle du FBM B H (x) est l unique processus gaussien centré tel que E( B H (x) B H (y) 2 ) = x y 2H Donc B H (x + δ) B H (x) δ H B H (x + δ) B H (x) p dx δ Hp FBM d exposant H = 1/3 Fonction d échelle du FBM : p > 0, ζ f (p) = Hp

11 Fonction d échelle du FBM B H (x) est l unique processus gaussien centré tel que E( B H (x) B H (y) 2 ) = x y 2H Donc B H (x + δ) B H (x) δ H B H (x + δ) B H (x) p dx δ Hp FBM d exposant H = 1/3 Fonction d échelle du FBM : p > 0, ζ f (p) = Hp La fonction d échelle de la turbulence est strictement concave

12 Fonction d échelle et espaces fonctionnels Espaces de Lipschitz Soient s (0, 1), et p [1, [ f Lip(s, L p ) si f L p et si C > 0 tels que δ > 0, f (x + δ) f (x) p dx C δ sp

13 Fonction d échelle et espaces fonctionnels Espaces de Lipschitz Soient s (0, 1), et p [1, [ f Lip(s, L p ) si f L p et si C > 0 tels que δ > 0, f (x + δ) f (x) p dx C δ sp Si ζ f (p) < p, ζ f (p) = sup{s : f Lip(s/p, L p )}

14 Bases d ondelettes sur R Une base d ondelettes sur R est engendrée par une fonction ψ régulières et bien localisées telle que les 2 j/2 ψ(2 j x k), j Z, k Z forment une base orthonormée de L 2 (R) Ondelettes de Daubechies

15 Bases d ondelettes en dimension 2 Une base d ondelettes sur R 2 est de la forme 2 j ψ i (2 j x k), i = 1, 2, 3, j Z, k Z d où les ψ i sont trois fonctions régulières et bien localisées ψ 1 (x 1, x 2 ) = θ(x 1 )ϕ(x 2 ) ψ 1 (x 1, x 2 ) = ϕ(x 1 )θ(x 2 ) ψ 1 (x 1, x 2 ) = θ(x 1 )θ(x 2 )

16 Bases d ondelettes en dimension 2 Une base d ondelettes sur R 2 est de la forme 2 j ψ i (2 j x k), i = 1, 2, 3, j Z, k Z d où les ψ i sont trois fonctions régulières et bien localisées ψ 1 (x 1, x 2 ) = θ(x 1 )ϕ(x 2 ) ψ 1 (x 1, x 2 ) = ϕ(x 1 )θ(x 2 ) ψ 1 (x 1, x 2 ) = θ(x 1 )θ(x 2 ) Moments nuls si α 1 + α 2 N ψ(x 1, x 2 )x α 1 1 x α 2 2 dx 1dx 2 = 0

17 Notations pour les ondelettes sur R d Cubes dyadiques : Si k = (k 1,...k d ), λ = [ k1 2 j, k [ [ kd 2 j 2 j, k [ d j

18 Notations pour les ondelettes sur R d Cubes dyadiques : Si k = (k 1,...k d ), λ = [ k1 2 j, k [ [ kd 2 j 2 j, k [ d j Ondelettes : ψ λ (x) = ψ i (2 j x k)

19 Notations pour les ondelettes sur R d Cubes dyadiques : Si k = (k 1,...k d ), λ = [ k1 2 j, k [ [ kd 2 j 2 j, k [ d j Ondelettes : ψ λ (x) = ψ i (2 j x k) Coefficients d ondelette : c λ = 2 dj f (x)ψ i (2 j x k)dx

20 Notations pour les ondelettes sur R d Cubes dyadiques : Si k = (k 1,...k d ), λ = [ k1 2 j, k [ [ kd 2 j 2 j, k [ d j Ondelettes : ψ λ (x) = ψ i (2 j x k) Coefficients d ondelette : c λ = 2 dj f (x)ψ i (2 j x k)dx Cubes dyadiques à l échelle j : Λ j = {λ : λ = 2 j }

21 Notations pour les ondelettes sur R d Cubes dyadiques : Si k = (k 1,...k d ), λ = [ k1 2 j, k [ [ kd 2 j 2 j, k [ d j Ondelettes : ψ λ (x) = ψ i (2 j x k) Coefficients d ondelette : c λ = 2 dj f (x)ψ i (2 j x k)dx Cubes dyadiques à l échelle j : Λ j = {λ : λ = 2 j } Décomposition en ondelettes de f : f (x) = c λ ψ λ (x) j λ Λ j

22 Calcul de coefficients d ondelette 2D

23 Calcul de coefficients d ondelette 2D

24 Calcul de coefficients d ondelette 2D

25 Calcul de coefficients d ondelette 2D

26 Calcul de coefficients d ondelette 2D

27 Calcul de coefficients d ondelette 2D

28 Calcul de coefficients d ondelette 2D

29 Calcul de coefficients d ondelette 2D

30 Autosimilarité : Cas déterministe Fonction de Weierstrass-Mandelbrot W α (x) = + 2 αj sin(2 j x) 0 < α < 1

31 Autosimilarité : Cas déterministe Fonction de Weierstrass-Mandelbrot W α (x) = + 2 αj sin(2 j x) 0 < α < 1 Autosimilarité exacte : W α (2x) = + 2 αj sin(2 j+1 x) = + 2 α(l 1) sin(2 l x) = 2 α W α (x) C j,k = W α (x) 2 j ψ(2 j x k)dx = 2 α C j 1,k

32 Autosimilarité statistique Mouvement Brownien Fractionnaire FBM d exposant H = 1/

33 Autosimilarité statistique Mouvement Brownien Fractionnaire FBM d exposant H = 1/ B H (ax) L = a H B H (x)

34 Autosimilarité statistique Mouvement Brownien Fractionnaire FBM d exposant H = 1/ B H (ax) L = a H B H (x) Les 2 Hj C j,k ont la même loi

35 Espaces fonctionnels et ondelettes Soit p 1 et s 0 ; f Lip(s, L p ) si f L p et si C > 0 tel que δ > 0, f (x + δ) f (x) p dx C δ sp

36 Espaces fonctionnels et ondelettes Soit p 1 et s 0 ; f Lip(s, L p ) si f L p et si C > 0 tel que δ > 0, f (x + δ) f (x) p dx C δ sp Espaces de Besov p > 0 et s R, f B s p j, 2 dj k c j,k p C 2 spj

37 Espaces fonctionnels et ondelettes Soit p 1 et s 0 ; f Lip(s, L p ) si f L p et si C > 0 tel que δ > 0, f (x + δ) f (x) p dx C δ sp Espaces de Besov p > 0 et s R, f B s p j, 2 dj k c j,k p C 2 spj B s+ε p Lip(s, L p ) B s ε p

38 Espaces fonctionnels et ondelettes Soit p 1 et s 0 ; f Lip(s, L p ) si f L p et si C > 0 tel que δ > 0, f (x + δ) f (x) p dx C δ sp Espaces de Besov p > 0 et s R, f B s p j, 2 dj k c j,k p C 2 spj B s+ε p Lip(s, L p ) B s ε p ζ f (p) = sup {s : f Lip(s/p, L p )} { } = sup s : f B s/p p

39 La fonction d échelle ondelettes Si S p,j = 2 dj La fonction d échelle ondelettes est p > 0 λ Λ j c λ p, ζ f (p) = lim inf j + log(s p,j ) log(2 j ).

40 La fonction d échelle ondelettes Si S p,j = 2 dj La fonction d échelle ondelettes est p > 0 λ Λ j c λ p, ζ f (p) = lim inf j + log(s p,j ) log(2 j ). Elle coincide avec la fonction d échelle de Kolmogorov si p 1

41 La fonction d échelle ondelettes Si S p,j = 2 dj La fonction d échelle ondelettes est p > 0 λ Λ j c λ p, ζ f (p) = lim inf j + log(s p,j ) log(2 j ). Elle coincide avec la fonction d échelle de Kolmogorov si p 1 Elle est définie par une régression log-log à travers les échelles

42 Exposant de Hölder uniforme Espaces C α : Soit α (0, 1) ; f C α (R d ) si C, x, y : f (x) f (y) x y α

43 Exposant de Hölder uniforme Espaces C α : Soit α (0, 1) ; f C α (R d ) si C, x, y : f (x) f (y) x y α α R, C α = B α

44 Exposant de Hölder uniforme Espaces C α : Soit α (0, 1) ; f C α (R d ) si C, x, y : f (x) f (y) x y α α R, C α = B α L exposant de Hölder uniforme de f est H min f = sup { } α : f C α (R d )

45 Exposant de Hölder uniforme Espaces C α : Soit α (0, 1) ; f C α (R d ) si C, x, y : f (x) f (y) x y α α R, C α = B α L exposant de Hölder uniforme de f est H min f = sup { } α : f C α (R d ) Calcul numérique : Soit ω j = sup c λ alors H min log(ω j ) f = lim inf λ Λ j j + log(2 j )

46 p-variation (d = 1) On note f a (x) = f (x a). La fonction f a une p-variation finie si C, a, h ]0, 1], f a ((n + 1)h) f a (nh) p C n

47 p-variation (d = 1) On note f a (x) = f (x a). La fonction f a une p-variation finie si C, a, h ]0, 1], f a ((n + 1)h) f a (nh) p C n Définition : Soient p 1 et s 0 ; f appartient à V s p si C a, h ]0, 1], h n f a ((n + 1)h) f a (nh) p C h sp

48 p-variation (d = 1) On note f a (x) = f (x a). La fonction f a une p-variation finie si C, a, h ]0, 1], f a ((n + 1)h) f a (nh) p C n Définition : Soient p 1 et s 0 ; f appartient à V s p si C a, h ]0, 1], h n f a ((n + 1)h) f a (nh) p C h sp Proposition : Si f appartient à V s p, alors : f est localement bornée f Lip(s, L p )

49 Utilisation de ζ f (p) et H min f Validation d hypothèses fonctionnelles { } ζ f (p) = sup s : p B s/p, p (p > 0)

50 Utilisation de ζ f (p) et H min f Validation d hypothèses fonctionnelles { } ζ f (p) = sup s : p B s/p, p (p > 0) Si ζ f (1) > 1, f BV Si ζ f (2) > 0, f L 2 Si Hf min > 0, f est continue Si Hf min < 0, f n est pas localement bornée Si Hf min < 0 ou si ζ f (p) < 1, alors la p-variation de f n est pasfinie Si ζ f (p) > 1, alors la p-variation de f est finie

51 Utilisation de ζ f (p) et H min f Validation d hypothèses fonctionnelles { } ζ f (p) = sup s : p B s/p, p (p > 0) Si ζ f (1) > 1, f BV Si ζ f (2) > 0, f L 2 Si Hf min > 0, f est continue Si Hf min < 0, f n est pas localement bornée Si Hf min < 0 ou si ζ f (p) < 1, alors la p-variation de f n est pasfinie Si ζ f (p) > 1, alors la p-variation de f est finie Motivations : Y. Gousseau, J.-M. Morel : Are natural images of bounded variation? (2001) Modèles à sauts et à variation quadratique finie en finance

52 Exposant de Hölder uniforme 567!689!&(!&"!&'!&%!&$!&#!!!&#!!&$! "!! #!!! #"!! $!!! $"!! %!!! )*+,-./ H min Données fournies par Vivienne Investissement

53 Classification basée sur l exposant de Hölder uniforme Rythme cardiaque : Patient en bonne santé 1100 RR Interval! human RRI (ms) Time (min) 6.5 h min LogScale! wtype j:[2!6] H min f = 0.06 log 2 sup [d(j,.)] j

54 Classification basée sur l exposant de Hölder uniforme Anomalie de rythme cardiaque 1200 RR Interval! human! patient RRI (ms) Time (min) 7 h min LogScale 6.5! wtype 0 j:[2!6] H min f = 0.55 log 2 sup [d(j,.)] j

55 8 9 ζ(2) = j h min = j

56 DWT fonction de structure log 2 S(j,q=1) j 1 = 4 j 2 = 7 ζ(q=1) = j DWT fonction d echelle ζ(q) ζ(q=1) = q

57 1 c DWT fonction de structure log 2 S(j,q=1) j 1 = 3 j 2 = 6 ζ(q=1) = j DWT fonction d echelle ζ(q) ζ(q=1) = q

58 Coefficients dominants Si λ est un cube dyadique, 3λ est le cube de même centre et trois fois plus large. Soit f une fonction bornée ; les coefficient dominant de f sont les quantités d λ = sup c λ λ 3λ... 2 j d λ = sup λ 3 λ c λ c(j, k) 2 j+1 λ 3 λ 2 j+2...

59 Calcul de coefficients dominants 2D Les coefficients dominants permettent d estimer l exposant de Hölder ponctuel

60 Spectre de Legendre Λ j désigne l ensemble des cubes dyadiques d échelle 2 j. T p,j = 2 dj λ Λ j d λ p 2 ηf (p)j

61 Spectre de Legendre Λ j désigne l ensemble des cubes dyadiques d échelle 2 j. T p,j = 2 dj λ Λ j d λ p 2 ηf (p)j Fonction d échelle dominante : p R, η f (p) = lim inf j + log(t p,j ) log(2 j )

62 Spectre de Legendre Λ j désigne l ensemble des cubes dyadiques d échelle 2 j. T p,j = 2 dj λ Λ j d λ p 2 ηf (p)j Fonction d échelle dominante : Spectre de Legendre p R, η f (p) = lim inf j + L f (H) = inf p R (d + Hp η f (p)) log(t p,j ) log(2 j ) Théorème : Soit D f (H) la dimension de Hausdorff de l ensemble des points où l exposant de Hölder de f vaut H. Si f C ε (R d ), alors D f (H) L f (H)

63 Régressions log-log Comportements en loi de puissance : Condition préliminaire pour le calcul de fonctions d échelle

64 Régressions log-log Comportements en loi de puissance : Condition préliminaire pour le calcul de fonctions d échelle!&(!&"!&' 567! Q=1 LWT (q) LogScale, q=2!&% 12 wtype 0 j:[4 13]!&$ 14!&# 16!!!&# 18!!&$! "!! #!!! #"!! $!!! $"!! %!!! )*+,-./ j données fournies par Vivienne Investissement

65 Monohölderianité vs. Multifractalité 70 = 3.2 ms temps (s) trafic Internet

66 Monohölderianité vs. Multifractalité 70 = 3.2 ms temps (s) trafic Internet 3 2 1!(q) 0!1!2!3!5!4!3!2! q Fonction d échelle dominante données de http ://mawi.wide.ad.jp/mawi/

67 Réfutation de modèles Cascade multiplicative P(W) W W>0

68 Réfutation de modèles Cascade multiplicative P(W) W 11 W 12 W W>0 i=1

69 Réfutation de modèles Cascade multiplicative P(W) W 11 W 12 W W 21 W 22 W 23 W 24 W>0 i=2

70 Réfutation de modèles Cascade multiplicative P(W) W 11 W 12 W W 21 W 22 W 23 W 24 W>0 W 31 W 32 W33 W 34 W 35 W36 W 37 W 38 i=3

71 Réfutation de modèles Cascade multiplicative P(W) W 11 W 12 W W 21 W 22 W 23 W 24 W>0 W 31 W 32 W33 W 34 W 35 W36 W 37 W 38 i=6...

72 Réfutation de modèles Cascade multiplicative P(W) W 11 W 12 W W 21 W 22 W 23 W 24 W>0 W 31 W 32 W33 W 34 W 35 W36 W 37 W 38 i=

73 Processus construits à partir de cascades Une cascade est une mesure : Elle n est pas appropriée pour modéliser des signaux oscillants Si F(t) est la fonction de répartition de la mesure, on peut considérer le FBM en temps multifractal X(t) = B H (F(t)) proposé par Calvet, Fisher et Mandelbrot en modélisation financière

74 Réfutation de modèles (travail en collaboration avec Bruno Lashermes) Jet turbulence Eulerian velocity signal (ChavarriaBaudetCiliberto95) modèle de cascade log-normal vs. log-poisson 1 D(h) h

75 p-oscillation Soit f une fonction localement bornée. Si A est un intervalle, l oscillation du premier ordre de f sur A est Os f (A) = sup f inf f A A

76 p-oscillation Soit f une fonction localement bornée. Si A est un intervalle, l oscillation du premier ordre de f sur A est Os f (A) = sup f inf f A A Définition : Soit p 1 ; f appartient à V s p si C j 2 dj λ Λ j (Os f (3λ)) p C2 spj Définition : f a une p-oscillation finie si C j 0 (Os f (3λ)) p C λ Λ j Donc, si f V d/p p, alors f a une p-oscillation finie

77 p-oscillation Espaces O s p : Soit f localement bornée, f O s p(r d ) si 2 dj λ Λ j d λ p C 2 spj Theorem : Soit p 1 ; alors ε > 0 C ε V s p O s p V s+ε p

78 p-oscillation Espaces O s p : Soit f localement bornée, f O s p(r d ) si 2 dj λ Λ j d λ p C 2 spj Theorem : Soit p 1 ; alors ε > 0 C ε V s p O s p V s+ε p Corollaire : Soit f C ε pour un ε > 0. Alors Si η f (p) > 1, f a une p-oscillation finie Si η f (p) < 1, la p-oscillation de f n est pas bornée

79 Taux de change USD-Euro : Juin 2003-juin EUR USD EUR USD Price h min Time (Day) Regression log-log pour la détermination de H min f Scale (Hour) 5 EUR USD ! f (2) = EUR USD log 2 S(j,2) D Scale (Hour) Détermination de η f (2) h Spectre de Legendre

80 Taux de change USD-Euro : juin 2006-juin EUR USD EUR USD Price 1.3 h min Time (Day) Regression log-log pour la détermination de H min f Scale (Hour) 5 EUR USD ! f (2) = EUR USD log 2 S(j,2) D Scale (Hour) Détermination de η f (2) h Spectre de Legendre

81 Taux de change USD-Euro Estimations sur une année avec décallages de 3 mois 1.5 EUR USD #+& /01!023! (2) f 1!, -!. # "+&!""#!""!!""$!""%!""&!""'!""(!"")!""*!"#" ζ f (2) η f (2) (fonction d échelle ondelette) (fonction d échelle dominante)

82 Analyse Multifractale de peintures : Défi Van Gogh (en collaboration avec D. Rockmore) %"( $!(!+,-!$!./!! % $"( * $!"(! Van Gogh (f415) Arles -Saint Rémy!!"(!"# $ $"% $"& $"' $"# % )

83 Van Gogh 2.5 2!4!RGB!1!CH0!j=[3,7] D h

84 2.5 2!5!RGB!1!CH0!j=[3,7] D Inconnu h

85 2.5 3!13!RGB!1!CH0!j=[3,7] D ! h Inconnu

86 Défi : date Période parisienne - Période Arles Saint Rémy - inconnue Canaux : Rouge vs. Saturation 0.7 h min! h min ; j=[1,4]/[1,4]! RGB 0/1! CH 2/ h min ! !0.2! h min

87 Défi : date Période parisienne - Période Arles Saint Rémy - inconnue Canaux : Rouge vs. Saturation 0.7 h min! h min ; j=[1,4]/[1,4]! RGB 0/1! CH 2/ h min ! !0.2! h min

88 Peinture originale et copie : Charlotte Caspers

89 Peinture originale et copie : Charlotte Caspers

90 Peinture originale et copie : Charlotte Caspers Charlotte Charlotte ζ(q) 5 D(h) 1 10 Original Copy 0.5 Original Copy q h

91 scale ζ(q) scale ζ(q) q D(h) 15 q D(h) c 1 = 0.51 c 2 = h = 0.64 m h c 1 = 0.87 c 2 = h = 0.28 m h

92 1 c c c 0.1 h min c c 9

93 misclassification [Brueghel, Forgery]: [0.29, 0] misclassification [Brueghel, Forgery]: [0.13, 0] 0

Application des Ondelettes aux Signaux Fractales. Andrei Doncescu LAAS-CNRS

Application des Ondelettes aux Signaux Fractales. Andrei Doncescu LAAS-CNRS Application des Ondelettes aux Signaux Fractales Andrei Doncescu LAAS-CNRS Les Fractales n Définition Inachevée des fractales Fractal, ale, als : adj.

Plus en détail

Asymétrie des rendements et volatilité multifractale

Asymétrie des rendements et volatilité multifractale Asymétrie des rendements et volatilité multifractale Emmanuel Bacry 1, Laurent Duvernet 2, Jean-François Muzy 3 Séminaire du Labex MME-DII 26 février 2013 1. CNRS École Polytechnique 2. Univ. Paris-Ouest

Plus en détail

Cascades infiniment divisibles : vers une physique statistique de la turbulence?

Cascades infiniment divisibles : vers une physique statistique de la turbulence? Cascades infiniment divisibles : vers une physique statistique de la turbulence? LIMOS UMR 658 ISIMA - Univ. Clermont II Clermont-Ferrand Séminaire des élèves ENS Paris - 27 avril 24 Mécanique des fluides

Plus en détail

Rapport de stage de L3. Analyse Multifractale : un acte de foi? Levity CMLA, ENS Cachan

Rapport de stage de L3. Analyse Multifractale : un acte de foi? Levity CMLA, ENS Cachan Rapport de stage de L3 Analyse Multifractale : un acte de foi? Levity CMLA, ENS Cachan 24 Juin 2010 1 Analyse multifractale : un acte de foi? 2 Table des matières I Introduction 4 II Qu est-ce que l Analyse

Plus en détail

Analyse multifractale vectorielle basée sur la transformation en ondelettes : application en turbulence développée

Analyse multifractale vectorielle basée sur la transformation en ondelettes : application en turbulence développée Journées d étude sur les méthodes pour les signaux complexes en traitement d images Analyse multifractale vectorielle basée sur la transformation en ondelettes : application en turbulence développée Pierre

Plus en détail

Outils d analyse fonctionnelle Cours 5 Théorie spectrale

Outils d analyse fonctionnelle Cours 5 Théorie spectrale Outils d analyse fonctionnelle Cours 5 Théorie spectrale 22 septembre 2015 Généralités Dans tout ce qui suit V désigne un espace de Hilbert réel muni d un produit scalaire x, y. Définition Soit A une application

Plus en détail

Travail en collaboration avec F.Roueff M.S.Taqqu C.Tudor

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 détail

Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale. 15 novembre 2010

Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale. 15 novembre 2010 Théorie du chaos multiplicatif et application à l étude de la mesure MRM lognormale 15 novembre 2010 Table des matières 1 Rappel sur les Processus Gaussiens 2 Théorie du chaos multiplicatif gaussien de

Plus en détail

Invariance d'échelle dans le trafic Internet: aspects méthodologiques

Invariance d'échelle dans le trafic Internet: aspects méthodologiques Invariance d'échelle dans le trafic Internet: aspects méthodologiques Steve UHLIG Département d'ingérnierie Informatique. Université catholique de Louvain 1/18 Agenda - Invariance d'échelle - Invariance

Plus en détail

Journée de rencontres ANSES - IGN - INA - Labex Bézout

Journée de rencontres ANSES - IGN - INA - Labex Bézout Journée de rencontres ANSES - IGN - INA - Labex Bézout Présentation du LAMA Stéphane Sabourau 3 mars 2014 Présentation générale Le Laboratoire d Analyse et Mathématiques Appliquées (LAMA) est composé de

Plus en détail

RAPPELS DE MATHEMATIQUES. ORTHOPHONIE Première année. Dr MF DAURES

RAPPELS DE MATHEMATIQUES. ORTHOPHONIE Première année. Dr MF DAURES RAPPELS DE MATHEMATIQUES ORTHOPHONIE Première année 27 28 Dr MF DAURES 1 RAPPELS DE MATHEMATIQUES I - LES FONCTIONS A - Caractéristiques générales des fonctions B - La fonction dérivée C - La fonction

Plus en détail

Chapitre 7 : Intégration sur un intervalle quelconque

Chapitre 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 détail

Modélisation de séries financières par un modèle multifractal. Céline Azizieh

Modélisation 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 détail

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x )

Séries de Fourier. T f (x) exp 2iπn x T dx, n Z. T/2 f (x) cos ( ) f (x) dx a n (f) = 2 T. f (x) cos 2πn x ) Séries de Fourier Les séries de Fourier constituent un outil fondamental de la théorie du signal. Il donne lieu à des prolongements et des extensions nombreux. Les séries de Fourier permettent à la fois

Plus en détail

Génération de signaux multifractals possédant une structure de branchement sous-jacente.

Génération 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 détail

Optimisation de plans de financement immobiliers

Optimisation de plans de financement immobiliers Optimisation de plans de financement immobiliers ~ Frédéric GARDI 03/07/2007 Présentation du problème Plan/solution de financement : assemblage/mix de produits Pour chaque prêt du plan : son montant, sa

Plus en détail

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA)

Agrégation interne de Mathématiques. Session 2009. Deuxième épreuve écrite. (et CAERPA) Agrégation interne de Mathématiques (et CAEPA Session 2009 Deuxième épreuve écrite 2 NOTATIONS ET PÉLIMINAIES On désigne par le corps des nombres réels et par C le corps des nombres complexes. Si f est

Plus en détail

Séminaire TEST. 1 Présentation du sujet. October 18th, 2013

Séminaire 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 détail

Devoir commun de Mathématiques 18 janvier 2014. Problème 1

Devoir commun de Mathématiques 18 janvier 2014. Problème 1 Lycée Jean Bart MPSI & PCSI Année 213-214 Devoir commun de Mathématiques 18 janvier 214 La clarté des raisonnements, la précision de la rédaction et la présentation entreront pour une part non négligeable

Plus en détail

Maximisation de la fonction d utilité exponentielleprix d indifférence dans un modèle avec défauts

Maximisation de la fonction d utilité exponentielleprix d indifférence dans un modèle avec défauts Maximisation de la fonction d utilité exponentielleprix d indifférence dans un modèle avec défauts Thomas Lim Université Paris 7-LPMA Travail en collaboration avec Marie-Claire Quenez Séminaire des jeunes

Plus en détail

Équation de Langevin avec petites perturbations browniennes ou

Équation 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 détail

Modèle classique Extensions Modèle multi-branches. Théorie de la ruine. Esterina Masiello (ISFA)

Modèle classique Extensions Modèle multi-branches. Théorie de la ruine. Esterina Masiello (ISFA) Esterina Masiello Institut de Science Financière et d Assurances Université Lyon 1 Premières Journées Actuarielles de Strasbourg 6-7 octobre 2010 En résumé... Modèle classique de la théorie de la ruine

Plus en détail

Feuille d exercices n o 1. N(x i ). 4. On rappelle qu un espace normé est séparable s il contient une partie dénombrable dense.

Feuille d exercices n o 1. N(x i ). 4. On rappelle qu un espace normé est séparable s il contient une partie dénombrable dense. 1 Feuille d exercices n o 1 1. Deuxième forme géométrique du théorème de Hahn-Banach Soient A E et B E deux convexes, non vides, disjoints (E est une espace vectoriel normé). On suppose que A est fermé

Plus en détail

TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options

TP1 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 détail

Ondelettes complexes pour l analyse des lois d échelles

Ondelettes complexes pour l analyse des lois d échelles Master des Sciences de la Matière École Normale Supérieure de Lyon Université Claude Bernard Lyon STAGE 5-6 LOISEAU, Patrick ème année Option Physique Ondelettes complexes pour l analyse des lois d échelles

Plus en détail

Rendements asymétriques et volatilité multifractale

Rendements asymétriques et volatilité multifractale Rendements asymétriques et volatilité multifractale Emmanuel Bacry (École Polytechnique) Laurent Duvernet (Université Paris-Est MLV et École Polytechnique) Jean-François Muzy (Université de Corse) Jeunes

Plus en détail

Dérivées d ordres supérieurs. Application à l étude d extrema.

Dérivées d ordres supérieurs. Application à l étude d extrema. Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une

Plus en détail

Analyse de séquences ADN par la transformée en ondelettes : extraction d informations structurelles, dynamiques et fonctionnelles

Analyse de séquences ADN par la transformée en ondelettes : extraction d informations structurelles, dynamiques et fonctionnelles L G L G Université de Liège Faculté des sciences Analyse de séquences ADN par la transformée en ondelettes : extraction d informations structurelles, dynamiques et fonctionnelles Samuel Nicolay Dissertation

Plus en détail

Présentation du modèle MRW (Multifractal Random Walk) et des faits stylisés empiriques

Présentation du modèle MRW (Multifractal Random Walk) et des faits stylisés empiriques Présentation du modèle MRW (Multifractal Random Walk) et des faits stylisés empiriques Vincent Vargas 1 28 novembre 2010 1. Remerciements: Capital Fund Management (J.P. Bouchaud, Marc Potters et équipe

Plus en détail

I. Polynômes de Tchebychev

I. 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 détail

Problèmes de fiabilité dépendant du temps

Problèmes de fiabilité dépendant du temps Problèmes de fiabilité dépendant du temps Bruno Sudret Dépt. Matériaux et Mécanique des Composants Pourquoi la dimension temporelle? Rappel Résistance g( RS, ) = R S Sollicitation g( Rt (), St (),) t =

Plus en détail

Amphi 3: Espaces complets - Applications linéaires continues

Amphi 3: Espaces complets - Applications linéaires continues Amphi 3: Espaces complets - Applications linéaires continues Département de Mathématiques École polytechnique Remise en forme mathématique 2013 Suite de Cauchy Soit (X, d) un espace métrique. Une suite

Plus en détail

Principe de symétrisation pour la construction d un test adaptatif

Principe 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 détail

Cours d Analyse. Fonctions de plusieurs variables

Cours 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 détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

Continuité d une fonction de plusieurs variables

Continuité 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 détail

Cours: Analyse multifractale

Cours: Analyse multifractale Cours: Analyse multifractale Ecole de Recherche CIMPA Analyse et Probabilités Carenne, Universidad Central de Venezuela Cocody-Abidjan, 17 28 mars 2014 1 Introduction 2 Cascades Multiplicatives Mesures

Plus en détail

Analyse de données longitudinales continues avec applications

Analyse de données longitudinales continues avec applications Université de Liège Département de Mathématique 29 Octobre 2002 Analyse de données longitudinales continues avec applications David MAGIS 1 Programme 1. Introduction 2. Exemples 3. Méthodes simples 4.

Plus en détail

1 Topologies, distances, normes

1 Topologies, distances, normes Université Claude Bernard Lyon 1. Licence de mathématiques L3. Topologie Générale 29/1 1 1 Topologies, distances, normes 1.1 Topologie, distances, intérieur et adhérence Exercice 1. Montrer que dans un

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Université Paris VII. Préparation à l Agrégation. (François Delarue) COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR Ce texte vise à l étude du temps d attente d un client à la caisse d un

Plus en détail

Méthodes de quadrature. Polytech Paris-UPMC. - p. 1/48

Méthodes 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 détail

Analyse multifractale d images : l apport des coefficients dominants

Analyse multifractale d images : l apport des coefficients dominants Analyse multifractale d images : l apport des coefficients dominants Herwig Wendt, Patrice Abry, Stéphane G. Roux, Stéphane Jaffard 2, Béatrice Vedel,2 Laboratoire de Physique, UMR 5672, CNRS, Ecole Normale

Plus en détail

Communications numériques

Communications numériques Communications numériques 1. Modulation numérique (a) message numérique/signal numérique (b) transmission binaire/m-aire en bande de base (c) modulation sur fréquence porteuse (d) paramètres, limite fondamentale

Plus en détail

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES I

ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON MATHEMATIQUES I CHAMBRE DE COMMERCE ET D INDUSTRIE DE PARIS DIRECTION DE L ENSEIGNEMENT Direction des Admissions et concours ECOLE DES HAUTES ETUDES COMMERCIALES E.S.C.P.-E.A.P. ECOLE SUPERIEURE DE COMMERCE DE LYON CONCOURS

Plus en détail

Estimation ultra haute fréquence de la volatilité et de la co-volatilité

Estimation ultra haute fréquence de la volatilité et de la co-volatilité Estimation ultra haute fréquence de la volatilité et de la co-volatilité Christian Y. Robert 1 et Mathieu Rosenbaum 2 1 CREST-ENSAE Paris Tech, 2 CMAP-École Polytechnique Paris Christian Y. Robert et Mathieu

Plus en détail

Probabilités 5. Simulation de variables aléatoires

Probabilités 5. Simulation de variables aléatoires Probabilités 5. Simulation de variables aléatoires Céline Lacaux École des Mines de Nancy IECL 27 avril 2015 1 / 25 Plan 1 Méthodes de Monte-Carlo 2 3 4 2 / 25 Estimation d intégrales Fiabilité d un système

Plus en détail

Image d un intervalle par une fonction continue

Image 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 détail

NOUVELLES MESURES DE DÉPENDANCE POUR

NOUVELLES MESURES DE DÉPENDANCE POUR NOUVELLES MESURES DE DÉPENDANCE POUR UNE MODÉLISATION ALPHA-STABLE. Bernard GAREL & Bernédy KODIA Institut de Mathématiques de Toulouse et INPT-ENSEEIHT Xèmmes Journées de Méthodologie Statistique de l

Plus en détail

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous

StatEnAction 2009/10/30 11:26 page 111 #127 CHAPITRE 10. Machines à sous StatEnAction 2009/0/30 :26 page #27 CHAPITRE 0 Machines à sous Résumé. On étudie un problème lié aux jeux de hasard. Il concerne les machines à sous et est appelé problème de prédiction de bandits à deux

Plus en détail

Introduction au cours STA 102 Analyse des données : Méthodes explicatives

Introduction au cours STA 102 Analyse des données : Méthodes explicatives Analyse des données - Méthodes explicatives (STA102) Introduction au cours STA 102 Analyse des données : Méthodes explicatives Giorgio Russolillo giorgio.russolillo@cnam.fr Infos et support du cours Slide

Plus en détail

Comparaison d images binaires reposant sur une mesure locale des dissimilarités Application à la classification

Comparaison d images binaires reposant sur une mesure locale des dissimilarités Application à la classification 1/54 Comparaison d images binaires reposant sur une mesure locale des dissimilarités Application à la classification Étienne Baudrier CReSTIC vendredi 9 décembre 2005 2/54 Contexte programme national de

Plus en détail

Théorème du point fixe - Théorème de l inversion locale

Théorème 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 détail

Une approche pour un contrôle non-linéaire temps réel

Une approche pour un contrôle non-linéaire temps réel Une approche pour un contrôle non-linéaire temps réel L. Mathelin 1 L. Pastur 1,2 O. Le Maître 1 1 LIMSI - CNRS Orsay 2 Université Paris-Sud 11 Orsay GdR Contrôle des décollements 25 Nov. 2009 Orléans

Plus en détail

CONCOURS 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) 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 détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation aléatoire en fiabilité des logiciels collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.

Plus en détail

Modèles structurels. Chapitre 4. 4.1 Modèle de Merton

Modèles structurels. Chapitre 4. 4.1 Modèle de Merton Chapitre 4 Modèles structurels 4.1 Modèle de Merton L idée principale de modèles structurels est basée sur l article fondateur de Merton [?], où un défaut est provoqué quand une entreprise n arrive pas

Plus en détail

Calculs approchés d un point fixe

Calculs approchés d un point fixe M11 ÉPREUVE COMMUNE DE TIPE 2013 - Partie D TITRE : Calculs approchés d un point fixe Temps de préparation :.. 2 h 15 minutes Temps de présentation devant les examinateurs :.10 minutes Dialogue avec les

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation aléatoire en fiabilité des logiciels collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.

Plus en détail

Calcul Matriciel. Chapitre 10. 10.1 Qu est-ce qu une matrice? 10.2 Indexation des coefficients. 10.3 Exemples de matrices carrées.

Calcul Matriciel. Chapitre 10. 10.1 Qu est-ce qu une matrice? 10.2 Indexation des coefficients. 10.3 Exemples de matrices carrées. Chapitre 10 Calcul Matriciel 101 Qu est-ce qu une matrice? Définition : Soit K un ensemble de nombres exemples, K = N, Z, Q, R, C, n, p N On appelle matrice à n lignes et p colonnes la données de np nombres

Plus en détail

Mesures gaussiennes et espaces de Fock

Mesures 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 détail

Nombre dérivé et tangente

Nombre dérivé et tangente Nombre dérivé et tangente I) Interprétation graphique 1) Taux de variation d une fonction en un point. Soit une fonction définie sur un intervalle I contenant le nombre réel a, soit (C) sa courbe représentative

Plus en détail

HÖLDER CONTINUITY AND WAVELETS

HÖLDER 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 détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Université Paris1, Licence 00-003, Mme Pradel : Principales lois de Probabilité 1 DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES Notations Si la variable aléatoire X suit la loi L, onnoterax

Plus en détail

1 - INTERPOLATION. J-P. Croisille. Semestre S7, master de mathématiques M1, année 2008/2009. Université Paul Verlaine-Metz

1 - INTERPOLATION. J-P. Croisille. Semestre S7, master de mathématiques M1, année 2008/2009. Université Paul Verlaine-Metz 1 - INTERPOLATION J-P. Croisille Université Paul Verlaine-Metz Semestre S7, master de mathématiques M1, année 2008/2009 1- INTRODUCTION Théorie de l interpolation: approximation de f(x) par une fonction

Plus en détail

Chapitre 7. Les fonctions de références

Chapitre 7. Les fonctions de références Chapitre 7 Les fonctions de références I Rappels sur les fonctions I1 Domaine de définition I2 Les variations I3 Parité II Les fonctions de référence II1 Fonctions affines II2 Fonction carré II3 Fonction

Plus en détail

Rapport de Recherche. 1 Estimation fonctionnelle en temps continu. 1.1 Vitesses de convergence pour l estimateur à noyau. (D. Blanke - Mars 2008)

Rapport de Recherche. 1 Estimation fonctionnelle en temps continu. 1.1 Vitesses de convergence pour l estimateur à noyau. (D. Blanke - Mars 2008) Rapport de Recherche (D. Blanke - Mars 2008) L essentiel de mes activités de recherche porte sur l estimation fonctionnelle ou paramétrique pour des processus. L ensemble de ces travaux peut se diviser

Plus en détail

Utilisation d espaces de Sobolev fractionnaires en reconstruction tomographique d objets binaires

Utilisation d espaces de Sobolev fractionnaires en reconstruction tomographique d objets binaires Utilisation d espaces de Sobolev fractionnaires en reconstruction tomographique d objets binaires M. Bergounioux & E. Trélat MAPMO Université d Orléans Journées du GDR - MOA Porquerolles 19-21 Octobre

Plus en détail

L UNIVERSITÉ BORDEAUX I ÉCOLE DOCTORALE DE SCIENCES PHYSIQUES ET DE L INGÉNIEUR. Pierre Kestener pour obtenir le grade de

L UNIVERSITÉ BORDEAUX I ÉCOLE DOCTORALE DE SCIENCES PHYSIQUES ET DE L INGÉNIEUR. Pierre Kestener pour obtenir le grade de N o d ordre : 2729 THÈSE présentée à L UNIVERSITÉ BORDEAUX I ÉCOLE DOCTORALE DE SCIENCES PHYSIQUES ET DE L INGÉNIEUR par Pierre Kestener pour obtenir le grade de Docteur spécialité : Traitement du signal

Plus en détail

Soutenance de Thèse. Analyses statistiques des communications sur puce

Soutenance de Thèse. Analyses statistiques des communications sur puce Soutenance de Thèse Analyses statistiques des communications sur puce Antoine Scherrer LIP - ENS Lyon Equipe Compsys 11 décembre 26 A. Scherrer - Analyses statistiques des communications sur puce 1 / 4

Plus en détail

FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)

FONCTIONS 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 détail

Chapitre 5 : Flot maximal dans un graphe

Chapitre 5 : Flot maximal dans un graphe Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d

Plus en détail

Espaces vectoriels et applications

Espaces vectoriels et applications Espaces vectoriels et applications linéaires 1 Définitions On parle d espaces vectoriels sur le corps R ou sur le corps C. Les définitions sont les mêmes en substituant R à C ou vice versa. Définition

Plus en détail

Queue de la solution stationnaire d un modèle auto-régressif d ordre 1 à coefficients markoviens.

Queue de la solution stationnaire d un modèle auto-régressif d ordre 1 à coefficients markoviens. . Queue de la solution stationnaire d un modèle auto-régressif d ordre 1 à coefficients markoviens. Benoîte de Saporta Université de Nantes Université de Nantes - 9 juin 2005 p. 1/37 Plan de l exposé 1.

Plus en détail

UNIVERSITÉ DE CERGY Année 2012-2013 U.F.R. Économie & Gestion Licence d Économie et Mathématiques MATH104 : Mathématiques

UNIVERSITÉ DE CERGY Année 2012-2013 U.F.R. Économie & Gestion Licence d Économie et Mathématiques MATH104 : Mathématiques 1 UNIVERSITÉ DE CERGY Année 2012-201 U.F.R. Économie & Gestion Licence d Économie et Mathématiques MATH104 : Mathématiques Chapitre III : Polynômes 1 Fonctions polynômes & polynômes Définition 1. Soit

Plus en détail

Curriculum Vitae ABRY Patrice

Curriculum Vitae ABRY Patrice Curriculum Vitae ABRY Patrice Etat Civil Date de naissance 16 juin 1966, Lieu de naissance Bourg-en-Bresse, France, Nationalité France, Situation de famille marié, un enfant, Adresse 17, rue de Saint Cloud,

Plus en détail

Dualité dans les espaces de Lebesgue et mesures de Radon finies

Dualité 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 détail

INTRODUCTION À LA THÉORIE DE STABILITÉ DES SYSTÈMES CONSERVATIFS

INTRODUCTION À LA THÉORIE DE STABILITÉ DES SYSTÈMES CONSERVATIFS INTRODUCTION À LA THÉORIE DE STABILITÉ DES SYSTÈMES CONSERVATIFS David Ryckelynck Centre des Matériaux, Mines ParisTech David.Ryckelynck@mines-paristech.fr Bibliographie : Stabilité et mécanique non linéaire,

Plus en détail

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65

Sommaire. Chapitre 1 Variables et vecteurs aléatoires... 5. Chapitre 2 Variables aléatoires à densité... 65 Sommaire Chapitre 1 Variables et vecteurs aléatoires............... 5 A. Généralités sur les variables aléatoires réelles.................... 6 B. Séries doubles..................................... 9

Plus en détail

Sur certaines séries entières particulières

Sur 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 détail

Mathématique - Cours

Mathématique - Cours Mathématique - Cours Filière STAV 2014-2015 Centre de Formation aux Métier de la Montagne Marine Estorge Le programme se compose ainsi : partie seconde partie 1/3 partie 2/3 partie 3/3 Sommaire 1 Ensemble

Plus en détail

L2 MIEE 2012-2013 VAR Université de Rennes 1

L2 MIEE 2012-2013 VAR Université de Rennes 1 . Sous-ensembles de R n et fonctions (suite) 1 Nappes paramétrées Si f une fonction de deux variables, son graphe est une surface incluse dans R 3 : {(x, y, f(x, y)) / (x, y) R 2 }. Une telle surface s

Plus en détail

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale.

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Aix Marseille Université. Algorithmes Stochastiques. M MIS. Fabienne Castell... Chapitre : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Le but de ce chapitre

Plus en détail

Équations non linéaires

Équations non linéaires Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et

Plus en détail

Fractales? Cours de DEA SIPT P.O. Amblard

Fractales? Cours de DEA SIPT P.O. Amblard Fractales? Cours de DEA SIPT P.O. Amblard 1 Vraie,... ou fausse? Paysages... 3 Les termites se promènent... et les plantes... 4 Un peu de turbulence... 5 Chapter 1 Introduction aux fractales 1.1 Mesurer

Plus en détail

IV. Espaces L p. + tx 1. (1 t)x 0

IV. Espaces L p. + tx 1. (1 t)x 0 cours 13, le lundi 7 mars 2011 IV. spaces L p IV.1. Convexité Quand deux points x 0, x 1 R sont donnés, on peut parcourir le segment [x 0, x 1 ] qui les joint en posant pour tout t [0, 1] x t = (1 t)x

Plus en détail

Cours de terminale S Suites numériques

Cours de terminale S Suites numériques Cours de terminale S Suites numériques V. B. et S. B. Lycée des EK 13 septembre 2014 Introduction Principe de récurrence Exemple En Mathématiques, un certain nombre de propriétés dépendent d un entier

Plus en détail

Approximation diophantienne uniforme et dimension de Hausdorff

Approximation 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 détail

Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables

Notes 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 détail

Le corps R des nombres réels

Le corps R des nombres réels Le corps R des nombres réels. Construction de R à l aide des suites de Cauchy de nombres rationnels On explique brièvement dans ce paragraphe comment construire le corps R des nombres réels à partir du

Plus en détail

Suites et Convergence

Suites et Convergence Suites et Convergence Une suite c est se donner une valeur (sans ambigüité) pour chaque N sauf peutêtre les premiers n. Donc une suite est une fonction : I R où I = N: = N. Notation : On note ( ) I R pour

Plus en détail

Statistiques - Notes de cours - M1. Elisabeth Gassiat

Statistiques - Notes de cours - M1. Elisabeth Gassiat Statistiques - Notes de cours - M1 Elisabeth Gassiat Table des matières 1 Introduction 5 1.1 Estimation et régions de confiance...................... 5 1.2 Tests.......................................

Plus en détail

Le pire des cas dans le choix de la copule

Le pire des cas dans le choix de la copule Comment éviter le pire Département de Mathématique Université de Bretagne Occidentale 29200 Brest Solvency 2 impose aux assureurs une analyse des risques accumulés sur plusieurs produits d assurances.

Plus en détail

Modélisation stochastique des données à partir d essais sur matériaux. Pr. Denys Breysse Université Bordeaux 1

Modélisation stochastique des données à partir d essais sur matériaux. Pr. Denys Breysse Université Bordeaux 1 Modélisation stochastique des données à partir d essais sur matériaux Pr. Denys Breysse Université Bordeaux 1 Hasard cause fictive de ce qui arrive sans raison apparente ou explicable (Petit Robert). Ce

Plus en détail

COURS DE LICENCE 2 SCIENCES ECONOMIQUES COURS D ANNIE CLARET

COURS DE LICENCE 2 SCIENCES ECONOMIQUES COURS D ANNIE CLARET COURS DE LICENCE 2 SCIENCES ECONOMIQUES COURS D ANNIE CLARET MATHEMATIQUES 3 PRISE DE NOTE PAR : PLASMAN SYLVAIN SERIE 7 ANNEE 2010-2011 1 Sommaire et accès aux chapitres/sous-chapitres Cliquez sur le

Plus en détail

Intégrale stochastique

Intégrale stochastique Intégrale stochastique Plan L intégrale stochastique générale Intégrale de Wiener Exemples Processus d Itô Formule d Itô Formule de Black & Scholes Le processus B est un mouvement Brownien et { Ft B,t

Plus en détail

Préparation à l agrégation 2012/2013. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs.

Préparation à l agrégation 2012/2013. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs. Mots clés : Graphes. Vecteur propre ; matrices stochastiques ; matrices à coefficients positifs. Le jury n exige pas une compréhension exhaustive du texte. Vous êtes laissé(e) libre d organiser votre discussion

Plus en détail

DUT Techniques de commercialisation Mathématiques et statistiques appliquées

DUT Techniques de commercialisation Mathématiques et statistiques appliquées DUT Techniques de commercialisation Mathématiques et statistiques appliquées Francois.Kauffmann@unicaen.fr Université de Caen Basse-Normandie 3 novembre 2014 Francois.Kauffmann@unicaen.fr UCBN MathStat

Plus en détail

Introduction aux Support Vector Machines (SVM)

Introduction aux Support Vector Machines (SVM) Introduction aux Support Vector Machines (SVM) Olivier Bousquet Centre de Mathématiques Appliquées Ecole Polytechnique, Palaiseau Orsay, 15 Novembre 2001 But de l exposé 2 Présenter les SVM Encourager

Plus en détail

CCP PSI - 2010 Mathématiques 1 : un corrigé

CCP 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 détail

Introduction à l étude des Corps Finis

Introduction à l étude des Corps Finis Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur

Plus en détail