Méthodes d Analyse multifractale pour la classification de signaux et d images Stéphane Jaffard
|
|
- Josephine Robillard
- il y a 8 ans
- Total affichages :
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
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 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 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 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 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 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 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 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 détailNombre 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 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 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 détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en 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 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 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 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 détailDérivées 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 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 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 détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en 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 détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
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 détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailApprentissage non paramétrique en régression
1 Apprentissage non paramétrique en régression Apprentissage non paramétrique en régression Résumé Différentes méthodes d estimation non paramétriques en régression sont présentées. Tout d abord les plus
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en 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 détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en 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 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 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 détailAnalyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Plus en détailAmphi 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 détailCommunications 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 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 détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
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 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 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 détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en 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 détailM2 IAD UE MODE Notes de cours (3)
M2 IAD UE MODE Notes de cours (3) Jean-Yves Jaffray Patrice Perny 16 mars 2006 ATTITUDE PAR RAPPORT AU RISQUE 1 Attitude par rapport au risque Nousn avons pas encore fait d hypothèse sur la structure de
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailDifférentiabilité ; Fonctions de plusieurs variables réelles
Différentiabilité ; Fonctions de plusieurs variables réelles Denis Vekemans R n est muni de l une des trois normes usuelles. 1,. 2 ou.. x 1 = i i n Toutes les normes de R n sont équivalentes. x i ; x 2
Plus en détailChapitre 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 détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détailPrécision d un résultat et calculs d incertitudes
Précision d un résultat et calculs d incertitudes PSI* 2012-2013 Lycée Chaptal 3 Table des matières Table des matières 1. Présentation d un résultat numérique................................ 4 1.1 Notations.........................................................
Plus en 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 détailProblème 1 : applications du plan affine
Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées
Plus en détailAnalyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
Plus en détailExamen optimisation Centrale Marseille (2008) et SupGalilee (2008)
Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut
Plus en 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 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 détailNotes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101 Calcul I Partie II: fonctions de plusieurs variables Guy Desaulniers Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2014 Table des matières
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailCours3. Applications continues et homéomorphismes. 1 Rappel sur les images réciproques
Université de Provence Topologie 2 Cours3. Applications continues et homéomorphismes 1 Rappel sur les images réciproques Soit une application f d un ensemble X vers un ensemble Y et soit une partie P de
Plus en détailSemestre HPC. Violaine Louvet. Institut Camille Jordan - CNRS louvet@math.univ-lyon1.fr. Labex MILyon, Printemps 2016
Semestre HPC Violaine Louvet Institut Camille Jordan - CNRS louvet@math.univ-lyon1.fr Labex MILyon, Printemps 2016 V. Louvet (ICJ) Semestre HPC Printemps 2016 1 / 9 Présentation du semestre Modélisation
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 détailComplément d information concernant la fiche de concordance
Sommaire SAMEDI 0 DÉCEMBRE 20 Vous trouverez dans ce dossier les documents correspondants à ce que nous allons travailler aujourd hui : La fiche de concordance pour le DAEU ; Page 2 Un rappel de cours
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 détailUne fréquence peut-elle être instantanée?
Fréquence? Variable? Instantané vs. local? Conclure? Une fréquence peut-elle être instantanée? Patrick Flandrin CNRS & École Normale Supérieure de Lyon, France Produire le temps, IRCAM, Paris, juin 2012
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 détailCalcul intégral élémentaire en plusieurs variables
Calcul intégral élémentaire en plusieurs variables PC*2 2 septembre 2009 Avant-propos À part le théorème de Fubini qui sera démontré dans le cours sur les intégrales à paramètres et qui ne semble pas explicitement
Plus en détailSujet 4: Programmation stochastique propriétés de fonction de recours
Sujet 4: Programmation stochastique propriétés de fonction de recours MSE3313: Optimisation Stochastiqe Andrew J. Miller Dernière mise au jour: October 19, 2011 Dans ce sujet... 1 Propriétés de la fonction
Plus en détailReprésentation géométrique d un nombre complexe
CHAPITRE 1 NOMBRES COMPLEXES 1 Représentation géométrique d un nombre complexe 1. Ensemble des nombres complexes Soit i le nombre tel que i = 1 L ensemble des nombres complexes est l ensemble des nombres
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
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 détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en 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 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 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 détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en 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 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 détailFONCTION EXPONENTIELLE ( ) 2 = 0.
FONCTION EXPONENTIELLE I. Définition Théorème : Il eiste une unique fonction f dérivable sur R telle que f ' = f et f (0) =. Démonstration de l'unicité (eigible BAC) : L'eistence est admise - Démontrons
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 détailDUT 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 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 détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailO, i, ) ln x. (ln x)2
EXERCICE 5 points Commun à tous les candidats Le plan complee est muni d un repère orthonormal O, i, j Étude d une fonction f On considère la fonction f définie sur l intervalle ]0; + [ par : f = ln On
Plus en détailIntroduction au Calcul des Probabilités
Université des Sciences et Technologies de Lille U.F.R. de Mathématiques Pures et Appliquées Bât. M2, F-59655 Villeneuve d Ascq Cedex Introduction au Calcul des Probabilités Probabilités à Bac+2 et plus
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailRetournement Temporel
Retournement Temporel Rédigé par: HENG Sokly Encadrés par: Bernard ROUSSELET & Stéphane JUNCA 2 juin 28 Remerciements Je tiens tout d'abord à remercier mes responsables de mémoire, M.Bernard ROUSSELET
Plus en détailTests semi-paramétriques d indépendance
Tests semi-paramétriques d indépendance Bernard Colin et Ernest Monga Département de Mathématiques Université de Sherbrooke Sherbrooke J1K-2R1 (Québec) Canada Rapport de recherche N o 139 Abstract Let
Plus en détailFeuille 6 : Tests. Peut-on dire que l usine a respecté ses engagements? Faire un test d hypothèses pour y répondre.
Université de Nantes Année 2013-2014 L3 Maths-Eco Feuille 6 : Tests Exercice 1 On cherche à connaître la température d ébullition µ, en degrés Celsius, d un certain liquide. On effectue 16 expériences
Plus en détailEnoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé.
Enoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé. I- ACTIVITES NUMERIQUES (12 points) Exercice 1 (3 points) On considère
Plus en détailExercice 1 Trouver l équation du plan tangent pour chaque surface ci-dessous, au point (x 0,y 0,z 0 ) donné :
Enoncés : Stephan de Bièvre Corrections : Johannes Huebschmann Exo7 Plans tangents à un graphe, différentiabilité Exercice 1 Trouver l équation du plan tangent pour chaque surface ci-dessous, au point
Plus en détailRépublique Algérienne Démocratique et Populaire
République Algérienne Démocratique et Populaire الشعبية الجمهوریة الجزاي ریة الدیمقراطية Ministère de l enseignement Supérieur et de la Recherche Scientifique Université 8 mai 45 Guelma التعليم العالي
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 détailFonctions de plusieurs variables et applications pour l ingénieur
Service Commun de Formation Continue Année Universitaire 2006-2007 Fonctions de plusieurs variables et applications pour l ingénieur Polycopié de cours Rédigé par Yannick Privat Bureau 321 - Institut Élie
Plus en détailIntégrales doubles et triples - M
Intégrales s et - fournie@mip.ups-tlse.fr 1/27 - Intégrales (rappel) Rappels Approximation éfinition : Intégrale définie Soit f définie continue sur I = [a, b] telle que f (x) > 3 2.5 2 1.5 1.5.5 1 1.5
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 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 détail1 radian. De même, la longueur d un arc de cercle de rayon R et dont l angle au centre a pour mesure α radians est α R. R AB =R.
Angles orientés Trigonométrie I. Préliminaires. Le radian Définition B R AB =R C O radian R A Soit C un cercle de centre O. Dire que l angle géométrique AOB a pour mesure radian signifie que la longueur
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 détailOptimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Plus en détail