MÉTHODE DE MONTE CARLO PAR CHAÎNE DE MARKOV.
|
|
- César Chabot
- il y a 6 ans
- Total affichages :
Transcription
1 MÉTHODE DE MONTE CARLO PAR CHAÎNE DE MARKOV. Alexandre Popier Université du Maine, Le Mans A. Popier (Université du Maine) MCMC. 1 / 31
2 PLAN DU COURS 1 RAPPELS SUR LES CHAÎNES DE MARKOV Théorème ergodique Vitesse de convergence? 2 ALGORITHME DE PROPP-WILSON 3 ALGORITHME DE METROPOLIS-HASTINGS 4 ÉCHANTILLONNAGE DE GIBBS A. Popier (Université du Maine) MCMC. 2 / 31
3 INTRODUCTION. BUT Calculer une espérance E(X) avec X de loi donnée (dite cible). REMARQUE : pas nécessaire de simuler un échantillon suivant la loi cible (échantillonnage d importance). LOIS MAL CONNUES. Modèles avec probabilité connue à constante près : mécanique statistique, Ising : f (s) exp H s i J i s i s j, s i { 1, 1}. (i,j) E A. Popier (Université du Maine) MCMC. 3 / 31
4 INTRODUCTION. BUT Calculer une espérance E(X) avec X de loi donnée (dite cible). LOIS MAL CONNUES. Inférence statistique : soit X = (X 1,..., X n ) un n-échantillon de loi de densité connue à un paramètre θ près. Approche bayésienne : θ v.a. de loi - appelée loi a priori - de densité π(θ). Loi de θ sachant X dite loi a posteriori : π (θ X=x) (θ) = π(θ)f (X θ) (x) Θ π(θ)f (X θ)(x)dθ π(θ)f (X θ)(x), avec f (X θ) densité conditionnelle de X sachant θ. A. Popier (Université du Maine) MCMC. 3 / 31
5 INTRODUCTION. BUT Calculer une espérance E(X) avec X de loi donnée (dite cible). LOIS MAL CONNUES. Inférence statistique : soit X = (X 1,..., X n ) un n-échantillon de loi de densité connue à un paramètre θ près. Approche bayésienne : Estimateur bayésien : T (x) = argmin T L(θ, T (x))π (θ X=x) dθ, p.p. Θ Exemple : L(θ, T (x)) = θ T (x) 2 T (x) = E(θ X = x). A. Popier (Université du Maine) MCMC. 3 / 31
6 MÉTHODE MCMC. DÉFINITION On appelle algorithme MCMC (pour Monte Carlo Markov Chain) toute méthode produisant une chaîne de Markov (X (n) ) ergodique de loi stationnaire la distribution cible. REMARQUE : structure lourde, mais naturelle dans algorithmes d optimisation stochastique (Robbins-Moro, recuit simulé, algorithmes génétiques) ; parfois seule possibilité (inférence statistique) ou plus efficace qu un algorithme de rejet. A. Popier (Université du Maine) MCMC. 4 / 31
7 PLAN 1 RAPPELS SUR LES CHAÎNES DE MARKOV Théorème ergodique Vitesse de convergence? 2 ALGORITHME DE PROPP-WILSON 3 ALGORITHME DE METROPOLIS-HASTINGS 4 ÉCHANTILLONNAGE DE GIBBS A. Popier (Université du Maine) MCMC. 5 / 31
8 PLAN 1 RAPPELS SUR LES CHAÎNES DE MARKOV Théorème ergodique Vitesse de convergence? 2 ALGORITHME DE PROPP-WILSON 3 ALGORITHME DE METROPOLIS-HASTINGS 4 ÉCHANTILLONNAGE DE GIBBS A. Popier (Université du Maine) MCMC. 6 / 31
9 THÉORÈME ERGODIQUE. NOTATIONS : matrice de transition P sur espace d états fini ou dénombrable E, (X x n ) n N : chaîne de Markov d état initial x et de matrice de transition P. Une mesure π sur E est un vecteur dont tous les termes sont positifs. Elle est invariante si πp = π. Une probabilité π est une mesure telle que E Une probabilité π est réversible si Alors elle est invariante. (x, y) E 2, π y P(y, x) = π x P(x, y). π(x) = 1. A. Popier (Université du Maine) MCMC. 7 / 31
10 THÉORÈME ERGODIQUE. NOTATIONS : matrice de transition P sur espace d états fini ou dénombrable E, (X x n ) n N : chaîne de Markov d état initial x et de matrice de transition P. THÉORÈME ERGODIQUE Soit P une matrice de transition irréductible. On suppose qu il existe une probabilité invariante π. Alors : 1 π est l unique probabilité invariante et π(x) > 0 pour tout x E. 2 Tous les états sont récurrents (chaîne dite récurrence positive). 3 Pour tout état x E et toute fonction f : E R telle que E f (x) π(x) < + 1 lim n + n n f (Xk x ) = E k=1 f (x)π(x), P p.s. A. Popier (Université du Maine) MCMC. 7 / 31
11 PRINCIPE. MÉTHODE Pour calculer une intégrale par rapport à π, remplacer la simulation d une suite de v.a. i.i.d. de loi π par celle d une chaîne de Markov irréductible de probabilité invariante π, puis la loi forte des grands nombres par le théorème ergodique. PROBLÈME : il n existe pas d analogue du théorème central limite, permettant d obtenir la vitesse de convergence dans le théorème ergodique ("toutes" les vitesses sont possibles!). A. Popier (Université du Maine) MCMC. 8 / 31
12 PLAN 1 RAPPELS SUR LES CHAÎNES DE MARKOV Théorème ergodique Vitesse de convergence? 2 ALGORITHME DE PROPP-WILSON 3 ALGORITHME DE METROPOLIS-HASTINGS 4 ÉCHANTILLONNAGE DE GIBBS A. Popier (Université du Maine) MCMC. 9 / 31
13 THÉORÈME CENTRAL LIMITE. THÉORÈME Soient (X n ) n N chaîne irréductible de matrice de transition P, π l unique probabilité invariante. Alors il existe σ f 0 tel que la suite ( 1 n 1 n f (X k ) n k=0 E converge en loi vers σ f Z, avec Z N (0, 1). f (x)π(x) ) A. Popier (Université du Maine) MCMC. 10 / 31
14 THÉORÈME CENTRAL LIMITE. CALCUL DE σ f : f doit vérifier les hypothèses du théorème ergodique. On pose f = f E f (x)π(x), et pour i E, Alors (I P)Q f = f et (Qf ) x = + n=0 E x ( f (X n )). σf 2 = µ x ((Q f ) x ) 2 µ x (PQ f ) 2 x x E x E = 2 µ x (Q f ) x fx 2 µ x f x. x E x E A. Popier (Université du Maine) MCMC. 10 / 31
15 APÉRIODICITÉ. DÉFINITION Un état x est apériodique s il existe N N tel que (P n )(x, x) > 0 pour tout n N. LEMME Si P est irréductible et s il existe un état apériodique x, alors pour tout (y, z) E 2, il existe M N tel que (P n )(y, z) > 0 pour n M. En particulier tous les états sont apériodiques. THÉORÈME (KOLMOGOROV) Soient P une matrice irréductible, récurrente positive et apériodique et π l unique probabilité invariante. Alors pour tout x E, lim P(X n = x) = π x. n + A. Popier (Université du Maine) MCMC. 11 / 31
16 DANS LE CAS FINI. THÉORÈME Soient (X n ) n N irréductible apériodique sur un espace d états E fini, de matrice de transition P avec λ 1 = 1 > λ 2 >... > λ d > 1 valeurs propres de P, α = sup{ λ i, 2 i d} ]0, 1[, et π l unique probabilité réversible. Alors pour tout x E, tout n 1 et tout f : E R, avec E π (f ) = x E f (x)π(x), Var π (f ) = x E [f (x) E π (f )] 2 π(x), on obtient : [E(f (X n ) X 0 = x) E π (f )] 2 α2n π(x) Var π(f ). A. Popier (Université du Maine) MCMC. 12 / 31
17 CONDITION DE DOEBLIN. Pour tout (x, y) E 2, lim n + (Pn )(x, y) = µ y. CONDITION DE DOEBLIN : il existe une mesure non nulle π sur E et n 0 N tels que : NOTATION : β = x E m x. (x, y) E 2, (P n 0 )(x, y) m y. Si E est fini : LEMME Soit P irréductible et apériodique. La condition de Doeblin est satisfaite. Quand E est infini, en général pour tout n N et tout y E, inf x E (Pn )(x, y) = 0. A. Popier (Université du Maine) MCMC. 13 / 31
18 CONVERGENCE EXPONENTIELLE. THÉORÈME Supposons P irréductible et vérifiant la condition de Doeblin. Alors P est récurrente positive et apériodique, et si π désigne sa probabilité invariante, pour tout i E et n N : (P n )(x, y) π y 2(1 β) [n/n0]. y E Pour α R, [α] est la partie entière de α. A. Popier (Université du Maine) MCMC. 14 / 31
19 MCMC. MÉTHODE Pour calculer une intégrale par rapport à π, simuler une chaîne irréductible de probabilité réversible π, utiliser le théorème ergodique, contrôler l erreur via un des résultats précédents. PROBLÈME : σ f, n 0, β, α, Var π (f ) ne sont pas calculables. EN PRATIQUE : simuler en faisant démarrer d un état quelconque, jusqu à un instant N : préchauffage ; évaluer f (X N+κM ), κ 1 (M inférieur à N) : les X N+κM sont "presque" indépendantes (propriété de mélange) ; poser 1 K f (X N+κM ). K κ=1 A. Popier (Université du Maine) MCMC. 15 / 31
20 PLAN 1 RAPPELS SUR LES CHAÎNES DE MARKOV Théorème ergodique Vitesse de convergence? 2 ALGORITHME DE PROPP-WILSON 3 ALGORITHME DE METROPOLIS-HASTINGS 4 ÉCHANTILLONNAGE DE GIBBS A. Popier (Université du Maine) MCMC. 16 / 31
21 RAPPEL. PROPOSITION Soit (X n ) n N la chaîne de Markov de matrice de transition P. Alors il existe une application f : [0, 1] E E t.q. pour tout n X n+1 = f (X n, U n ), avec U n uniforme sur [0, 1]. Alors P(x, y) = P(f (U n, x) = y). Pour (U n ) n suite de v.a. i.i.d. : f n = f Un = f (U n,.) : E E et D n = f U1... f Un, G n = f Un... f U1. ALGORITHMES CLASSIQUES : simuler G n. ALGORITHME DE PROPP-WILSON : simuler D n! A. Popier (Université du Maine) MCMC. 17 / 31
22 L ALGORITHME. ALGORITHME DE PROPP-WILSON 1 D 0 (x) = x pour tout x. 2 Si pour 0 k n, D k simulée, et si D n n est pas constante, alors tirer U n+1 uniforme sur [0, 1], D n+1 = D n f n+1. RÉSULTAT : si l algorithme s arrête, le résultat est la v.a. Z = D T (x) avec T = inf {n N, D n constante}. C est le temps de coalescence de D n. A. Popier (Université du Maine) MCMC. 18 / 31
23 ÉTUDE THÉORIQUE. THÉORÈME Si P est irréductible et apériodique, et si T < + p.s., alors Z est distribuée selon la probabilité invariante π. PROBLÈMES : Coalescence de D n? Pas toujours vérifiée. Hypothèse suffisante : A E, A > 1 = P( f (A, U n ) < A ) α > 0. Pour E de grande taille, difficile à mettre en œuvre (calculs d images longs). En pratique ne calculer que l image de quelques points et s arrrêter lorsque les images de ces points sont les mêmes. A. Popier (Université du Maine) MCMC. 19 / 31
24 PLAN 1 RAPPELS SUR LES CHAÎNES DE MARKOV Théorème ergodique Vitesse de convergence? 2 ALGORITHME DE PROPP-WILSON 3 ALGORITHME DE METROPOLIS-HASTINGS 4 ÉCHANTILLONNAGE DE GIBBS A. Popier (Université du Maine) MCMC. 20 / 31
25 L ALGORITHME : LES DONNÉES. DONNÉES : matrice de transition Q sur espace d états fini ou dénombrable E, avec Q(x, y) > 0 = Q(y, x) > 0. π probabilité sur E, h :]0, + [ ]0, 1] t.q. h(u) = uh(1/u). Exemples On définit h(u) = min(1, u), h(u) = u 1 + u. ( ) π(y)q(y, x) h si Q(x, y) 0, α(x, y) = π(x)q(x, y) 0 sinon. A. Popier (Université du Maine) MCMC. 21 / 31
26 L ALGORITHME : DESCRIPTION. PAR RÉCURRENCE : 1 Choisir x 0 E fixé t.q. π(x 0 ) > 0. 2 Si pour 0 k n, X k = x k a été calculé, alors : ALGORITHME A. Simuler Y n et U n indépendantes de X k, k n, et indépendantes t.q. Y n de loi Q(x n,.), i.e. : y E, P(Y n = y) = Q(x n, y) ; U n uniforme sur [0, 1]. B. Calculer X n+1 par la règle : si U n α(x n, Y n), X n+1 = Y n : transition acceptée ; si U n > α(x n, Y n), X n+1 = X n : transition rejetée. A. Popier (Université du Maine) MCMC. 22 / 31
27 L ALGORITHME : REMARQUES. La chaîne ainsi créée ne visite que les états t.q. π(x) > 0. Pas de problème de division par zéro dans h. Choix de Q : doit respecter les propriétés qui suivent, doit faire en sorte que les Yn "faciles" à simuler. Choix de x 0 : sans véritable importance. A. Popier (Université du Maine) MCMC. 23 / 31
28 ÉTUDE DE LA CHAÎNE CONSTRUITE. PROPOSITION Le processus (X n ) est une chaîne de Markov de matrice de transition P définie par ( ) π(y)q(y, x) P(x, y) = Q(x, y)α(x, y) = Q(x, y)h, si x y, π(x)q(x, y) P(x, x) = 1 y x P(x, y). De plus π est une probabilité réversible pour P. PROPOSITION Si Q est irréductible, alors la matrice de transition P est irréductible. Si Q est apériodique, ou si h < 1, alors P est apériodique. A. Popier (Université du Maine) MCMC. 24 / 31
29 DIFFÉRENTS CAS. ALGORITHME DE METROPOLIS ou symétrique : PROPOSITION (ALGORITHME DE METROPOLIS) Soit π une probabilité non constante sur E, Q une matrice de transition symétrique irréductible. Alors la matrice de transition P est irréductible apériodique. PROCÉDURE DE TEST : ( α(x, y) = min 1, π(y) ). π(x) "Optimal" si π(y n )/π(x n ) pas trop petit... A. Popier (Université du Maine) MCMC. 25 / 31
30 DIFFÉRENTS CAS. ALGORITHME INDÉPENDANT : Q(x, y) = q(y) (toutes les lignes sont égales). ( α(x, y) = min 1, π(y)q(x) ). π(x)q(y) Valeur de Y n indépendante de X n ; mais rejet dépendant de X n. PROPOSITION Si q est strictement positive (presque partout sur le support de π), la matrice de transition P est irréductible apériodique. A. Popier (Université du Maine) MCMC. 25 / 31
31 DIFFÉRENTS CAS. ALGORITHME À MARCHE ALÉATOIRE : Q(x, y) = q(y x). ( ) π(y)q(x y) α(x, y) = min 1,. π(x)q(y x) Si q est symétrique, q(t) = q( t), α(x, y) = min EXEMPLE : q(t) = 1 2 (δ 1 + δ 1 ). ( 1, π(y) ). π(x) PROPOSITION Si q est non nulle sur un "voisinage" de 0, la matrice de transition P est irréductible apériodique. A. Popier (Université du Maine) MCMC. 25 / 31
32 CAS DES MESURES DE GIBBS. DÉFINITION Soit E fini, β > 0 constante et V : E R fonction. La mesure de Gibbs associée à β et V est définie par : π(x) = exp( βv (x)) Z β où Z β est la constante de normalisation : Z β = x E exp( βv (x)). PROPOSITION Ces probabilités maximisent l entropie H(µ) = x E µ(x) ln(µ(x)), avec y ln(y) = 0 si y = 0, parmi les probabilités µ t.q. x E V (x)µ(x) = C fixée. A. Popier (Université du Maine) MCMC. 26 / 31
33 CAS DES MESURES DE GIBBS. DÉFINITION Soit E fini, β > 0 constante et V : E R fonction. La mesure de Gibbs associée à β et V est définie par : π(x) = exp( βv (x)) Z β où Z β est la constante de normalisation : Z β = x E exp( βv (x)). Choisir Q symétrique et irréductible ; alors : α(x, y) = min(1, π(y)/π(x)) = exp( β(v (y) V (x)) + ). A. Popier (Université du Maine) MCMC. 26 / 31
34 EXTENSION À DES ESPACES NON DÉNOMBRABLES. DÉFINITION L algorithme de Metropolis-Hastings associé à la loi cible de densité f et à la loi instrumentale q produit une chaîne de Markov (x (n) ) de transition : pour x (n) donné, 1 générer y q(y x (n) ), 2 prendre { x (n+1) y avec probabilité α(x = (n), y), x (n) avec probabilité 1 α(x (n), y), ( ) f (y)q(x (n) y) où α(x, y) = h f (x (n) )q(y x (n). ) A. Popier (Université du Maine) MCMC. 27 / 31
35 PLAN 1 RAPPELS SUR LES CHAÎNES DE MARKOV Théorème ergodique Vitesse de convergence? 2 ALGORITHME DE PROPP-WILSON 3 ALGORITHME DE METROPOLIS-HASTINGS 4 ÉCHANTILLONNAGE DE GIBBS A. Popier (Université du Maine) MCMC. 28 / 31
36 DISTINCTION AVEC METROPOLIS-HASTINGS. Taux d acceptation uniformément égal à 1. Critères sur taux d acceptation optimaux non valables. Convergence à établir suivant d autres crières. Limitations fortes sur le choix des paramètres des lois instrumentales. Connaissance préalable de certaines propriétés (probabilistes ou analytiques) de la loi cible. Nécessairement multidimensionnel. Ne fonctionne pas lorsque le nombre de variables est variable. A. Popier (Université du Maine) MCMC. 29 / 31
37 STRUCTURE DE L ALGORITHME. HYPOTHÈSES : il existe p > 1 t.q. x dans l espace d états se décompose en (x 1, x 2,..., x p ) ; les densités conditionnelles correspondantes sont simumlables. ALGORITHME D ÉCHANTILLONNAGE DE GIBBS. Transition de x (n) à x (n+1) : 1. x (n+1) 1 f 1 (x 1 x (n) 2,..., x (n) p ), 2. x (n+1) 2 f 2 (x 2 x (n+1) 1, x (n) 3,..., x (n) p ),... P. x (n+1) p f p (x p x (n+1) 1,..., x (n+1) p 1 ). A. Popier (Université du Maine) MCMC. 30 / 31
38 ANALYSE DE L ALGORITHME. THÉORÈME. L algorithme d échantillonnage de Gibbs admet f comme loi invariante, donc limite si la chaîne produite est ergodique. THÉORÈME. L algorithme d échantillonnage de Gibbs correspond à la composition de p algorithmes de Metropolis-Hastings de probabilités d acceptation uniformément égales à 1. LEMME (HAMMERSLEY-CLIFFORD) La connaissance de toutes les lois conditionnelles permet de calculer la loi jointe (sous une condition dite de positivité). A. Popier (Université du Maine) MCMC. 31 / 31
Chapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en 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 détailChapitre 3. Algorithmes stochastiques. 3.1 Introduction
Chapitre 3 Algorithmes stochastiques 3.1 Introduction Les algorithmes stochastiques sont des techniques de simulation numériques de chaînes de Markov, visant à résoudre des problèmes d optimisation ou
Plus en détailMÉTHODE DE MONTE CARLO.
MÉTHODE DE MONTE CARLO. Alexandre Popier Université du Maine, Le Mans A. Popier (Le Mans) Méthode de Monte Carlo. 1 / 95 PLAN DU COURS 1 MÉTHODE DE MONTE CARLO 2 PROBLÈME DE SIMULATION Théorème fondamental
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en 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 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 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 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 détailCapacité d un canal Second Théorème de Shannon. Théorie de l information 1/34
Capacité d un canal Second Théorème de Shannon Théorie de l information 1/34 Plan du cours 1. Canaux discrets sans mémoire, exemples ; 2. Capacité ; 3. Canaux symétriques ; 4. Codage de canal ; 5. Second
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
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 détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailEspérance conditionnelle
Espérance conditionnelle Samy Tindel Nancy-Université Master 1 - Nancy Samy T. (IECN) M1 - Espérance conditionnelle Nancy-Université 1 / 58 Plan 1 Définition 2 Exemples 3 Propriétés de l espérance conditionnelle
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en 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 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 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 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 détailIntroduction à la théorie des files d'attente. Claude Chaudet Claude.Chaudet@enst.fr
Introduction à la théorie des files d'attente Claude Chaudet Claude.Chaudet@enst.fr La théorie des files d'attente... Principe: modélisation mathématique de l accès à une ressource partagée Exemples réseaux
Plus en 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 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 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 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 détailThéorie de la Mesure et Intégration
Ecole Nationale de la Statistique et de l Administration Economique Théorie de la Mesure et Intégration Xavier MARY 2 Table des matières I Théorie de la mesure 11 1 Algèbres et tribus de parties d un ensemble
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailModule 7: Chaînes de Markov à temps continu
Module 7: Chaînes de Markov à temps continu Patrick Thiran 1 Introduction aux chaînes de Markov à temps continu 1.1 (Première) définition Ce module est consacré aux processus à temps continu {X(t), t R
Plus en détailChapitre 2. Eléments pour comprendre un énoncé
Chapitre 2 Eléments pour comprendre un énoncé Ce chapitre est consacré à la compréhension d un énoncé. Pour démontrer un énoncé donné, il faut se reporter au chapitre suivant. Les tables de vérité données
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailSuites numériques 4. 1 Autres recettes pour calculer les limites
Suites numériques 4 1 Autres recettes pour calculer les limites La propriété suivante permet de calculer certaines limites comme on verra dans les exemples qui suivent. Propriété 1. Si u n l et fx) est
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 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 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 détailCondition de stabilité d'un réseau de les d'attente à deux stations et N classes de clients 1
General Mathematics Vol. 18, No. 4 (2010), 85108 Condition de stabilité d'un réseau de les d'attente à deux stations et N classes de clients 1 Faiza Belarbi, Amina Angelika Bouchentouf Résumé Nous étudions
Plus en détailIntroduction à la statistique non paramétrique
Introduction à la statistique non paramétrique Catherine MATIAS CNRS, Laboratoire Statistique & Génome, Évry http://stat.genopole.cnrs.fr/ cmatias Atelier SFDS 27/28 septembre 2012 Partie 2 : Tests non
Plus en détailTests du χ 2. on accepte H 0 bonne décision erreur de seconde espèce on rejette H 0 erreur de première espèce bonne décision
Page n 1. Tests du χ 2 une des fonctions des statistiques est de proposer, à partir d observations d un phénomène aléatoire (ou modélisé comme tel) une estimation de la loi de ce phénomène. C est que nous
Plus en détailPROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390
PROBABILITÉS: COURS DE LICENCE DE MATHÉMATIQUES APPLIQUÉES LM 390 Université PARIS 6 2008/2009 Jean BERTOIN 1 Table des Matières ( ) ces parties peuvent ^etre omises en première lecture, et ne feront pas
Plus en détailThèse. présentée en vu d obtenir le grade de Docteur, spécialité «Mathématiques Appliquées» par. ARRAR Nawel Khadidja
Université Badji Mokhtar-Annaba, Algérie Université Paris 1, Panthéon-Sorbonne, France Ecole Doctorale Sciences Mathématiques de Paris centre Laboratoire LaPS et LANOS, Annaba Laboratoire SAMM, Paris 1
Plus en détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailChapitre VI - Méthodes de factorisation
Université Pierre et Marie Curie Cours de cryptographie MM067-2012/13 Alain Kraus Chapitre VI - Méthodes de factorisation Le problème de la factorisation des grands entiers est a priori très difficile.
Plus en détailCalcul Stochastique pour la finance. Romuald ELIE
Calcul Stochastique pour la finance Romuald ELIE 2 Nota : Ces notes de cours sont librement inspirées de différentes manuels, polycopiés, notes de cours ou ouvrages. Citons en particulier ceux de Francis
Plus en détailProbabilités et statistique. Benjamin JOURDAIN
Probabilités et statistique Benjamin JOURDAIN 11 septembre 2013 2 i ii À Anne Préface Ce livre est issu du polycopié du cours de probabilités et statistique de première année de l École des Ponts ParisTech
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailLes mathématiques de la finance Université d été de Sourdun Olivier Bardou olivier.bardou@gdfsuez.com 28 août 2012 De quoi allons nous parler? des principales hypothèses de modélisation des marchés, des
Plus en détail1.1 Codage de source et test d hypothèse
Théorie de l information et codage 200/20 Cours 8février20 Enseignant: Marc Lelarge Scribe: Marc Lelarge Pour information Page webdu cours http://www.di.ens.fr/~lelarge/info.html Notations Pour des variables
Plus en détailPRIME D UNE OPTION D ACHAT OU DE VENTE
Université Paris VII - Agrégation de Mathématiques François Delarue) PRIME D UNE OPTION D ACHAT OU DE VENTE Ce texte vise à modéliser de façon simple l évolution d un actif financier à risque, et à introduire,
Plus en détailTravaux dirigés d introduction aux Probabilités
Travaux dirigés d introduction aux Probabilités - Dénombrement - - Probabilités Élémentaires - - Variables Aléatoires Discrètes - - Variables Aléatoires Continues - 1 - Dénombrement - Exercice 1 Combien
Plus en détailProbabilités et Statistiques. Feuille 2 : variables aléatoires discrètes
IUT HSE Probabilités et Statistiques Feuille : variables aléatoires discrètes 1 Exercices Dénombrements Exercice 1. On souhaite ranger sur une étagère 4 livres de mathématiques (distincts), 6 livres de
Plus en détailFIMA, 7 juillet 2005
F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation
Plus en 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 détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailExercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT
Exercices types Algorithmique et simulation numérique Oral Mathématiques et algorithmique Banque PT Ces exercices portent sur les items 2, 3 et 5 du programme d informatique des classes préparatoires,
Plus en détailPRÉCIS DE SIMULATION
PRÉCIS DE SIMULATION P. Del Moral Centre INRIA Bordeaux Sud-Ouest & Institut de Mathématiques de Bordeaux Université Bordeaux I, 351, cours de la Libération 33405 Talence, France Table des matières 1
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailModélisation et simulation
Modélisation et simulation p. 1/36 Modélisation et simulation INFO-F-305 Gianluca Bontempi Département d Informatique Boulevard de Triomphe - CP 212 http://www.ulb.ac.be/di Modélisation et simulation p.
Plus en détailMouad Ben Mamoun Master Offshoring Informatique Appliquée
Cours Evaluation de performances des Systèmes Informatiques Mouad Ben Mamoun Master Offshoring Informatique Appliquée Département d Informatique, Université Mohammed V-Agdal email:ben mamoun@fsr.ac.ma
Plus en détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en détailTIQUE DE FRANCE NILSYSTÈMES D ORDRE 2 ET PARALLÉLÉPIPÈDES
Bulletin de la SOCIÉTÉ MATHÉMATIQUE DE FRANCE NILSYSTÈMES D ORDRE 2 ET PARALLÉLÉPIPÈDES Bernard Host & Alejandro Maass Tome 135 Fascicule 3 2007 SOCIÉTÉ MATHÉMATIQUE DE FRANCE Publié avec le concours du
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 détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailCalcul fonctionnel holomorphe dans les algèbres de Banach
Chapitre 7 Calcul fonctionnel holomorphe dans les algèbres de Banach L objet de ce chapitre est de définir un calcul fonctionnel holomorphe qui prolonge le calcul fonctionnel polynômial et qui respecte
Plus en détailIntégration et probabilités ENS Paris, 2012-2013. TD (20)13 Lois des grands nombres, théorème central limite. Corrigé :
Itégratio et probabilités EN Paris, 202-203 TD 203 Lois des grads ombres, théorème cetral limite. Corrigé Lois des grads ombres Exercice. Calculer e cet leços Détermier les limites suivates : x +... +
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 détailIFT3245. Simulation et modèles
IFT 3245 Simulation et modèles DIRO Université de Montréal Automne 2012 Tests statistiques L étude des propriétés théoriques d un générateur ne suffit; il estindispensable de recourir à des tests statistiques
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en 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 détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailCours de gestion des risques d assurances et de théorie de la ruine. Stéphane Loisel
Cours de gestion des risques d assurances et de théorie de la ruine Stéphane Loisel ISFA, 2005-2006 Table des matières I Modélisation de la charge sinistre : du modèle individuel au modèle collectif 5
Plus en détailJean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux
Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis
Plus en détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
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 détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
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 détailAlgorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
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 détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
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 détailMarkov processes and applications to queueing/risk/storage theory and mathematical biology
Markov processes and applications to queueing/risk/storage theory and mathematical biology Florin Avram Contents 1 Introduction aux processus stochastiques/aléatoires 3 2 Marches aléatoires et récurrences
Plus en détail4 Distributions particulières de probabilités
4 Distributions particulières de probabilités 4.1 Distributions discrètes usuelles Les variables aléatoires discrètes sont réparties en catégories selon le type de leur loi. 4.1.1 Variable de Bernoulli
Plus en 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 détailChap 4. La fonction exponentielle Terminale S. Lemme : Si est une fonction dérivable sur R telle que : = et 0! = 1 alors ne s annule pas sur R.
Lemme : Si est une fonction dérivable sur R telle que : = et 0! = 1 alors ne s annule pas sur R. Démonstration : Soit la fonction %:& %&!= &!, elle est dérivable sur R et & R, %. &!= &! = &! = %&! gaelle.buffet@ac-montpellier.fr
Plus en 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 détailI3, Probabilités 2014 Travaux Dirigés F BM F BM F BM F BM F B M F B M F B M F B M 20 20 80 80 100 100 300 300
I3, Probabilités 2014 Travaux Dirigés TD 1 : rappels. Exercice 1 Poker simplié On tire 3 cartes d'un jeu de 52 cartes. Quelles sont les probabilités d'obtenir un brelan, une couleur, une paire, une suite,
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 détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en détail