De la cellule au refroidissement de BEG
|
|
- Raymond Vachon
- il y a 6 ans
- Total affichages :
Transcription
1 De la cellule au refroidissement de BEG Philippe Thieullen Université Bordeaux 1, Institut de Mathématiques octobre 2010 Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 1/23
2 Le plan de l exposé De Hamilton-Jacobi à Frenkel-Kontorova 2 De Frenkel-Kontorova aux systèmes dynamiques 3 Refroidissement de Blume-Emery-Griffiths Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 2/23
3 De Hamilton-Jacobi à Frenkel-Kontorova Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 3/23
4 Equation de la cellule Les hypothèses : H(x, p) lisse, périodique en x, strictement convexe en p. Trouver pour tout P, une fonction périodique u(x) et une constante H(P ) telles que H(x, du(x) + P ) = H(P ), x R d. L approche théorique : l approximation ergodique ou pénalisée. Trouver pour tout δ > 0, u δ (x) périodique telle que δu δ (x) + H(x, du δ (x) + P ) = 0, x R d. Les résultats classiques : δ i u δi = H(P ), u δi = u uniformément. Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 4/23
5 Equation de la cellule Les hypothèses : H(x, p) lisse, périodique en x, strictement convexe en p. Trouver pour tout P, une fonction périodique u(x) et une constante H(P ) telles que H(x, du(x) + P ) = H(P ), x R d. L approche théorique : l approximation ergodique ou pénalisée. Trouver pour tout δ > 0, u δ (x) périodique telle que δu δ (x) + H(x, du δ (x) + P ) = 0, x R d. Les résultats classiques : δ i u δi = H(P ), u δi = u uniformément. Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 4/23
6 Equation de la cellule Les hypothèses : H(x, p) lisse, périodique en x, strictement convexe en p. Trouver pour tout P, une fonction périodique u(x) et une constante H(P ) telles que H(x, du(x) + P ) = H(P ), x R d. L approche théorique : l approximation ergodique ou pénalisée. Trouver pour tout δ > 0, u δ (x) périodique telle que δu δ (x) + H(x, du δ (x) + P ) = 0, x R d. Les résultats classiques : δ i u δi = H(P ), u δi = u uniformément. Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 4/23
7 Equation de la cellule approchée (1) La solution de l approximation pénalisée est donnée par { 0 [ ] u δ (x) := inf L(γ(s), γ(s)) P γ(s) e δ s ds : } γ W 1, (], 0]; R d ), γ(0) = x δu δ + H(x, du δ + P ) = 0, L(x, v) := sup{p v H(x, p)}. p Idée : discrétiser la fonction valeur { u τ δ (x) := inf τ [ ] L(x k, v k ) P v k (1 τδ) k : k=1 } v = (v k ) k bornée, x k+1 = x k + τv k, x 0 = x Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 5/23
8 Equation de la cellule approchée (1) La solution de l approximation pénalisée est donnée par { 0 [ ] u δ (x) := inf L(γ(s), γ(s)) P γ(s) e δ s ds : } γ W 1, (], 0]; R d ), γ(0) = x δu δ + H(x, du δ + P ) = 0, L(x, v) := sup{p v H(x, p)}. p Idée : discrétiser la fonction valeur { u τ δ (x) := inf τ [ ] L(x k, v k ) P v k (1 τδ) k : k=1 } v = (v k ) k bornée, x k+1 = x k + τv k, x 0 = x Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 5/23
9 Equation de la cellule approchée (2) Principe de programmation dynamique discret : { δu τ δ (x) + sup (1 τδ) uτ δ (x) uτ δ (x τv) v τ Permet d obtenir une équation discrétisée de la cellule sup v } L(x, v) + P v = 0. { u τ δ (x) u τ δ (x τv) } L(x, v) + P v = τ H(P ). Exemple : H(x, p) := 1 2 p 2 + V (x), L(x, v) = 1 2 v 2 V (x), E(x, y) = τ 2 L ( x k, y x ), τ u(y) = τu τ δ (x), λ := τp, Ē(λ) := τ 2 H(P ), V (x) := 1 ( ) (2π) 2 1 cos(2πx) Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 6/23
10 Equation de la cellule approchée (2) Principe de programmation dynamique discret : { δu τ δ (x) + sup (1 τδ) uτ δ (x) uτ δ (x τv) v τ Permet d obtenir une équation discrétisée de la cellule sup v } L(x, v) + P v = 0. { u τ δ (x) u τ δ (x τv) } L(x, v) + P v = τ H(P ). Exemple : H(x, p) := 1 2 p 2 + V (x), L(x, v) = 1 2 v 2 V (x), E(x, y) = τ 2 L ( x k, y x ), τ u(y) = τu τ δ (x), λ := τp, Ē(λ) := τ 2 H(P ), V (x) := 1 ( ) (2π) 2 1 cos(2πx) Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 6/23
11 Equation de la cellule approchée (2) Principe de programmation dynamique discret : { δu τ δ (x) + sup (1 τδ) uτ δ (x) uτ δ (x τv) v τ Permet d obtenir une équation discrétisée de la cellule sup v } L(x, v) + P v = 0. { u τ δ (x) u τ δ (x τv) } L(x, v) + P v = τ H(P ). Exemple : H(x, p) := 1 2 p 2 + V (x), L(x, v) = 1 2 v 2 V (x), E(x, y) = τ 2 L ( x k, y x ), τ u(y) = τu τ δ (x), λ := τp, Ē(λ) := τ 2 H(P ), V (x) := 1 ( ) (2π) 2 1 cos(2πx) Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 6/23
12 Equation de la cellule approchée (3) Le problème discrétisé de la cellule revient à résoudre { u(y) + Ē(λ) = min x{u(x) + E(x, y) λ (y x)}, y R d, u(x) périodique. Dans l exemple précédent E(x, y) λ (y x) = 1 2 y x 2 + τ 2 (2π) 2 ( 1 cos(2πx) ) +τp (y x). Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 7/23
13 Equation de la cellule approchée (3) Le problème discrétisé de la cellule revient à résoudre { u(y) + Ē(λ) = min x{u(x) + E(x, y) λ (y x)}, y R d, u(x) périodique. Dans l exemple précédent E(x, y) λ (y x) = 1 2 y x 2 + τ 2 (2π) 2 ( 1 cos(2πx) ) +τp (y x). Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 7/23
14 Modèle de Frenkel-Kontorova (1) Interaction élastique x i 1 x i x i 1 x i 2 Potentiel périodique E 0 (x, y) = W (x, y) + V (x), W (x, y) = 1 2 y x 2, V (x) = K ( ) (2π) 2 1 cos(2πx) E λ (x, y) = E 0 (x, y) λ(y x). Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 8/23
15 Modèle de Frenkel-Kontorova (2) Configuration minimisante : x := (..., x n, x n+1,..., x n+k,...) { E(x n, x n+1,..., x n+k ) E(y n, x n+1,..., y n+k ) y configuration telle que y n = x n et y n+k = x n+k. Configuration calibrée : suppose x vérifie E(x k, x k+1 ) = u(x k+1 ) u(x k ) + Ē, E(x, y) u(y) u(x) + Ē, x, y u(x) est périodique, alors x est fortement minimisante de manière évidente. Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 9/23
16 Modèle de Frenkel-Kontorova (2) Configuration minimisante : x := (..., x n, x n+1,..., x n+k,...) { E(x n, x n+1,..., x n+k ) E(y n, x n+1,..., y n+k ) y configuration telle que y n = x n et y n+k = x n+k. Configuration calibrée : suppose x vérifie E(x k, x k+1 ) = u(x k+1 ) u(x k ) + Ē, E(x, y) u(y) u(x) + Ē, x, y u(x) est périodique, alors x est fortement minimisante de manière évidente. Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 9/23
17 Modèle de Frenkel-Kontorova (3) On revient au problème : trouver u périodique et Ē tels que { u(y) + Ē(λ) = min x{u(x) + E(x, y) λ (y x)}, y R d, u(x) périodique. Une théorie d Aubry-Mather discrete peut être développée dès que E(x, y) est C 2, E(x + n, y + n) = E(x, y), n Z d, twist : 2 E < 0, x y E(x, y) est superlinéaire en y x. Questions : forme de l énergie effective Ē, forme de l ensemble d Aubry-Mather? Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 10/23
18 Modèle de Frenkel-Kontorova (3) On revient au problème : trouver u périodique et Ē tels que { u(y) + Ē(λ) = min x{u(x) + E(x, y) λ (y x)}, y R d, u(x) périodique. Une théorie d Aubry-Mather discrete peut être développée dès que E(x, y) est C 2, E(x + n, y + n) = E(x, y), n Z d, twist : 2 E < 0, x y E(x, y) est superlinéaire en y x. Questions : forme de l énergie effective Ē, forme de l ensemble d Aubry-Mather? Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 10/23
19 Modèle de Frenkel-Kontorova (3) On revient au problème : trouver u périodique et Ē tels que { u(y) + Ē(λ) = min x{u(x) + E(x, y) λ (y x)}, y R d, u(x) périodique. Une théorie d Aubry-Mather discrete peut être développée dès que E(x, y) est C 2, E(x + n, y + n) = E(x, y), n Z d, twist : 2 E < 0, x y E(x, y) est superlinéaire en y x. Questions : forme de l énergie effective Ē, forme de l ensemble d Aubry-Mather? Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 10/23
20 Frenkel-Kontorova numérique (1) Diagramme de phase de FK selon le nombre de rotation de Aubry-MAther E λ,k (x, y) = 1 2 y x 2 λ(y x) + K (2π) 2 ( 1 cos(2πx) ) /2 ω ω /6 1/7 1/8 2/7 1/4 2/9 1/5 1/3 3/7 2/5 3/ λ λ K = 3, ω = E λ, blocage aux nombres de rotation ω Q Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 11/23
21 Frenkel-Kontorova numérique (2) K λ Diagramme complet en (λ, K) Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 12/23
22 Frenkel-Kontorova numérique (3) Résoudre l équation en (u, Ē) revient à chercher un point fixe de Lax-Oleinik discret { T [u](y) := min x {u(x) + E(x, y)}, u + Ē = T [u]. On modifie d abord T par : T [u] = T [u] min T [u] Ishikawa (1976) remarque que : 1) T est contractant (au sens large) et 2) T préserve un convex compact dans C 0 (T d, R). Alors u k+1 := 1 ( u k + 2 T ) [u k ] un point fixe de T. Discrétisation en espace T,N [u](x j ) := min x i {u(x i ) + E(x i, x j )}, x i = i N, i (Z/NZ)d. Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 13/23
23 Frenkel-Kontorova numérique (3) Résoudre l équation en (u, Ē) revient à chercher un point fixe de Lax-Oleinik discret { T [u](y) := min x {u(x) + E(x, y)}, u + Ē = T [u]. On modifie d abord T par : T [u] = T [u] min T [u] Ishikawa (1976) remarque que : 1) T est contractant (au sens large) et 2) T préserve un convex compact dans C 0 (T d, R). Alors u k+1 := 1 ( u k + 2 T ) [u k ] un point fixe de T. Discrétisation en espace T,N [u](x j ) := min x i {u(x i ) + E(x i, x j )}, x i = i N, i (Z/NZ)d. Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 13/23
24 Frenkel-Kontorova numérique (3) Résoudre l équation en (u, Ē) revient à chercher un point fixe de Lax-Oleinik discret { T [u](y) := min x {u(x) + E(x, y)}, u + Ē = T [u]. On modifie d abord T par : T [u] = T [u] min T [u] Ishikawa (1976) remarque que : 1) T est contractant (au sens large) et 2) T préserve un convex compact dans C 0 (T d, R). Alors u k+1 := 1 ( u k + 2 T ) [u k ] un point fixe de T. Discrétisation en espace T,N [u](x j ) := min x i {u(x i ) + E(x i, x j )}, x i = i N, i (Z/NZ)d. Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 13/23
25 Frenkel-Kontorova numérique (3) Résoudre l équation en (u, Ē) revient à chercher un point fixe de Lax-Oleinik discret { T [u](y) := min x {u(x) + E(x, y)}, u + Ē = T [u]. On modifie d abord T par : T [u] = T [u] min T [u] Ishikawa (1976) remarque que : 1) T est contractant (au sens large) et 2) T préserve un convex compact dans C 0 (T d, R). Alors u k+1 := 1 ( u k + 2 T ) [u k ] un point fixe de T. Discrétisation en espace T,N [u](x j ) := min x i {u(x i ) + E(x i, x j )}, x i = i N, i (Z/NZ)d. Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 13/23
26 De Frenkel-Kontorova aux systèmes dynamiques Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 14/23
27 Formalisme thermodynamique sur un shift La discrétisation de l équation de la cellule en temps et en espace revient à comprendre le problème { S := {1,..., N}, u : S R, E : S S R, Ē = max u min i,j S {E(i, j) u(j) + u(i))}, j S. Le problème dual associé Ē = min π i,j E(i, j)π(i, j), i π(i, j) = i π(j, i), π(i, j) 0, π(i, j) = 1. i,j On oublie la discrétisation et on introduit : Σ + = S N : l ensemble des suite x = (x 0, x 1,...), σ : Σ + Σ + : le décalage à gauche, E(x) : Σ + R, (E(x) = E(x 0, x 1) dans le cas précédent). Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 15/23
28 Formalisme thermodynamique sur un shift La discrétisation de l équation de la cellule en temps et en espace revient à comprendre le problème { S := {1,..., N}, u : S R, E : S S R, Ē = max u min i,j S {E(i, j) u(j) + u(i))}, j S. Le problème dual associé Ē = min π i,j E(i, j)π(i, j), i π(i, j) = i π(j, i), π(i, j) 0, π(i, j) = 1. i,j On oublie la discrétisation et on introduit : Σ + = S N : l ensemble des suite x = (x 0, x 1,...), σ : Σ + Σ + : le décalage à gauche, E(x) : Σ + R, (E(x) = E(x 0, x 1) dans le cas précédent). Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 15/23
29 Formalisme thermodynamique sur un shift La discrétisation de l équation de la cellule en temps et en espace revient à comprendre le problème { S := {1,..., N}, u : S R, E : S S R, Ē = max u min i,j S {E(i, j) u(j) + u(i))}, j S. Le problème dual associé Ē = min π i,j E(i, j)π(i, j), i π(i, j) = i π(j, i), π(i, j) 0, π(i, j) = 1. i,j On oublie la discrétisation et on introduit : Σ + = S N : l ensemble des suite x = (x 0, x 1,...), σ : Σ + Σ + : le décalage à gauche, E(x) : Σ + R, (E(x) = E(x 0, x 1) dans le cas précédent). Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 15/23
30 Aubry-Mather sur les shift σ : Σ Σ un système dynamique, E : Σ R Hölder, { } Ē := min E dµ : µ proba invarinate par σ, l énergie effective. La barrière de Peierls : S ɛ n(x, y) := inf z,n h(x, y) := lim lim ɛ 0 n + Sɛ n(x, y), } (E Ē) σk (z) : d(z, x) < ɛ et d(σ n (z), y) < ɛ, { n 1 k=0 L ensemble d Aubry Ω(E) := {x Σ : h(x, x) = 0}. Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 16/23
31 Aubry-Mather sur les shift σ : Σ Σ un système dynamique, E : Σ R Hölder, { } Ē := min E dµ : µ proba invarinate par σ, l énergie effective. La barrière de Peierls : S ɛ n(x, y) := inf z,n h(x, y) := lim lim ɛ 0 n + Sɛ n(x, y), } (E Ē) σk (z) : d(z, x) < ɛ et d(σ n (z), y) < ɛ, { n 1 k=0 L ensemble d Aubry Ω(E) := {x Σ : h(x, x) = 0}. Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 16/23
32 Aubry-Mather sur les shift σ : Σ Σ un système dynamique, E : Σ R Hölder, { } Ē := min E dµ : µ proba invarinate par σ, l énergie effective. La barrière de Peierls : S ɛ n(x, y) := inf z,n h(x, y) := lim lim ɛ 0 n + Sɛ n(x, y), } (E Ē) σk (z) : d(z, x) < ɛ et d(σ n (z), y) < ɛ, { n 1 k=0 L ensemble d Aubry Ω(E) := {x Σ : h(x, x) = 0}. Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 16/23
33 Formalisme thermodynamique Questions : Comment sélectioner une mesure minimisante? Mesure de Gibbs à température T = β 1 : ( µ βe ([C n (x)] exp β ) n 1 k=0 E σk (x) + npres(βe), µ βe est une probabilité σ-invariante, a n b n C, t.q. C 1 a n /b n C, n. Résultats simples : Pres(βE) + βē Ent(Ω(E)), Tout point d acumulation de µ βe est une mesure minimisante d entropie topologique de Ω(E) maximale, A-t-on convergence de µ βe? Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 17/23
34 Formalisme thermodynamique Questions : Comment sélectioner une mesure minimisante? Mesure de Gibbs à température T = β 1 : ( µ βe ([C n (x)] exp β ) n 1 k=0 E σk (x) + npres(βe), µ βe est une probabilité σ-invariante, a n b n C, t.q. C 1 a n /b n C, n. Résultats simples : Pres(βE) + βē Ent(Ω(E)), Tout point d acumulation de µ βe est une mesure minimisante d entropie topologique de Ω(E) maximale, A-t-on convergence de µ βe? Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 17/23
35 Formalisme thermodynamique Questions : Comment sélectioner une mesure minimisante? Mesure de Gibbs à température T = β 1 : ( µ βe ([C n (x)] exp β ) n 1 k=0 E σk (x) + npres(βe), µ βe est une probabilité σ-invariante, a n b n C, t.q. C 1 a n /b n C, n. Résultats simples : Pres(βE) + βē Ent(Ω(E)), Tout point d acumulation de µ βe est une mesure minimisante d entropie topologique de Ω(E) maximale, A-t-on convergence de µ βe? Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 17/23
36 Refroidissement d un système dynamique Hypothèse : nombre fini de composantes irréductibles x y h(x, y) + h(y, x) = 0, Ω(E) = Ω 0 Ω 1... Ω r, Ent(Ω 0 ) > max Ent(Ω i ). i L équation aux valeurs propres de l opérateur de Ruelle e βe(x ) Φ β (x ) = e Pres(βE) Φ β (x), x Σ +, x :σ(x )=x Φ β (x) = e βu β(x), x 0 Ω 0, u β (x 0 ) = 0, Théorème : u β (x) u(x) := h(x 0, x), u(x) + Ē = (uniformément en x), min x :σ(x )=x {u(x ) + E(x )}, x Σ +. Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 18/23
37 Refroidissement d un système dynamique Hypothèse : nombre fini de composantes irréductibles x y h(x, y) + h(y, x) = 0, Ω(E) = Ω 0 Ω 1... Ω r, Ent(Ω 0 ) > max Ent(Ω i ). i L équation aux valeurs propres de l opérateur de Ruelle e βe(x ) Φ β (x ) = e Pres(βE) Φ β (x), x Σ +, x :σ(x )=x Φ β (x) = e βu β(x), x 0 Ω 0, u β (x 0 ) = 0, Théorème : u β (x) u(x) := h(x 0, x), u(x) + Ē = (uniformément en x), min x :σ(x )=x {u(x ) + E(x )}, x Σ +. Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 18/23
38 Refroidissement d un système dynamique Hypothèse : nombre fini de composantes irréductibles x y h(x, y) + h(y, x) = 0, Ω(E) = Ω 0 Ω 1... Ω r, Ent(Ω 0 ) > max Ent(Ω i ). i L équation aux valeurs propres de l opérateur de Ruelle e βe(x ) Φ β (x ) = e Pres(βE) Φ β (x), x Σ +, x :σ(x )=x Φ β (x) = e βu β(x), x 0 Ω 0, u β (x 0 ) = 0, Théorème : u β (x) u(x) := h(x 0, x), u(x) + Ē = (uniformément en x), min x :σ(x )=x {u(x ) + E(x )}, x Σ +. Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 18/23
39 Refroidissement de Blume-Emery-Griffiths Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 19/23
40 > > > > Le modèle de BEG x i 1 > > > x i x i 1 x i 2 > L énergie d interaction : S := { 1, 0, +1}, E(x) = J i,j x i x j K i,j x 2 i x 2 j + i x 2 i (Les états ±1 représent l atome He 4, l état 0 représente He 3, J > 0 pour le cas ferromagnétique). Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 20/23
41 Mesure de Gibbs de BEG Equation de Ruelle : ɛ J K+ ɛ 1 2 ɛ J K+ ɛ = e β, M ɛ = ɛ ɛ 1 2, M ɛ R ɛ = λ ɛ R ɛ. ɛ J K+ ɛ 1 2 ɛ J K+ Graphe des interactions et cycles minimisants Moyenne de E le long des cycles simples : cycles d ordre 1 0, ( J K + ) 1 cycles d ordre 2 2, (J K + ) 1 cycles d ordre 3 3 (J K + 2 ) Une mesure minimisante = mesure invariante supportée par un cycle minimisant. Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 21/23
42 Mesure de Gibbs de BEG Equation de Ruelle : ɛ J K+ ɛ 1 2 ɛ J K+ ɛ = e β, M ɛ = ɛ ɛ 1 2, M ɛ R ɛ = λ ɛ R ɛ. ɛ J K+ ɛ 1 2 ɛ J K+ Graphe des interactions et cycles minimisants 2-1 -J-K+D 0 0 J-K+D J-K+D Moyenne de E le long des cycles simples : cycles d ordre 1 0, ( J K + ) 1 cycles d ordre 2 2, (J K + ) 1 cycles d ordre 3 3 (J K + 2 ) Une mesure minimisante = mesure invariante supportée par un cycle minimisant. Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 21/23
43 Mesure de Gibbs de BEG Equation de Ruelle : ɛ J K+ ɛ 1 2 ɛ J K+ ɛ = e β, M ɛ = ɛ ɛ 1 2, M ɛ R ɛ = λ ɛ R ɛ. ɛ J K+ ɛ 1 2 ɛ J K+ Graphe des interactions et cycles minimisants 2-1 -J-K+D 0 0 J-K+D J-K+D Moyenne de E le long des cycles simples : cycles d ordre 1 0, ( J K + ) 1 cycles d ordre 2 2, (J K + ) 1 cycles d ordre 3 3 (J K + 2 ) Une mesure minimisante = mesure invariante supportée par un cycle minimisant. Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 21/23
44 Refroidissement de BGE Théorème : (Brémont (2003), Lepplaideur (2005), Chazottes-Gambaudo-Ugalde (2010)) alors M ɛ R ɛ = λ ɛ R ɛ, L ɛ M ɛ = λ ɛ L ɛ, i L ɛ (i)r ɛ (i) = 1, π ɛ (i) = L ɛ (i)r ɛ (i), Q ɛ (i, j) = M ɛ (i, j)r ɛ (j)/λ ɛ R ɛ (i), mesure de Gibbs µ βe = chaîne de Markov (π ɛ, Q ɛ ), π ɛ π, Q ɛ Q, µ βe µ chaîne de Markov (π, Q ), il n y a pas en général unicité des mesures minimisantes Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 22/23
45 Refroidissement de BGE Théorème : (Brémont (2003), Lepplaideur (2005), Chazottes-Gambaudo-Ugalde (2010)) alors M ɛ R ɛ = λ ɛ R ɛ, L ɛ M ɛ = λ ɛ L ɛ, i L ɛ (i)r ɛ (i) = 1, π ɛ (i) = L ɛ (i)r ɛ (i), Q ɛ (i, j) = M ɛ (i, j)r ɛ (j)/λ ɛ R ɛ (i), mesure de Gibbs µ βe = chaîne de Markov (π ɛ, Q ɛ ), π ɛ π, Q ɛ Q, µ βe µ chaîne de Markov (π, Q ), il n y a pas en général unicité des mesures minimisantes Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 22/23
46 Diagramme de phase de BEG à T = 0 >> >> > > > > K >> /2 >> 1/2 1 1 > /2 1 / > 1 1 > J K+ <0 1 /3 2/3 1 1 > 1 /2 0 1 / > > 1 /3 0 J 1 /3 1 / > 0 1 /2 1 /4 1 / > > -J-K+ <0 Calvi 2010, Rencontre KAM faible Hamilton-Jacobi et diagramme de phase 23/23
4. 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 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 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 détailChapitre 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 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 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 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 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 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 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 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 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 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 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 détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailIntégrale de Lebesgue
Intégrale de Lebesgue L3 Mathématiques Jean-Christophe Breton Université de Rennes 1 Septembre Décembre 2014 version du 2/12/14 Table des matières 1 Tribus (σ-algèbres) et mesures 1 1.1 Rappels ensemblistes..............................
Plus en détailPropriétés des options sur actions
Propriétés des options sur actions Bornes supérieure et inférieure du premium / Parité call put 1 / 1 Taux d intérêt, capitalisation, actualisation Taux d intéret composés Du point de vue de l investisseur,
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 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 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 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 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 détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détailSujet 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 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 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 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 détailIntroduction à l optimisation de forme et application à la mécanique des fluides
Laboratoire Jacques-Louis LIONS Introduction à l optimisation de forme et application à la mécanique des fluides Master 2 - Année universitaire 2014-2015 Pascal FREY et Yannick PRIVAT Laboratoire Jacques-Louis
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 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 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 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 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 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 détailCours d Analyse 3 Fonctions de plusieurs variables
Université Claude Bernard, Lyon I Licence Sciences, Technologies & Santé 43, boulevard 11 novembre 1918 Spécialité Mathématiques 69622 Villeurbanne cedex, France L. Pujo-Menjouet pujo@math.univ-lyon1.fr
Plus en 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 détail6 Equations du première ordre
6 Equations u première orre 6.1 Equations linéaires Consiérons l équation a k (x) k u = b(x), (6.1) où a 1,...,a n,b sont es fonctions continûment ifférentiables sur R. Soit D un ouvert e R et u : D R
Plus en détailUNIVERSITÉ DE PICARDIE JULES VERNE THÈSE D HABILITATION À DIRIGER DES RECHERCHES
UNIVERSITÉ DE PICARDIE JULES VERNE THÈSE D HABILITATION À DIRIGER DES RECHERCHES Spécialité : Mathématiques Analyse de Quelques Problèmes Elliptiques et Paraboliques non Linéaires Dégénérés : Existence,
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 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 détailGRANDES DÉVIATIONS ET CONCENTRATION CONVEXE EN TEMPS CONTINU ET DISCRET
THÈSE DE DOCTORAT de l UNIVERSITÉ DE LA ROCHELLE Discipline : Mathématiques Spécialité : Probabilités Présentée par Yutao MA pour obtenir le grade de DOCTEUR de l UNIVERSITÉ DE LA ROCHELLE. Titre de la
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 détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
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 détailVariables Aléatoires. Chapitre 2
Chapitre 2 Variables Aléatoires Après avoir réalisé une expérience, on ne s intéresse bien souvent à une certaine fonction du résultat et non au résultat en lui-même. Lorsqu on regarde une portion d ADN,
Plus en détailF1C1/ Analyse. El Hadji Malick DIA
F1C1/ Analyse Présenté par : El Hadji Malick DIA dia.elmalick1@gmail.com Description sommaire du cours Porte sur l analyse réelle propose des outils de travail sur des éléments de topologie élémentaire
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 détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en 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 détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Plus en 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 détailANALYSE NUMERIQUE ET OPTIMISATION. Une introduction à la modélisation mathématique et à la simulation numérique
1 ANALYSE NUMERIQUE ET OPTIMISATION Une introduction à la modélisation mathématique et à la simulation numérique G. ALLAIRE 28 Janvier 2014 CHAPITRE I Analyse numérique: amphis 1 à 12. Optimisation: amphis
Plus en détailEconomie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de
Economie de l incertain et de l information Partie 1 : Décision en incertain probabilisé Chapitre 1 : Introduction à l incertitude et théorie de l espérance d utilité Olivier Bos olivier.bos@u-paris2.fr
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 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 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 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 détailTHÉORIE DE LA MESURE ET DE L INTÉGRATION.
THÉORIE DE LA MESURE ET DE L INTÉGRATION. THIERRY GALLAY Transcrit par Tancrède LEPOINT 29 UNIVERSITÉ JOSEPH FOURIER, GRENOBLE TABLE DES MATIÈRES Avant-propos Biographie sommaire...........................................
Plus en détailEquations aux Dérivées Partielles
Equations aux Dérivées Partielles Tony Lelièvre 29-2 Après avoir considéré dans le capitre précédent des équations d évolution pour des fonctions ne dépendant que du paramètre temps, nous nous intéressons
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 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 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 détail8 Ensemble grand-canonique
Physique Statistique I, 007-008 8 Ensemble grand-canonique 8.1 Calcul de la densité de probabilité On adopte la même approche par laquelle on a établi la densité de probabilité de l ensemble canonique,
Plus en détailintroduction Chapitre 5 Récursivité Exemples mathématiques Fonction factorielle ø est un arbre (vide) Images récursives
introduction Chapitre 5 Images récursives http ://univ-tln.fr/~papini/sources/flocon.htm Récursivité http://www.poulain.org/fractales/index.html Image qui se contient elle-même 1 Exemples mathématiques
Plus en détailCorrigé Problème. Partie I. I-A : Le sens direct et le cas n= 2
33 Corrigé Corrigé Problème Théorème de Motzkin-Taussky Partie I I-A : Le sens direct et le cas n= 2 1-a Stabilité des sous-espaces propres Soit λ une valeur propre de v et E λ (v) le sous-espace propre
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 détailLoi d une variable discrète
MATHEMATIQUES TD N : VARIABLES DISCRETES - Corrigé. P[X = k] 0 k point de discontinuité de F et P[X = k] = F(k + ) F(k ) Ainsi, P[X = ] =, P[X = 0] =, P[X = ] = R&T Saint-Malo - nde année - 0/0 Loi d une
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en détailConstruction de l'intégrale de Lebesgue
Université d'artois Faculté des ciences Jean Perrin Mesure et Intégration (Licence 3 Mathématiques-Informatique) Daniel Li Construction de l'intégrale de Lebesgue 10 février 2011 La construction de l'intégrale
Plus en détailErnst C. G. Stueckelberg. Thermodynamique statistique. Livre V. Presses polytechniques et universitaires romandes
Ernst C. G. Stueckelberg Thermodynamique statistique Livre V Presses polytechniques et universitaires romandes Livre V Thermodynamique statistique Table des matières 1 Théorie cinétique du gaz monoatomique
Plus en détailCondition inf-sup pour l Elément Fini de Taylor-Hood È ¾ -iso-è ½
Condition inf-sup pour l Elément Fini de Taylor-Hood È ¾ -iso-è ½ Patrick Ciarlet et Vivette Girault ciarlet@ensta.fr & girault@ann.jussieu.fr ENSTA & Laboratoire Jacques-Louis Lions, Paris 6 Condition
Plus en détail1 Introduction et modèle mathématique
Optimisation parallèle et mathématiques financières Optimisation parallèle et mathématiques financières Pierre Spiteri 1 IRIT ENSEEIHT, UMR CNRS 5505 2 rue Charles Camichel, B.P. 7122 F-31 071 Toulouse,
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 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 détailProcessus et martingales en temps continu
Chapitre 3 Processus et martigales e temps cotiu 1 Quelques rappels sur les martigales e temps discret (voir [4]) O cosidère u espace filtré (Ω, F, (F ) 0, IP). O ote F = 0 F. Défiitio 1.1 Ue suite de
Plus en détailRupture et plasticité
Rupture et plasticité Département de Mécanique, Ecole Polytechnique, 2009 2010 Département de Mécanique, Ecole Polytechnique, 2009 2010 25 novembre 2009 1 / 44 Rupture et plasticité : plan du cours Comportements
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 détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailGroupoïdes quantiques mesurés : axiomatique, étude, dualité, exemples
Groupoïdes quantiques mesurés : axiomatique, étude, dualité, exemples Franck LESIEUR Mathématiques et Applications, Physique Mathématique d Orléans UMR 6628 - BP 6759 45067 ORLEANS CEDEX 2 - FRANCE e-mail
Plus en détailUne forme générale de la conjecture abc
Une forme générale de la conjecture abc Nicolas Billerey avec l aide de Manuel Pégourié-Gonnard 6 août 2009 Dans [Lan99a], M Langevin montre que la conjecture abc est équivalente à la conjecture suivante
Plus en détailYamina Yagoub-Zidi. Inconditionnalité et propriétés du point fixe dans les espaces de fonctions lisses
MINISTERE DE L ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE MOULOUD MAMMERI, TIZI-OUZOU FACULTE DES SCIENCES DEPARTEMENT DE MATHEMATIQUES THESE DE DOCTORAT SPECIALITE : MATHEMATIQUES
Plus en détailThéorèmes du Point Fixe et Applications aux Equations Diérentielles
Université de Nice-Sophia Antipolis Mémoire de Master 1 de Mathématiques Année 2006-2007 Théorèmes du Point Fixe et Applications aux Equations Diérentielles Auteurs : Clémence MINAZZO - Kelsey RIDER Responsable
Plus en détailCorrection du Baccalauréat S Amérique du Nord mai 2007
Correction du Baccalauréat S Amérique du Nord mai 7 EXERCICE points. Le plan (P) a une pour équation cartésienne : x+y z+ =. Les coordonnées de H vérifient cette équation donc H appartient à (P) et A n
Plus en détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
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 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 détailI. Ensemble de définition d'une fonction
Chapitre 2 Généralités sur les fonctions Fonctions de références et fonctions associées Ce que dit le programme : Étude de fonctions Fonctions de référence x x et x x Connaître les variations de ces deux
Plus en détailDynamique des protéines, simulation moléculaire et physique statistique
Dynamique des protéines, simulation moléculaire et physique statistique Gerald R. Kneller kneller@llb.saclay.cea.fr, kneller@cnrs-orleans.fr Université d Orléans Laboratoire Léon Brillouin, CEA Saclay
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 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 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 détailMARTINGALES POUR LA FINANCE
MARTINGALES POUR LA FINANCE une introduction aux mathématiques financières Christophe Giraud Cours et Exercices corrigés. Table des matières I Le Cours 7 0 Introduction 8 0.1 Les produits dérivés...............................
Plus en détailCompte rendu des TP matlab
Compte rendu des TP matlab Krell Stella, Minjeaud Sebastian 18 décembre 006 1 TP1, Discrétisation de problèmes elliptiques linéaires 1d Soient > 0, a R, b 0, c, d R et f C([0, 1], R). On cerce à approcer
Plus en détailRelation d ordre. Manipulation des relations d ordre. Lycée Pierre de Fermat 2012/2013 Feuille d exercices
Lycée Pierre de Fermat 2012/2013 MPSI 1 Feuille d exercices Manipulation des relations d ordre. Relation d ordre Exercice 1. Soit E un ensemble fixé contenant au moins deux éléments. On considère la relation
Plus en détailTexte Ruine d une compagnie d assurance
Page n 1. Texe Ruine d une compagnie d assurance Une nouvelle compagnie d assurance veu enrer sur le marché. Elle souhaie évaluer sa probabilié de faillie en foncion du capial iniial invesi. On suppose
Plus en détailIntroduction à la. Points Critiques. Otared Kavian. et Applications aux Problèmes Elliptiques. Springer-Verlag
Otared Kavian Introduction à la Théorie des Points Critiques et Applications aux Problèmes Elliptiques Springer-Verlag Berlin Heidelberg NewYork London Paris Tokyo Hong Kong Barcelona Budapest Avant propos
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailEntiers aléatoires et analyse harmonique
Entiers aléatoires et analyse harmonique Jean-Pierre Kahane et Yitzhak Katznelson Introduction. Il s agit dans cet article d ensembles de Sidon et de processus de Poisson ponctuels. Les ensembles de Sidon
Plus en détail