DÉVELOPPEMENT DE MÉTHODES DE CHAMPS DE PHASE QUANTITATIVES ET APPLICATIONS À LA PRÉCIPITATION HOMOGÈNE DANS LES ALLIAGES BINAIRES

Dimension: px
Commencer à balayer dès la page:

Download "DÉVELOPPEMENT DE MÉTHODES DE CHAMPS DE PHASE QUANTITATIVES ET APPLICATIONS À LA PRÉCIPITATION HOMOGÈNE DANS LES ALLIAGES BINAIRES"

Transcription

1 THÈSE DE DOCTORAT de l Université de Cergy-Pontoise Spécialité : Sciences des Matériaux Présentée par Quentin Bronchart pour obtenir le grade de DOCTEUR DE L UNIVERSITÉ DE CERGY-PONTOISE DÉVELOPPEMENT DE MÉTHODES DE CHAMPS DE PHASE QUANTITATIVES ET APPLICATIONS À LA PRÉCIPITATION HOMOGÈNE DANS LES ALLIAGES BINAIRES Soutenue le 20 octobre 2006 devant le jury composé de : H.T. DIEP Directeur de thèse D. BLAVETTE Rapporteur A. LEGRIS Rapporteur H. ZAPOLSKY Examinateur Y. LE BOUAR Examinateur A. FINEL Examinateur Thèse préparée au sein du Laboratoire d Études des Microstructures, unité mixte ONERA-CNRS

2 2 A mon grand-père

3 Table des matières Remerciements iii 1 Introduction 1 2 Le fondement mésoscopique des méthodes de Champ de Phase L approche stochastique Définition et propriétés générales des variables et des processus stochastiques L équation maîtresse et le bilan détaillé L équation de Fokker-Planck Les équations de Langevin Equations de Langevin avec bruit multiplicatif : points de vue de Itô et de Stratonovich Des équations de Langevin vers une équation de Fokker-Planck Discussion sur le dilemme Itô/Stratonovich dans les équations de Langevin Sur la nécessité de bruits gaussiens dans les équations de Langevin Le problème inverse : d une équation de Fokker-Planck vers un système d équations de Langevin Un exemple de mise en oeuvre d un système d équations de Langevin avec bruits multiplicatifs ; influence de la nature du bruit Génération des bruits multiplicatifs Influence de la nature du bruit Le théorème fluctuation-dissipation La phénoménologie Ginzburg-Landau La densité d énergie libre Les équations d évolution déterministes Le profil et l énergie de surface d une interface plane à l équilibre Le traitement numérique dans le cas de l approche Champ de Phase standard La discrétisation et l adimensionnement des équations d évolution Le passage en concentration Le passage dans l espace de Fourier La méthode d implémentation semi-implicite Calibrages de l équation d Allen-Cahn sur un modèle atomique simple Le modèle d Ising bidimensionnel Généralités sur le modèle d Ising Les différents mécanismes locaux de l évolution Monte Carlo Le régime de relaxation des interfaces Du discret au continu : rôle des fluctuations et influence de la transition rugueuse La procédure de coarse-graining i

4 Table des matières Le calibrage de l échelle des temps par simulation de l effondrement d un précipité isolé L évolution des microstructures hétérogènes Conclusion Les fluctuations à l équilibre homogène L équation d Allen-Cahn stochastique via l intégration spatiale L équation d évolution liée au paramètre d ordre moyen Φ(t) Conclusion Calibrage de l équation de Cahn-Hilliard : De la nucléation à la coalescence Le calibrage des échelles d énergie, d espace et de temps Les données expérimentales L échelle d énergie L échelle d espace L échelle des temps La théorie classique de la germination Caractérisation d une configuration C L approximation de faible sursaturation et l approximation capillaire L entropie de mélange et l énergie libre de Gibbs L équation maîtresse et le bilan détaillé Le flux de germination stationnaire et la période d incubation Les équations d échelles Les résultats du modèle Champ de Phase et confrontation à la Théorie Classique de la Germination Les résultats Champ de phase L influence du pas de temps Le choix d une définition des précipités Les résultats Champ de Phase pour c 0 = 14% at. B et comparaison avec la Théorie Classique de la Germination En abaissant la sursaturation Conclusion D une cinétique atomique à une méthode de champ de phase quantitative : procédure de moyenne locale Introduction Le résumé étendu et l article : Quantitative Phase Field Modeling Conclusion générale et perspectives 131 ii

5 Remerciements Je remercie Alphonse Finel et Yann Le Bouar qui ont su me faire partager leurs connaissances scientifiques et leur enthousiasme pour la recherche. Je resterai pour longtemps leur obligé et tâcherai de m inspirer de leurs exemples tout au long de mon parcours professionnel. Je remercie le Professeur The Hung Diep, Directeur du LPTM, d avoir accepté la charge de directeur de thèse et de m avoir donné la possibilité d effectuer un monitorat à l Université de Cergy-Pontoise. Je remercie Didier Blavette, Professeur de l université de Rouen et Directeur du GPM, et le Docteur Héléna Zapolsky d avoir trouvé le temps de rédiger l un des rapports, malgrés toutes les activités qui leur incombent. Je remercie le professeur Alexandre Legris d avoir accepté d être membre de mon jury et l un des rapporteurs. Je remercie également la direction du LEM, Denis Gratias et François Ducastelle, de m avoir acceuilli au sein de leur laboratoire et ce jusqu à la fin de mon travail de rédaction. Je remercie Guillaume Boussinot pour l amitié qu il m a témoigné et les passionantes conversations scientifiques que nous avons partagées. J espère à l avenir conserver son amitié et nos rapports professionnels. Enfin, mes derniers remerciements iront aux membres du Laboratoire d Etudes des Microstructures de l ONERA dont l amitié et le soutien moral m ont été fort précieux. Quentin Bronchart, le 13 Septembre 2006 iii

6 Remerciements iv

7 1 Introduction Cette étude se situe dans le domaine de la métallurgie physique, plus précisément dans le domaine de l élaboration de matériaux à vocation structurale. Il s agit donc de mettre au point de nouveaux matériaux en essayant d optimiser certaines de leurs propriétés macroscopiques, en particulier mécaniques (limite élastique, dureté, résistance au fluage, à la fatigue,...) et thermiques. D une manière générale, ces différentes propriétés ne peuvent être obtenues que si nous utilisons des matériaux hétérogènes et dont la taille caractéristique des hétérogénéités est de l ordre de quelques dizaines à quelques centaines de nanomètres. C est en particulier à cette échelle que l on peut agir sur la dynamique des dislocations, responsable des propriétés mécaniques des matériaux. Dans le cadre de matériaux métalliques, ces structures hétérogènes sont très souvent liées à l existence d un état multiphasé, i.e. à une situation où l alliage peut présenter simultanément plusieurs phases en équilibre. Dans de nombreuses situations, cet état multiphasé est le résultat d une transition de phase entre une phase à haute température désordonnée et une phase basse température ordonnée. C est par exemple le cas des superalliages du type γ-γ à base de nickel, utilisés dans le domaine aéronautique, et qui tous dérivent de l alliage binaire N i-al. Dans cet alliage, la phase haute température γ est une solution solide désordonnée sur un réseau CFC (Cubique Face Centrée) alors que la phase basse température γ est la phase ordonnée L1 2. Dans un certain régime de concentration et de température, dit régime biphasé, ces deux phases coexistent. Si nous trempons donc un alliage initialement désordonné dans cette zone biphasée, on observe la précipitation du domaine ordonné γ dans une matrice γ. Cette structure va ensuite évoluer : la taille des domaines va croître et leur nombre diminuer. La force motrice de cette évolution est la diminution de l aire totale des interfaces entre les précipités γ et la matrice γ, car ces interfaces sont des lieux d excés d énergie libre. En fait, cette microstructure n est en réalité jamais à l équilibre thermodynamique car celui-ci ne peut être atteint que s il n existe plus qu un seul précipité, ce qui, pour un échantillon macroscopique, nécessite des temps géologiques! Quand bien même l équilibre thermodynamique serait atteint lors de l élaboration de l alliage, celui-ci sera utilisé dans des conditions de température et de pression différentes, ce qui rétablit un déséquilibre thermodynamique. La microstructure évolue donc inéluctablement : c est le vieillissement. On comprend donc qu il est crucial de comprendre qualitativement et quantitativement ce phénomène. Il s agit de mettre au point une théorie qui permet de prédire les caractéristiques de l évolution microstructurale d un alliage multiphasé : formes des précipités, longueurs caractéristiques, lois de croissance, corrélations spatiales. Bien entendu, il serait a priori souhaitable d aborder ce problème à l échelle atomique, car c est à ce niveau que se situent les lois fondamentales de la physique. Cependant, cette démarche se heurte très rapidement à plusieurs obstacles actuellement insurmontables et qui probablement le resteront longtemps encore. Il y a tout d abord un problème de dimension spatiale et d échelle de temps. Comme nous l avons dit plus haut, l échelle caractéristique des phénomènes physiques qui déterminent les propriétés macroscopiques est de l ordre de la centaine de nanomètres. De façon à avoir une bonne analyse statistique, il faudrait donc simuler des échantillons de l ordre du micron, ce qui correspond environ à atomes, sur des temps macroscopiques. En utilisant des 1

8 1 Introduction modèles d interactions atomiques classiques (par opposition à quantique) et en utilisant des codes de dynamique moléculaire performants, les limites actuelles sont de l ordre de atomes simulés pendant quelques nanosecondes! Nous pouvons augmenter très significativement l échelle des temps en utilisant les simulations du type Monte Carlo, mais pas l échelle d espace. En bref, les limites informatiques actuelles sont très en deçà (plusieurs ordres de grandeur) de ce qui serait nécessaire pour aborder le problème à l échelle atomique. Quand bien même cela serait possible, il ne serait pas très pertinent de suivre l évolution de milliards d atomes quand seules nous intéressent des quantités définies à l échelle de quelques dizaines de nanomètres, comme la taille des précipités, leurs formes et leurs corrélations spatiales. Il est donc naturel d essayer de mettre en oeuvre des théories, dites mésoscopiques, directement définies à cette échelle, et initialement popularisées, dans un autre contexte, par Ginzburg et Landau. Ainsi, l approche de Ginzburg-Landau, dont les utilisations sont regoupées sous le nom de méthodes de champs de phase, constitue un outil privilégié pour l étude et la compréhension des microstructures à l échelle mésoscopique. D une part, elles permettent de prendre en compte les interactions chimiques responsables des transitions de phases. D autre part, elles permettent de calculer les morphologies qui en résultent à l échelle du micron. Toutefois, de par leur nature mésoscopique, les méthodes de champs de phase ne reproduisent pas intrinséquement les processus microscopiques, c.-à-d. les fluctuations thermiques, responsables de l activation du processus d évolution. Il en résulte que, dans ces méthodes, l échelle des temps n est pas définie. En effet, les champs mésoscopiques sont issus d une procédure de moyenne locale (coarsegraining) qui, d une part, conduit à un modèle d interfaces diffuses et qui, d autre part, conduit à la perte des fluctuations de hautes fréquences. L existence d une telle procédure de moyenne locale est l hypothèse de base de toutes méthodes définies à l échelle mésoscopique, même si cette procédure n est pas explicitement définie. C est par exemple le cas dans l approche de Ginzburg- Landau, basée sur une étude phénoménologique de la fonctionnelle de densité d énergie libre et de ses symétries. Il est toutefois possible de réintroduire des fluctuations dans les méthodes de champ de phase phénoménologiques. Pour ce faire, l approche de Langevin propose d ajouter aux équations d évolution déterministes (équations du type Allen-Cahn ou du type Cahn-Hilliard) un terme stochastique, appelé bruit ou force de Langevin. Ce bruit doit donc permettre de reproduire les fluctuations responsables de l activation thermique de la séparation de phase. Dans le cas d une transition spontanée (décomposition spinodale), ces fluctuations, bien que théoriquement à prendre en compte, ne jouent pas de rôle essentiel sur l évolution microstructurale et les méthodes de champ de phase non-stochastiques suffisent à une observation semiquantitative de l évolution microstructurale. A contrario, dans le cas d une transition nonspontanée (nucléation), ces fluctuations sont nécessaires à l activation thermique du processus de séparation de phase. En effet, pour créer une structure de précipitation, le système doit franchir localement des barrières d énergie. Ces barrières d énergie sont entièrement définies par la forme et les paramètres de la fonctionnelle de densité d énergie libre utilisée et le bruit de Langevin doit alors permettre au champ de fluctuer de façon à franchir, par endroits, ces barrières d énergie. L activation du processus, dans les premiers instants de la transition, est donc liée à la compétition entre les aspects déterministe et stochastique de l évolution. Comme prévu par diverses théories, en particulier la théorie classique de la germination, cette compétition se manifeste sous la forme d une période d incubation durant laquelle les fluctuations, pilotées en Champ de Phase par le bruit de Langevin, s établissent jusqu à ce que localement les variations spatiales du champ soient suffisantes pour qu une structure de précipitation soit énergétiquement favorable. Pour une transition non-spontanée donnée, cette période d incubation augmente significativement à mesure que la sursaturation baisse et son temps caractéristique peut devenir très important (il diverge quand la sursaturation tend vers zéro). On comprend donc qu il est 2

9 nécessaire de reproduire quantitativement la période d incubation pour espérer reproduire quantitativement les étapes qui suivent et l ensemble de l échelle des temps. Le bruit de Langevin joue donc un rôle crucial dans les premiers instants d un phénomène de séparation de phase non-spontanée. Jusqu à présent, les études basées sur les méthodes de champs de phase ont surtout porté sur des développements phénoménologiques complexes des densités d énergie libre de façon à reproduire diverses morphologies structurales dues à des phénomènes hétérogènes. Ces phénomènes hétérogènes sont significatifs de l évolution microstructurale lorsque celle-ci a atteint le régime de relaxation des interfaces, i.e. les temps longs de l évolution. Tout d abord, il est impossible de ne pas citer la théorie des inclusions cohérentes [1], écrite par A.G. Khachaturyan et qui permet de reproduire l anisotropie des précipités due aux phénomènes d élasticité cohérente. L.Q. Chen, A.G. Khachaturyan et d autres travaillent entre autre sur les phénomènes d élasticité inhomogène [2, 3]. Des études récentes menées par D. Rodney et al [4] ont montré qu il est possible d inclure les dislocations dans un modèle d interfaces diffuses via une analyse multi-échelle ; ceci donne accès à l étude de la plasticité par les méthodes de champs de phase. Il est également possible de prendre en compte les différents arrangements atomiques possibles aux interfaces ou d étudier les structures bimodales apparaissant lors d un recuit [5, 6]. Des travaux sont en cours concernant l influence des joints de grains sur les déformations élastiques et la précipitation (A. Parisi). En bref, les méthodes de champ de phase ont prouvé leurs potentialités à reproduire les diverses morphologies microstructurales observées expérimentalement. Toutefois, quand ces études concernent des phénomènes de séparation de phase non-spontanée, les processus d activation sont souvent introduits de façon artificielle [7] : soit par l ajout d un terme stochastique d amplitude exagérément élevée ; soit par l ajout, à la main, de précipités de taille surcritique. Ces méthodes revêtent l intérêt de parvenir rapidement aux différents régimes de relaxation des interfaces, cités plus haut, mais ne permettent pas une définition pertinente de l échelle des temps. Toutefois, cette échelle peut être calibrée a posteriori en comparant les morphologies issues des simulations aux observations expérimentales ou en se rapportant à des théories analytiques. L approche présentée dans cette étude se veut plus prédictive. Nous développons des méthodes de Champ de Phase quantitatives sur les échelles de temps et d espace. Le but est de prédire à l échelle mésoscopique les évolutions microstructurales liées à la précipitation homogène dans un alliage binaire faiblement sursaturé. Dans un premier temps, nous présentons le fondement statistique des approches purement phénoménologiques. Nous rappelons le lien entre l équation maîtresse liée à un processus Markovien et l équation de Fokker-Planck, ainsi que l équivalence de cette dernière avec l équation de Langevin. Nous discutons à ce sujet des points de vue d Itô et de Stratonovich sur les différentes manières d interprêter l action des termes de bruit. L équivalence entre l équation de Fokker-Planck et un système d équations de Langevin est ensuite étendue au cas général où l aspect multiplicatif du bruit n apparaît pas simplement dans les équations de Langevin ellesmêmes, mais seulement au niveau des fonctions d autocorrélation des sources de bruit. Nous présentons également un algorithme simple pour générer les bruits multiplicatifs quand ceuxci obéissent à une règle de conservation locale. Ces deux derniers développements seront des étapes indispensables à la mise en œuvre de la démarche présentée dans le dernier chapitre, où nous développerons de nouvelles équations de Champ de Phase en utilisant une procédure de changement d échelle. Avant d aborder ce point de vue plus fondamental, nous avons tout d abord consacré nos efforts à une analyse approfondie des méthodes de Champ de Phase traditionnelles. Il s agit des méthodes simplement phénoménologiques, où l on postule l existence d une force motrice 3

10 1 Introduction d origine thermodynamique, directement abordée à l échelle mésoscopique et à laquelle nous ajoutons des termes de bruit pour reproduire des fluctuations. Ces sources de bruit sont alors le plus souvent simplement additives. Dans ce cadre purement phénoménologique, nous considérons deux cas distincts. Premièrement, nous calibrons l équation d Allen-Cahn stochastique (pour un paramètre d ordre non-conservé) sur une dynamique Monte Carlo bidimensionnelle. Nous traitons alors séparément deux aspects de l évolution microstructurale aux temps longs. Nous étudions, tout d abord, le régime de relaxation des interfaces : nous montrons qu il est possible de définir une procédure de moyenne locale permettant de calibrer les paramètres de l équation d Allen-Cahn de façon à ce qu elle reproduise la relaxation des interfaces observée par simulation Monte Carlo. Ensuite, nous étudions les fluctuations à l équilibre de quantités spatialement moyennées. Nous étudions alors un modèle d évolution stochastique indépendant des variables d espace et nous montrons qu il est possible de calibrer les propriétés moyennes des termes de bruit de façon à reproduire finement les fluctuations à l équilibre mesurées par simulation Monte Carlo. Deuxièmement, nous calibrons l équation de Cahn-Hilliard stochastique (pour un paramètre d ordre conservé) sur des données expérimentales définissant un alliage donné. Nous montrons qu il est possible de reproduire quantitativement le phénomène de séparation de phase en son entier par simulation Champ de Phase. Toutefois, cette reproduction quantitative du phénomène de séparation de phase est limitée à des sursaturations légèrement inférieures à la concentration spinodale uniquement. Nous observons donc que l approche purement phénoménologique échoue à reproduire quantitativement la séparation de phase d un alliage faiblement sursaturé. Dans une dernière partie, nous abandonnons l approche purement phénoménologique et développons une seconde approche, plus rigoureuse, qui consiste à partir d un modèle d évolution à l échelle atomique pour obtenir une équation de Fokker-Planck mésoscopique via une procédure de moyenne locale. Cette équation de Fokker-Planck, qui est une équation différentielle déterministe, régit l évolution de la densité de probabilité d un ensemble de systèmes. Elle est rigoureusement identique à une équation de Langevin, qui régit l évolution d un système donné. c est donc une équation du type Champ de Phase, mais dont la forme diffère de celle utilisée dans les approches purement phénoménologiques du type Ginzburg-Landau. La procédure de changement d échelle conduit en effet à définir explicitement les différents ingrédients qui subsistent dans l écriture finale, c.-à-d. la densité d énergie libre mésoscopique, les termes de mobilités et les termes de bruit. Toutes ces quantités dépendent en particulier du paramètre d qui caractérise le changement d échelle. Par ailleurs, nous verrons que les mobilités et le terme de raideur dépendent des valeurs locales des champs. Enfin, nous mettons en œuvre l ensemble de cette procédure pour différentes valeurs du changement d échelle d et nous comparons les résultats à ceux obtenus à l échelle atomique par simulation Monte Carlo de l équation maîtresse utilisée en amont de la procédure de changement d échelle. 4

11 2 Le fondement mésoscopique des méthodes de Champ de Phase Dans ce premier chapitre, nous présentons le fondement statistique des approches Champ de Phase en nous basant sur une cinétique exacte prenant la forme d une équation maîtresse directement définie à l échelle mésoscopique. Cette étude statistique est nécéssaire pour comprendre dans quelles limites les méthodes de Champ de Phase sont capables de reproduire l évolution microstructurale en un temps physique. Les systèmes étudiés ici peuvent être décrits par une variable stochastique dépendante de l espace et du temps. Cette variable stochastique, notée Φ, est munie d une distribution de probabilité, notée P (Φ, t). La façon la plus simple et la plus générale pour décrire l évolution de cette densité de probabilité est de supposer la connaissance de toutes les probabilités de transition par unité de temps d une configuration du système à une autre. Ainsi l évolution de la distribution de probabilité peut être décrite en termes de flux de probabilité ; l évolution obéit à une équation, appelée équation maîtresse. Nous montrons ci-dessous ( {2.1}) que, dans l hypothèse de faibles sauts de la variable Φ, l équation maîtresse peut être approximée par une équation maîtresse plus simple, appelée équation de Fokker-Planck. Ensuite, nous montrons que l équation de Fokker-Planck est équivalente à un système d équations de Langevin ( {2.2}). Ces dernières ne sont pas écrites en terme de l évolution d une distribution de probabilité, mais en terme de l évolution temporelle de la variable Φ elle-même. Cette formulation correspond à une méthode de Champ de Phase stochastique. Nous discutons alors des différentes manières d interprêter l action des termes de bruit. Ainsi, les parties {2.1} et {2.2} présentent le fondement statistique des méthodes de Champ de Phase, tel que traditonnellement présenté [8, 9]. Nous étudions également le problème inverse ( {2.3}), c.-à-d. le passage d une équation de Fokker-Planck à un système d équations de Langevin dans le cas le plus général, où l aspect multiplicatif du bruit n apparaît pas explicitement dans les équations de Langevin, mais apparaît au niveau des fonctions d autocorrélation des sources de bruit. La mise en œuvre des équations de Langevin dans le cadre d un bruit multiplicatif, obéissant par exemple à une règle de conservation locale, pose des problèmes spécifiques qui sont alors détaillés ( {2.4}). Les deux derniers paragraphes introduits ci-dessus ( {2.3} et {2.4}) seront des étapes indispensables à la mise en œuvre de la démarche présentée dans le dernier chapitre, où nous développerons de nouvelles équations de Champ de Phase en utilisant une procédure de changement d échelle. Avant d aborder ce point de vue plus fondamental, nous avons tout d abord consacré nos efforts à une analyse approfondie des méthodes de Champ de Phase traditionnelles (chapitres {3} et {4}). Il s agit des méthodes simplement phénoménologiques, où l on postule l existence d une force motrice d origine thermodynamique, directement abordée à l échelle mésoscopique et à laquelle nous ajoutons des termes de bruit pour reproduire des fluctuations. Ces sources de bruit sont alors le plus souvent simplement additives. Dans ce cadre phénoménologique, nous calibrons l amplitude des termes de bruit via le théorème 5

12 2 Le fondement mésoscopique des méthodes de Champ de Phase fluctuation-dissipation ( {2.5}). Dans la partie suivante ( {2.6}), nous nous focalisons sur un modèle Champ de Phase déterministe et nous relions les paramètres de ce modèle aux quantités physiques telles que la densité d énergie libre, l énergie d interface et les mobilités [10, 11]. Enfin, dans le cadre de l approche standard des méthodes de Champ de Phase et avant d étudier leur potentiel à reproduire quantitativement les phénomènes de séparation de phase, nous montrons comment préparer les équations d évolution, définies en milieu continu, pour leurs utilisations numériques ( {2.7}). 2.1 L approche stochastique Le rôle en physique de la probabilité et des méthodes stochastiques est le sujet d un grand nombre d études. Nous allons rapidement expliquer comment inclure les processus stochastiques dans la description du phénomène de séparation de phases Définition et propriétés générales des variables et des processus stochastiques Dans la nature, on rencontre beaucoup de phénomènes, dont le phénomène de séparation de phases, durant lesquels certaines quantités varient avec le temps de façon complexe et irrégulière. Comme expliqué en introduction, il n y a aucune chance de calculer ces variations en détails, mais il est vrai que l on peut définir certaines quantités moyennes variant de façon régulière. En effet, nous savons par expérience qu il existe un aspect macroscopique, c.-à-d. morphologique, pour lequel il n est pas nécéssaire de connaître le détail des fluctuations. Sachant que les détails sont insignifiants, on peut volontiers les remplacer par une moyenne convenable. Ainsi, un système physique isolé et fermé peut être décrit, en partie 1, par une fonction continue de l espace, ici un champ de phase φ( r), variant avec le temps de façon régulière. La valeur du champ en un point est inclue dans un intervalle I continu. Les réalisations de ce champ φ( r) définissent donc un espace des phases continu et infini. Toutefois, le traitement numérique impose la discrétisation spatiale de ce champ. Nous sommes donc amené à décrire le champ de phase par une variable Φ dont chaque réalisation est définie par l ensemble discret, {φ} = (φ 1, φ 2,..., φ N ) où φ k I et où N est le nombre de cellules du réseau discret, dont les sites sont numérotés hélicoïdalement. Une définition rigoureuse de φ k doit se faire à partir de l échelle atomique ce qui nécéssite une procédure de moyennage ( coarse-graining ) à l échelle de la cellule. La taille de la cellule est très importante : elle doit être suffisamment petite pour décrire le phénomène physique qui nous intéresse, mais suffisamment grande pour que les fluctuations de φ k soient petites. Les variables stochastiques φ k, définies à une échelle intermédiaire entre l échelle microscopique et l échelle macroscopique sont dites mésoscopiques. Nous montrerons dans la partie {5}, comment définir rigoureusement φ k à partir de l échelle atomique. Pour le moment, nous prenons comme point de départ une description du système par l ensemble discret {φ}, c.-à-d. une description à l échelle mésoscopique. Nous pouvons doter le processus stochastique Φ d une distribution de probabilité définie sur l espace des phases. Cette distribution de probabilité est donnée par la fonction P ({φ}, t), définie positivement : P ({φ}, t) 0 1 c.-à-d. sans se soucier du détail des fluctuations microscopiques 6

13 2.1 L approche stochastique et normalisée de sorte que : T r {φ} P ({φ}, t) = P ({φ}, t)d N φ = 1, I N où la trace T r court sur tout l espace des phases, dont l élément de volume est noté d N φ = dφ 1 dφ 2...dφ N. Ceci signifie simplement que la configuration {φ} a la probabilité P ({φ}, t) t d apparaître entre les instants t et t + t L équation maîtresse et le bilan détaillé La façon la plus générale d écrire une équation d évolution linéaire pour la densité de probabilité P ({φ}, t) est connue sous le nom d équation maîtresse. Pour le processus stochastique Φ présenté ci-dessus, on écrit : P ({φ}, t) t = I N [ ] W ({φ} {φ })P ({φ }, t) W ({φ } {φ})p ({φ}, t) d N φ (2.1) où W ({φ} {φ }) est la probabilité de transition par unité de temps vers l état {φ} sachant que le système est dans l état {φ }. Le processus stochastique décrit par (2.1) est un processus de Markov, c.-à-d. un processus dont l évolution ne dépend pas de l histoire antérieure. L équation (2.1) est obtenue en supposant que le processus est stationnaire, c.-à-d. que la transition entre la réalisation {φ} t1 et la réalisation {φ} t2 ne dépend que de l intervalle t 2 t 1 [9]. L équation maîtresse est une équation sur les flux entre les probabilités P ({φ}, t). Elle peut être interprétée comme suit : le premier terme est le gain en état {φ} dû aux transitions à partir des autres états {φ } de l espace des phases ; le second terme est une perte due aux transitions de l état {φ} dans les autres états. L équation maîtresse est déterministe : la probabilité qu une réalisation {φ} apparaisse à un temps lointain est entièrement déterminée par la probabilité au temps initial t = t 0. Pour une solution stationnaire, le nombre total de transitions par unité de temps dans l état {φ} t doit être compensé par le nombre total de transitions par unité de temps hors de l état {φ} t, c.-à-d. que nous avons pour un état stationnaire : W ({φ} {φ })P st ({φ })d N φ = W ({φ } {φ})p st ({φ})d N φ I N I N Si on suppose que chaque transition est compensée individuellement, c.-à-d. si chaque transition par unité de temps d un état {φ } t dans un état {φ} t+ t est compensé par une transition de l état {φ} t dans l état {φ } t+ t sur le même intervalle de temps ; alors on parle de bilan détaillé. Ce bilan s écrit : W ({φ} {φ })P st ({φ }) = W ({φ } {φ})p st ({φ}) (2.2) Si le bilan détaillé est respecté et si la matrice W est ergodique, le processus stochastique amène indubitablement, pour t, le système dans un état stationnaire défini par P st ({φ}). 7

14 2 Le fondement mésoscopique des méthodes de Champ de Phase L équation de Fokker-Planck Nous considérons donc l équation maîtresse (2.1). En introduisant la variable { } = { 1,..., N } qui mesure la différence entre deux états, l équation (2.1) devient : P ({φ}, t) t = [ ] d N W ({φ} { }; { })P ({φ} { }, t) W ({φ}; { })P ({φ}, t) où W ({φ}; { }) est la probabilité de transition par unité de temps de l état {φ} vers l état {φ} + { }. Nous pouvons formellement développer le permier terme du membre de droite en série entière par rapport à ( 1, 2,..., N ), ce qui conduit à : P ({φ}, t) t = { d N ( 1) n n [ i1... in n! φ i1... φ in n=0 ] } W ({φ}; { })P ({φ}, t) (2.3) d N W ({φ}; { })P ({φ}, t) (2.4) où la sommation N i 1 =1... N i sur les indices répétés i n=1 1,..., i n est implicite. Le premier terme du développement en série s annule avec le dernier des membres de droite. L équation (2.4) peut donc s écrire sous la forme : P ({φ}, t) t = ( 1) n n [ ] D i1,...,i n! φ i1... φ n ({φ})p ({φ}, t) in n=1 où les quantités D i1,...,i n ({φ}) sont tout simplement les moments de la probabilité de transition W ({φ}; { }) : D i1,...,i n ({φ}) = d N i1... in W ({φ}; { }). (2.6) L équation (2.5) constitue le développement de Kramers-Moyal de l équation maîtresse (2.1). Ce dévéloppement est formellement identique à l équation maîtresse elle-même et a donc, tel quel, le même degré de complexité. Le développement de Kramers-Moyal suggère cependant une méthode pour approximer l équation maîtresse initial. Si les moments D i1,...,i n ({φ}) de la probabilité de transition décroissent suffisamment vite, on peut éventuellement limité le développemenent à un certain ordre n. L approximation de Fokker-Planck consiste précisément à limiter le développement à l ordre n = 2 : P ({φ}, t) t = [ ] D i1 ({φ})p ({φ}, t) φ i [ 2 φ i1 φ i2 ] D i1,i 2 ({φ})p ({φ}, t) où D i1 ({φ}) et D i1,i 2 ({φ}) sont les moments d ordre 1 et 2 de la probabilité de transition : D i1 ({φ}) = d N i1 W ({φ}; { }) D i1,i 2 ({φ}) = d N i1 i2 W ({φ}; { }). (2.8) En raison de leur rôle dans l équation (2.7), les coefficients D i1 et D i1,i 2 sont respectivement appelés coefficient de convection et coefficient de diffusion. Il est en effet évident que la matrice formée par les coefficients D i1,i 2 ({φ(t)}) est définie positive, c.-à-d. D i1,i 2 ({φ(t)})a i1 a i2 > 0 pour tout vecteur {a i } avec a i > 0. Le second terme de l équation (2.7) joue donc bien un rôle (2.5) (2.7) 8

15 2.2 Les équations de Langevin diffusif, c.-à-d. d étalement de la distribution P ({φ}, t) dans l espace {φ 1,..., φ N }. Le premier terme quant à lui a la forme d une divergence d un flux dans cet espace, avec une vitesse locale donnée par les coefficients D i1 ({φ(t)}), qui jouent donc bien le rôle de coefficients de convection. Notons, pour clore ce paragraphe, que l équation de Fokker-Planck est beaucoup plus simple que l équation maîtresse initiale, puisque c est une simple équation aux dérivées partielles du second ordre. Elle n a cependant de sens que si effectivement les moments de la probabilité de transition W ({φ}; { }) sont négligeables pour n 3, ce qui sera le cas si W ({φ}; { }) décroît suffisamment rapidement avec l amplitude des sauts { }. Dans les situations que nous considérons plus loin, les sauts consisterons à échanger deux particules entre deux cellules voisines, contenant chacune N cell particules. Nous verrons que les termes successifs du développement de 1 Kramers-Moyal de notre équation maîtresse sont d ordre avec n = 1, 2, etc. Il sera donc N (n 1) cell 1 justifié de tronquer le développement au plus bas ordre en N cell, c.-à-d. à l ordre n = Les équations de Langevin Au même titre que l équation maîtresse, l équation de Fokker-Planck régit l évolution d une distribution de probabilité P ({φ}, t). Cette dernière est complètement déterminée par une condition initiale P ({φ}, t 0 ) à l instant t 0 et par la donnée de la probabilité de transition W ({φ}, t), ou par les moments d ordre 1 et 2 de cette dernière dans le cadre de l approximation de Fokker- Planck. En d autres termes, l équation de Fokker-Planck ne permet pas de reproduire l évolution d un système donné, c.-à-d. d une distribution particulière de la dynamique stochastique du champ {φ}. C est précisément ce que permet l approche de Langevin. Cette approche est basée sur des équations d évolution des variables stochastiques φ i (t) elles-mêmes. En présence d une seule variable seulement, la forme la plus générale de l équation de Langevin est la suivante : φ(t) t = h[φ(t)] + g[φ(t)] Γ(t) (2.9) où les fonctions h(φ) et g(φ) sont des fonctions explicites de la variable φ, éventuellement nonlinéaires, et où Γ(t) est une fonction aléatoire dont nous précisons la définition mathématique plus loin. Le premier terme du membre de droite de l équation (2.9) correspond à la partie déterministe de la dynamique de φ(t) tandis que le second, piloté par la fonction aléatoire Γ(t), représente la partie stochastique. Plus précisément, le rôle de ce second terme est d induire un aspect probabiliste dans l évolution de la variable φ, car le terme de bruit générera des fluctuations sur φ. Notre but maintenant est d établir un lien formel entre l équation de Fokker-Planck et l équation de Langevin. Nous allons voir que ce lien dépend de façon cruciale de la manière dont nous traitons le terme de bruit. Dans le but d être assez général sans pour autant alourdir les calculs, nous allons considérer une situation où nous avons N variables φ i (t) dont les équations d évolution ont la forme suivante : φ i (t) t = h i [φ(t)] + g ij [φ(t)] Γ j (t). (2.10) Les fonctions h i (φ) et g ij (φ) sont des fonctions quelconques des variables φ 1,..., φ N, éventuellement non-linéaires, et les fonctions Γ j (t), appelées bruits de Langevin, sont des fonctions aléatoires indépendantes de valeurs moyennes nulles. De plus, puisque nous traitons ici de processus markovien, les fonctions de corrélation des termes de bruit doivent avoir une largeur temporelle 9

16 2 Le fondement mésoscopique des méthodes de Champ de Phase nulle. En d autres termes, les deux premiers moments de la fonction de distribution du bruit seront donnés par : Γ i (t) = 0 Γ i (t)γ j (t ) = 2δ ij δ(t t ). (2.11) Nous insistons sur le fait que, dans la mesure où l équation (2.10) est une équation différentielle du premier ordre seulement par rapport au temps, la présence d un pic de Dirac dans la fonction d autocorrélation du bruit Γ i (t) est une condition nécessaire et suffisante pour que la dynamique des variables φ i (t) soit strictement markovienne, c.-à-d. sans mémoire du passé. Les équations (2.11) ne sont cependant pas suffisantes pour décrire totalement les termes de bruit. Il faut également définir les termes d ordres plus élevés. Nous supposons ici que les fonctions Γ i (t) sont gaussiennes, c.-à-d. que leurs moments d ordres impairs sont nuls et que les moments pairs sont reliés au moment d ordre 2 : Γ i (t 1 )...Γ i (t 2n+1 ) = 0 Γ i (t 1 )...Γ i (t 2n ) = P 2 n δ(t i1 t i2 )δ(t i3 t i4 )...δ(t i2n 1 t i2n ) (2.12) où la notation P représente les différentes possibilités de permuter les (2n) instants t 1,..., t 2n, en ne comptant pas les permutations qui consistent à échanger les deux temps d une même fonction de corrélation δ(t i t j ) ou à échanger deux fonctions de corrélation (la somme P coure donc sur (2n)!/(2 n n!) termes). Par exemple, le moment d ordre 4 est donné par : Γ i (t 1 )...Γ i (t 4 ) = 4δ(t 1 t 2 )δ(t 3 t 4 ) + 4δ(t 1 t 3 )δ(t 2 t 4 ) + 4δ(t 1 t 4 )δ(t 2 t 4 ). Le principal intérêt de supposer que la distribution des termes de bruit est gaussienne est qu alors, comme nous le démontrerons plus bas, les équations de Langevin (2.10) sont strictement équivalentes à une équation de Fokker-Planck, quelque soit la forme des fonctions h i ({φ}) et g ij ({φ}). Lorsque les fonctions g ij sont constantes, on parle d équations de Langevin avec bruit additif, car l amplitude des termes stochastiques à l instant t ne dépend pas de l état des variables φ i à cet instant. Par contre, lorsque les fonctions g ij ({φ}) dépendent des variables φ i, on parle de bruit multiplicatif, car alors l amplitude de la partie stochastique dépend de la valeur instantanée des variables elles-mêmes. C est ce cas que nous considérons dans ce qui suit Equations de Langevin avec bruit multiplicatif : points de vue de Itô et de Stratonovich Nous considérons un système d équations de Langevin avec bruit multiplicatif (cf. éq. (2.10)). Les propriétés stochastiques des termes de bruit sont définis par les équations (2.11) et (2.12). Ce système d équations ne définit cependant pas entièrement le processus stochastique lorsque les fonctions g ij ({φ}) ne sont pas constantes. En effet, il reste un arbitraire dans les équations (2.10), dans la mesure où les termes de bruit Γ j (t) ont un temps d autocorrélation nul. Plus précisément, nous devons choisir quelle valeur de {φ} utiliser dans les préfacteurs g ij ({φ}) des termes de bruit. Ce problème peut être illustré de la façon suivante. Puisque leurs temps d autocorrélation sont nuls, les fonctions Γ j (t) peuvent être visualisées comme des séries de pics de Dirac. Les variables stochastiques φ i (t) présentent donc des discontinuités à chaque instant t, ce qui conduit à la question suivante : à un instant t donné, quelle valeur de {φ} doit-on utiliser dans les 10

17 2.2 Les équations de Langevin fonctions g ij ({φ})? Nous pouvons utiliser la valeur que {φ} a atteinte juste avant t, juste après, ou, d une certaine manière, une valeur intermédiaire. Ces différentes possibilités sont toutes mathématiquement valides et un choix doit être fait arbitrairement. Ce choix est référencé dans la littérature sous le nom de dilemme d Itô-Stratonovich. La méthode d Itô consiste à choisir la valeur de {φ} juste avant l arrivée des pics de Dirac. Plus précisément, dans la limite t 0, Itô interprète les équations de Langevin (2.10) sous la forme : Itô : t 0, φ i (t + t) φ i (t) = h i [{φ(t)}] t + g ij [{φ(t)}] t+ t t Γ j (t )dt. (2.13) La méthode de Stratonovich, quant à elle, consiste à choisir la valeur moyenne de {φ} entre les instants t et t + t : Stratonovich : t 0, φ i (t + t) φ i (t) = h i [{φ(t)}] t [ ] {φ(t + t)} + {φ(t)} t+ t +g ij Γ j (t )dt. (2.14) 2 t En d autres termes, ce choix revient à supposer que le bruit singulier Γ j (t) est en fait la limite t 0 d un bruit régulier de largeur t. De ce point de vue, le choix de Stratonovich peut également être formulé de la façon suivante : Stratonovich : t 0, φ i (t + t) φ i (t) = h i [{φ(t)}] t + t+ t t g ij [{φ(t )}] Γ 0 j dt (2.15) où les scalaires Γ 0 j sont des variables aléatoires gaussiennes indépendantes dont les deux premiers moments sont définis par : Γ 0 i = 0 Γ 0 i Γ 0 j = 1 2δ ij t, (2.16) de manière à retrouver les équations (2.11) dans la limite t 0, et les moments suivants par : (Γ 0 i ) 2n+1 = 0 (Γ 0 i ) 2n = (2n)! 1 n! ( t) n. (2.17) Enfin, par souci de cohérence avec cette formulation du choix de Stratonovich, nous pouvons présenter le choix d Itô de la façon suivante : Itô : t 0, φ i (t + t) φ i (t) = h i [{φ(t)}] t + g ij [{φ(t)}] t+ t t dt Γ 0 j (2.18) où les propriétés stochastiques des variables aléatoires Γ 0 j équations (2.16) et (2.17). sont également celles prescrites par les Des équations de Langevin vers une équation de Fokker-Planck Nous allons maintenant montrer que les équations de Langevin sont équivalentes à une équation de Fokker-Planck.La présente dérivation est proche de celle proposée dans la référence [8]. 11

18 2 Le fondement mésoscopique des méthodes de Champ de Phase Dans la mesure où les équations de Langevin (2.10) avec les termes de bruit (2.11) correspondent à un processus de Markov, il existe nécessairement une équation maîtresse du type (2.1) ou (2.3) qui gère l évolution temporelle de la distribution de probabilité P ({φ}, t). Nous allons identifier cette équation maîtresse à la forme de son développement de Kramers-Moyal (2.5). Rappelons que ce développement est entièrement caractérisé par les moments D i1,...,i n ({φ}) de la probabilité de transition, et que ces coefficients peuvent être calculés par l expression suivante : 1 D i1,...,i n ({φ}) = lim [φ i1 (t + t) φ i1 (t)]...[φ in (t + t) φ in (t)] t 0 t (2.19) où la valeur moyenne est prise sur la distribution de probabilité de {φ} à l instant t + t, sachant qu à l instant t la variable {φ} est strictement égale à {φ 1 (t),..., φ N (t)}. En d autres termes, les variables φ i (t + t) ( t > 0) qui interviennent dans (2.19) sont les solutions des équations de Langevin (2.10) entre les instants t et t + t, quand la condition initiale à l instant t est parfaitement connue et égale à φ i (t), i = 1,..., N, et la valeur moyenne... associée à la distribution de probabilité correspond à une moyenne sur les différentes réalisations des termes de bruit. Pour mettre en œuvre (2.19), nous avons tout d abord besoin d exprimer φ i (t + t) φ i (t) en fonction de t. Nous devons pour cela utiliser les équations (2.15) ou (2.18), selon que l on opte pour le choix de Stratonovich ou de Itô. Nous allons examiner successivement ces deux options. Choix de Stratonovich Nous partons donc de l équation (2.15). En introduisant un développement en série des fonctions g ij ({φ(t )}) qui apparaissent dans l intégrale stochastique, nous avons : φ i (t + t) φ i (t) = h i [{φ(t)}] t (2.20) 1 t+ t [ + n! g(n) ij,k 1...k φk1 n (t ) φ k1 (t) ]... [ φ kn (t ) φ kn (t) ] Γ 0 j dt t n=0 où le terme g (n) ij,k 1...k n ({φ(t)}) est la dérivée d ordre n de la fonction g ij ({φ}) par rapport aux variables φ k1,..., φ kn, estimée au temps t : g (n) ij,k 1...k n ({φ(t)}) = n g ij ({φ}). (2.21) φ k1... φ kn t Dans l équation (2.20) apparaissent de nouveau des termes du type φ k (t ) φ k (t), pour lesquels nous pouvons réitérer un développement du type (2.20), en remplaçant (t + t) par t, et ainsi de suite. L écriture générale de ces développements successifs est très lourd, mais nous notons ici que, dans le but d utiliser l équation (2.19), nous n avons besoin d identifier que les termes, d ordre t au plus, car les termes d ordre supérieur disparaissent lorsque nous prenons la limite t 0 de l équation (2.19). L incorporation itérative du développement (2.20) dans l équation (2.20) elle-même conduit a des termes qui contiennent un certains nombres de fois une contribution stochastique, c.-à-d. une intégrale de la forme t t dt Γ 0 j, et un certain nombre de fois une contribution déterministe, c.-à-d. de la forme t h i [{φ(t )}] dt. t En notant n S et n D les nombres respectifs des contributions stochastiques et déterministes à 12

19 2.2 Les équations de Langevin un terme donné du développement, la dépendance en t de ce terme est donc : t+ t t dt 1 t1 t tns 1 dt 2... dt ns Γ 0 i 1...Γ 0 i ns t t+ t t dt 1 t1 t tnd 1 dt 2... dt nd ( t) ns/2 ( t) n D t car l amplitude des termes de bruit Γ 0 j sont d ordre ( t) 1/2 (voir (2.16)) tandis que les termes déterministes h i sont d ordre zéro en t. Puisque nous ne devons identifier, dans l équation (2.20), que les termes d ordre t au plus, nous n avons besoin de considérer que les termes avec une contribution stochastique seulement (n S = 1, n D = 0), deux contributions stochastiques seulement (n S = 2, n D = 0) et, finalement, une contribution déterministe seulement (n S = 0, n D = 1). Ceci conduit aux contributions suivantes : (n S = 1, n D = 0) : g ij ({φ(t)}) t+ t (n S = 2, n D = 0) : g (1) ij,k ({φ(t)})g kl({φ(t)}) (n S = 0, n D = 1) : t dt Γ 0 j = g ij ({φ(t)}) Γ 0 j t t+ t t dt Γ 0 j = g (1) ij,k ({φ(t)}) g kl({φ(t)}) Γ 0 j Γ 0 t 2 l 2 t+ t t t h i [{φ(t )}] dt = h i [{φ(t)}] t. t dt Γ 0 l Nous rappelons qu en raison des propriétés stochastiques les termes de bruit Γ 0 j (cf. éq. (2.16) et (2.17)), la première contribution ci-dessus est d ordre t, tandis que la seconde est d ordre t, c.-à-d. du même ordre que la contribution déterministe 2. En conclusion, le développement de φ i (t + t) φ i (t) jusqu à l ordre t est donc : φ i (t+ t) φ i (t) = g ij ({φ(t)})γ 0 j t+g kl ({φ(t)}) g ij ({φ(t)}) Γ 0 j Γ 0 t 2 l φ k 2 h i[{φ(t)}] t (2.22) où nous rappelons que les termes Γ 0 j sont d ordre 1 t et que la sommation sur les indices répétés est implicite. Il est maintenant très facile de calculer les coefficients D i1,...,i n ({φ(t)}) du développement de Kramers-Moyal. En injectant l équation (2.22) dans l équation (2.19), nous obtenons pour les coefficients D i ({φ(t)}) : 1 D i ({φ(t)}) = lim φ i (t + t) φ i (t) t 0 t = h i [{φ(t)}] + g kj ({φ(t)}) φ k g ij ({φ(t)}) (2.23) où nous avons utilisé les propriétés stochastiques des termes de bruit donnés par les équations (2.16). Calculons maintenant les coefficients d ordre 2, c.-à-d. les coefficients de diffusion, D ij ({φ(t)}). Nous avons besoin pour cela du développement à l ordre t du produit [φ i (t + t) φ i (t)][φ j (t + t) φ j (t)]. L analyse de l équation (2.22) montre immédiatement que ce développement ne contient que les termes du type g ik ({φ(t)}) g jl ({φ(t)}) Γ 0 k Γ0 l t2. On 2 C est cette particularité du choix de Stratonovich qui engendre ce que nous appelerons plus loin un terme convectif induit par le bruit. 13

20 2 Le fondement mésoscopique des méthodes de Champ de Phase obtient donc : 1 D ij ({φ(t)}) = lim [φ i (t + t) φ i (t)][φ j (t + t) φ j (t)] t 0 t = 2 g ik ({φ(t)}) g jk ({φ(t)}) (2.24) où nous avons utilisé les équations (2.16). Enfin, on montre facilement que les coefficients de Kramers-Moyal d ordre n 3 seront identiquement nuls. Considérons tout d abord les coefficients de Kramers-Moyal D i1,...,i n d ordre pair (n = 2k) avec k 2. L examen de l équation (2.22) montre que le produit {φ i1 (t + t) φ i1 (t)}...{φ i2k (t + t) φ i2k (t)} est piloté, au plus bas ordre en t, par des termes constitués du produit de 2k termes stochastiques Γ 0 j t. En raison des propriétés stochastiques des bruits de Langevin (cf. éq. (2.16) et (2.17)), ces termes sont d ordre ( 1 t )k t 2k t k. Leur contribution à l équation (2.19) est donc d ordre t k 1, dont la limite quand t 0 est nulle pour k 2. Le coefficients de Kramers-Moyal D i1,...,i 2k avec k 2 sont donc identiquement nuls. Considérons enfin le coefficients D i1,...,i 2k+1 d ordre impair. En remarquant qu un terme constitué d un nombre impair de coefficients Γ 0 j est en moyenne nul, on se convainc facilement que le produit {φ i1 (t + t) φ i1 (t)}...{φ i2k+1 (t + t) φ i2k+1 (t)} est dominé, au plus bas ordre en t, par deux types de termes : des termes constitués du produit de 2(k + 1) termes stochastiques Γ 0 j t, donc d ordre ( 1 t )k+1 t 2(k+1) t k+1, et les termes constitués du produit de 2k termes stochastiques et d un terme déterministe du type h j ({φ(t)}) t, donc d ordre ( 1 t )k t 2k t t k+1. La contribution de ces termes au coefficient de Kramers-Moyal D i1,...,i 2k+1 est donc d ordre t k, dont la limite quand t 0 est nulle pour k 1. Les coefficients D i1,...,i 2k+1 sont donc nuls. En conclusion, les coefficients de Kramers-Moyal d ordre n 3 sont identiquement nuls. Le développement de Kramers-Moyal de l équation maîtresse suivie par P ({φ}, t) s arrête donc strictement à l ordre 2. Lorsque les termes de bruits sont traitées suivant l approche de Stratonovich, les équations de Langevin (2.10) sont donc mathématiquement identiques à une équation de Fokker-Planck de la forme : P ({φ}, t) t = [ ] D i ({φ})p ({φ}, t) φ i [ 2 φ i φ j dont les coefficients de diffusion et de convection sont donnés par : ] D ij ({φ})p ({φ}, t) Stratonovich : D i ({φ}) = h i [{φ}] + g kj ({φ}) φ k g ij ({φ}) (2.25) D ij ({φ}) = 2 g ik ({φ}) g jk ({φ}). (2.26) Rappelons que ce résultat a été obtenu dans le cas général où les fonctions h i [{φ}] sont quelconques (équations de Langevin non-linéaires) et les fonctions g ij ({φ}) non-constantes (bruit multiplicatif). Choix de Itô Nous devons maintenant considérer le cas où les termes de bruit sont traités selon la description d Itô. Le calcul des coefficients de Kramers-Moyal est alors très simple. Le comportement de φ i (t + t) quand t 0 est donné par l équation (2.18) avec des termes de bruit Γ 0 j vérifiant (2.16). L analyse de l intégrale stochastique est alors beaucoup plus simple que dans le cas de la 14

Support du cours de Probabilités IUT d Orléans, Département d informatique

Support du cours de Probabilités IUT d Orléans, Département d informatique Support du cours de Probabilités IUT d Orléans, Département d informatique Pierre Andreoletti IUT d Orléans Laboratoire MAPMO (Bât. de Mathématiques UFR Sciences) - Bureau 126 email: pierre.andreoletti@univ-orleans.fr

Plus en détail

COMPORTEMENT ASYMPTOTIQUE D UNE FILE D ATTENTE À UN SERVEUR

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

Plus en détail

ORDRE DE RÉACTION : MÉTHODES DE

ORDRE DE RÉACTION : MÉTHODES DE ORDRE DE RÉACTION : MÉTHODES DE RÉSOLUTION Table des matières 1 Méthodes expérimentales 2 1.1 Position du problème..................................... 2 1.2 Dégénérescence de l ordre...................................

Plus en détail

Texte Agrégation limitée par diffusion interne

Texte 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 détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

Analyse de la variance à deux facteurs

Analyse de la variance à deux facteurs 1 1 IRMA, Université Louis Pasteur Strasbourg, France Master 1 Psychologie du développement 06-10-2008 Contexte Nous nous proposons d analyser l influence du temps et de trois espèces ligneuses d arbre

Plus en détail

Analyse abstraite de missions sous PILOT

Analyse abstraite de missions sous PILOT Analyse abstraite de missions sous PILOT Damien Massé EA 3883, Université de Bretagne Occidentale, Brest damien.masse@univ-brest.fr Résumé Nous étudions la possibilité de réaliser un analyseur par interprétation

Plus en détail

5 Méthodes algorithmiques

5 Méthodes algorithmiques Cours 5 5 Méthodes algorithmiques Le calcul effectif des lois a posteriori peut s avérer extrêmement difficile. En particulier, la prédictive nécessite des calculs d intégrales parfois multiples qui peuvent

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles

Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles Cours FPV - Semaine 3 : Recherche d Extrema et Formes Différentielles Frédéric Messine Introduction Dans ce chapitre, nous allons étudier une application de la dérivation des fonctions de plusieurs variables

Plus en détail

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini.

Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. Chapitre 1: Introduction au calcul des probabilités, cas d un univers fini. 1 Introduction Des actions comme lancer un dé, tirer une carte d un jeu, observer la durée de vie d une ampoule électrique, etc...sont

Plus en détail

DYNAMIQUE DE FORMATION DES ÉTOILES

DYNAMIQUE DE FORMATION DES ÉTOILES A 99 PHYS. II ÉCOLE NATIONALE DES PONTS ET CHAUSSÉES, ÉCOLES NATIONALES SUPÉRIEURES DE L'AÉRONAUTIQUE ET DE L'ESPACE, DE TECHNIQUES AVANCÉES, DES TÉLÉCOMMUNICATIONS, DES MINES DE PARIS, DES MINES DE SAINT-ÉTIENNE,

Plus en détail

Modèles à Événements Discrets. Réseaux de Petri Stochastiques

Modèles 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 détail

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques

Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Distributions bayésiennes nonparamétriques sur les matrices binaires triangulaires infinies : Applications aux modèles graphiques Patrick Dallaire Université Laval Département d informatique et de génie

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 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 détail

Fonctions de plusieurs variables

Fonctions 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 détail

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3

1.1 Définitions... 2 1.2 Opérations élémentaires... 2 1.3 Systèmes échelonnés et triangulaires... 3 Chapitre 5 Systèmes linéaires 1 Généralités sur les systèmes linéaires 2 11 Définitions 2 12 Opérations élémentaires 2 13 Systèmes échelonnés et triangulaires 3 2 Résolution des systèmes linéaires 3 21

Plus en détail

Tension d alimentation : V CC. i C R C R B

Tension d alimentation : V CC. i C R C R B Chapitre 4 Polarisation du transistor bipolaire à jonction 4.1 Le problème de la polarisation 4.1.1 Introduction Dans le chapitre 3, nous avons analysé un premier exemple de circuit d amplification de

Plus en détail

SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique

SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique SOCLE COMMUN - La Compétence 3 Les principaux éléments de mathématiques et la culture scientifique et technologique DOMAINE P3.C3.D1. Pratiquer une démarche scientifique et technologique, résoudre des

Plus en détail

23. Interprétation clinique des mesures de l effet traitement

23. Interprétation clinique des mesures de l effet traitement 23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d

Plus en détail

Systèmes linéaires. 1. Introduction aux systèmes d équations linéaires. Exo7. 1.1. Exemple : deux droites dans le plan

Systèmes linéaires. 1. Introduction aux systèmes d équations linéaires. Exo7. 1.1. Exemple : deux droites dans le plan Exo7 Systèmes linéaires Vidéo partie 1. Introduction aux systèmes d'équations linéaires Vidéo partie 2. Théorie des systèmes linéaires Vidéo partie 3. Résolution par la méthode du pivot de Gauss 1. Introduction

Plus en détail

L2 MIEE 2012-2013 VAR Université de Rennes 1

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

Plus en détail

Théorème du point fixe - Théorème de l inversion locale

Théorème du point fixe - Théorème de l inversion locale Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion

Plus en détail

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications

Université Paris-Dauphine DUMI2E 1ère année, 2009-2010. Applications Université Paris-Dauphine DUMI2E 1ère année, 2009-2010 Applications 1 Introduction Une fonction f (plus précisément, une fonction réelle d une variable réelle) est une règle qui associe à tout réel x au

Plus en détail

Trépier avec règle, ressort à boudin, chronomètre, 5 masses de 50 g.

Trépier avec règle, ressort à boudin, chronomètre, 5 masses de 50 g. PHYSQ 130: Hooke 1 LOI DE HOOKE: CAS DU RESSORT 1 Introduction La loi de Hooke est fondamentale dans l étude du mouvement oscillatoire. Elle est utilisée, entre autres, dans les théories décrivant les

Plus en détail

Suites numériques 3. 1 Convergence et limite d une suite

Suites 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 détail

Introduction à l étude des Corps Finis

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

Plus en détail

Chapitre 1 Régime transitoire dans les systèmes physiques

Chapitre 1 Régime transitoire dans les systèmes physiques Chapitre 1 Régime transitoire dans les systèmes physiques Savoir-faire théoriques (T) : Écrire l équation différentielle associée à un système physique ; Faire apparaître la constante de temps ; Tracer

Plus en détail

Programme de Première

Programme de Première BAC TECHNO STAV 66 I. Algèbre Programme de Première Objectif 1 - Effectuer de manière autonome des calculs numériques ou algébriques, résoudre des équations ou inéquations en vue de résoudre des problèmes

Plus en détail

Modèle réduit pour la DSC : Application aux solutions binaires

Modèle réduit pour la DSC : Application aux solutions binaires Modèle réduit pour la DSC : Application aux solutions binaires Stéphane GIBOUT 1, Erwin FRANQUET 1, William MARÉCHAL 1, Jean-Pierre BÉDÉCARRATS 1, Jean-Pierre DUMAS 1 1 Univ. Pau & Pays Adour, LaTEP-EA

Plus en détail

2. Déplacement d une charge ponctuelle dans un champ magnétique uniforme stationnaire

2. Déplacement d une charge ponctuelle dans un champ magnétique uniforme stationnaire Chapitre VII Forces électromagnétiques VII.a. Force de Lorentz La force à laquelle est soumis, à un instant t, un point matériel de charge q, situé en M et se déplaçant à une vitesse v(t) par rapport à

Plus en détail

Approche multi-échelles: Aide à la conception et à l'injection de pièces en Polyamide renforcé. Y. Deyrail, M. Oumarou, A. Causier, W.

Approche multi-échelles: Aide à la conception et à l'injection de pièces en Polyamide renforcé. Y. Deyrail, M. Oumarou, A. Causier, W. Approche multi-échelles: Aide à la conception et à l'injection de pièces en Polyamide renforcé Y. Deyrail, M. Oumarou, A. Causier, W. Zerguine SOMMAIRE Présentation de la société Contexte de l étude Approche

Plus en détail

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes. Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de

Plus en détail

INTRODUCTION À LA THÉORIE DE STABILITÉ DES SYSTÈMES CONSERVATIFS

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

Plus en détail

Principes généraux de codage entropique d'une source. Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph

Principes généraux de codage entropique d'une source. Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph Principes généraux de codage entropique d'une source Cours : Compression d'images Master II: IASIG Dr. Mvogo Ngono Joseph Table des matières Objectifs 5 Introduction 7 I - Entropie d'une source 9 II -

Plus en détail

Nous concluons au travers de quatre axes principaux qui ont guidé la. 1) La théorie du regret de Loomes et Sugden comme théorie de la décision

Nous concluons au travers de quatre axes principaux qui ont guidé la. 1) La théorie du regret de Loomes et Sugden comme théorie de la décision Conclusion générale Nous concluons au travers de quatre axes principaux qui ont guidé la rédaction de cette thèse. 1) La théorie du regret de Loomes et Sugden comme théorie de la décision rationnelle compatible

Plus en détail

Calculs approchés d un point fixe

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

Plus en détail

Agrégation externe de mathématiques, session 2013 Épreuve de modélisation, option B : Calcul Scientifique

Agrégation externe de mathématiques, session 2013 Épreuve de modélisation, option B : Calcul Scientifique Agrégation externe de mathématiques, session 2013 Épreuve de modélisation, option (Public2014-B1) Résumé : On présente un exemple de système de deux espèces en compétition dans un environnement périodique.

Plus en détail

L essentiel sur les tests statistiques

L essentiel sur les tests statistiques L essentiel sur les tests statistiques 21 septembre 2014 2 Chapitre 1 Tests statistiques Nous considérerons deux exemples au long de ce chapitre. Abondance en C, G : On considère une séquence d ADN et

Plus en détail

MATHÉMATIQUES ET SCIENCES HUMAINES

MATHÉMATIQUES ET SCIENCES HUMAINES MATHÉMATIQUES ET SCIENCES HUMAINES B. MARCHADIER Dépendance et indépendance de deux aléas numériques images Mathématiques et sciences humaines, tome 25 (1969), p. 2534.

Plus en détail

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

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

Plus en détail

Espaces vectoriels et applications linéaires

Espaces vectoriels et applications linéaires Espaces vectoriels et applications linéaires Exercice 1 On considère l'ensemble E des matrices carrées d'ordre 3 défini par,,, 1) Montrer que est un sous-espace vectoriel de l'espace vectoriel des matrices

Plus en détail

La fonction exponentielle

La 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 détail

DEFINITION et PROPRIETES des PRINCIPALES LOIS de PROBABILITES

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

Plus en détail

Primitives Cours maths Terminale S

Primitives Cours maths Terminale S Primitives Cours maths Terminale S Dans ce module est introduite la notion de primitive d une fonction sur un intervalle. On définit cette notion puis on montre qu une fonction admet une infinité de primitives

Plus en détail

Oscillations libres des systèmes à deux degrés de liberté

Oscillations libres des systèmes à deux degrés de liberté Chapitre 4 Oscillations libres des systèmes à deux degrés de liberté 4.1 Introduction Les systèmes qui nécessitent deux coordonnées indépendantes pour spécifier leurs positions sont appelés systèmes à

Plus en détail

Master IAD Module PS. Reconnaissance de la parole (suite) Modèles de Markov et bases de données. Gaël RICHARD Février 2008

Master IAD Module PS. Reconnaissance de la parole (suite) Modèles de Markov et bases de données. Gaël RICHARD Février 2008 Master IAD Module PS Reconnaissance de la parole (suite) Modèles de Markov et bases de données Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance vocale

Plus en détail

POLY-PREPAS Centre de Préparation aux Concours Paramédicaux

POLY-PREPAS Centre de Préparation aux Concours Paramédicaux POLY-PREPAS Centre de Préparation aux Concours Paramédicaux - Sections : L1 Santé - 1 Olivier CAUDRELIER oc.polyprepas@orange.fr Chapitre 1 : Equations aux dimensions 1. Equation aux dimensions a) Dimension

Plus en détail

Déclassement d'actifs et stock brut de capital

Déclassement d'actifs et stock brut de capital Extrait de : La mesure du capital - Manuel de l'ocde 2009 Deuxième édition Accéder à cette publication : http://dx.doi.org/10.1787/9789264067752-fr Déclassement d'actifs et stock brut de capital Merci

Plus en détail

Chapitre 0-2 Introduction générale au cours de BCPST1

Chapitre 0-2 Introduction générale au cours de BCPST1 Chapitre 0-2 Introduction générale au cours de BCPST Extrait du programme I. Les grandeurs en sciences physiques Définition : une grandeur est une observable du système On peut la mettre en évidence a.

Plus en détail

Introduction à la simulation de Monte Carlo

Introduction à la simulation de Monte Carlo Introduction à la simulation de 6-601-09 Simulation Geneviève Gauthier HEC Montréal e 1 d une I Soit X 1, X,..., X n des variables aléatoires indépendantes et identiquement distribuées. Elles sont obtenues

Plus en détail

À propos des matrices échelonnées

À propos des matrices échelonnées À propos des matrices échelonnées Antoine Ducros appendice au cours de Géométrie affine et euclidienne dispensé à l Université Paris 6 Année universitaire 2011-2012 Introduction Soit k un corps, soit E

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

Activité 1 : échantillonnage

Activité 1 : échantillonnage Activité échantillonnage, intervalle de fluctuation, prise de décision (à partir d un même thème) Les trois activités qui suivent s inspirent du document «ressources pour la classe de première générale

Plus en détail

Cours de spécialité mathématiques en Terminale ES

Cours de spécialité mathématiques en Terminale ES Cours de spécialité mathématiques en Terminale ES O. Lader 2014/2015 Lycée Jean Vilar Spé math terminale ES 2014/2015 1 / 51 Systèmes linéaires Deux exemples de systèmes linéaires à deux équations et deux

Plus en détail

COURS DE THERMODYNAMIQUE

COURS DE THERMODYNAMIQUE 1 I.U.. de Saint-Omer Dunkerque Département Génie hermique et énergie COURS DE HERMODYNAMIQUE 4 e semestre Olivier ERRO 2009-2010 able des matières 1 Mathématiques pour la thermodynamique 4 1.1 Dérivées

Plus en détail

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009

Projets scilab. L3 Maths Appliquées lagache@biologie.ens.fr 02 Avril 2009 Projets scilab L3 Maths Appliquées lagache@biologie.ens.fr 2 Avril 29 REMARQUE: quelques résultats importants concernant le théorème central limite et les intervalles de confiance sont rappelés dans la

Plus en détail

Précision d un résultat et calculs d incertitudes

Précision 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 détail

Loi normale ou loi de Laplace-Gauss

Loi normale ou loi de Laplace-Gauss LivreSansTitre1.book Page 44 Mardi, 22. juin 2010 10:40 10 Loi normale ou loi de Laplace-Gauss I. Définition de la loi normale II. Tables de la loi normale centrée réduite S il y avait une seule loi de

Plus en détail

Transition de phase et métastabilité

Transition de phase et métastabilité Transition de phase et métastabilité F. James, H. Mathis Laboratoire de Mathématiques Jean Leray, Université de Nantes 8-9 septembre 2014 MODTERCOM Hélène Mathis (LMJL, Université de Nantes) Transition

Plus en détail

Analyse de données longitudinales continues avec applications

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

Plus en détail

Image d un intervalle par une fonction continue

Image d un intervalle par une fonction continue DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction

Plus en détail

I. Polynômes de Tchebychev

I. Polynômes de Tchebychev Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire

Plus en détail

Courant électrique et distributions de courants

Courant électrique et distributions de courants Cours d électromagnétisme Courant électrique et distributions de courants 1 Courant électrique 1.1 Définition du courant électrique On appelle courant électrique tout mouvement d ensemble des particules

Plus en détail

Problème de contrôle optimal pour une chaîne de Markov

Problème de contrôle optimal pour une chaîne de Markov Problème de contrôle optimal pour une chaîne de Markov cours ENSTA MA206 Il s agit de résoudre un problème d arrêt optimal pour une chaîne de Markov à temps discret. Soit X n une chaîne de Markov à valeurs

Plus en détail

Avant-propos. 1. Institut national de recherche en informatique et en automatique.

Avant-propos. 1. Institut national de recherche en informatique et en automatique. Avant-propos J ai découvert, un jour de 1986, l ouvrage de G. Fishman [FIS 73] sur la simulation au centre de documentation de l INRIA 1 à Rocquencourt. J ai été aussitôt attiré par ce procédé numérique

Plus en détail

Exercices théoriques

Exercices théoriques École normale supérieure 2008-2009 Département d informatique Algorithmique et Programmation TD n 9 : Programmation Linéaire Avec Solutions Exercices théoriques Rappel : Dual d un programme linéaire cf.

Plus en détail

Continuité d une fonction de plusieurs variables

Continuité d une fonction de plusieurs variables Chapitre 2 Continuité d une fonction de plusieurs variables Maintenant qu on a défini la notion de limite pour des suites dans R n, la notion de continuité s étend sans problème à des fonctions de plusieurs

Plus en détail

Regime Switching Model : une approche «pseudo» multivarie e

Regime Switching Model : une approche «pseudo» multivarie e Regime Switching Model : une approche «pseudo» multivarie e A. Zerrad 1, R&D, Nexialog Consulting, Juin 2015 azerrad@nexialog.com Les crises financières survenues dans les trente dernières années et les

Plus en détail

Simulation de variables aléatoires

Simulation de variables aléatoires Simulation de variables aléatoires S. Robin INA PG, Biométrie Décembre 1997 Table des matières 1 Introduction Variables aléatoires discrètes 3.1 Pile ou face................................... 3. Loi de

Plus en détail

Le corps R des nombres réels

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

Plus en détail

Étapes du développement et de l utilisation d un modèle de simulation

Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Formulation du problème Cueillette et analyse de données Conception

Plus en détail

ANNEXE 1 BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques

ANNEXE 1 BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques ANNEXE BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques L'enseignement des mathématiques dans les sections de techniciens supérieurs Agencement de l'environnement architectural

Plus en détail

Concours Centrale-Supélec 2005 7/12

Concours Centrale-Supélec 2005 7/12 Problème - type centrale Partie - Couplage des phénomènes de conduction thermique et électrique en régime linéaire. Étude d un réfrigérateur à effet Peltier Le but de cette partie est de montrer que, dans

Plus en détail

Chapitre IV : Couples de variables aléatoires discrètes

Chapitre IV : Couples de variables aléatoires discrètes UNIVERSITÉ DE CERG Année 0-03 UFR Économie & Gestion Licence d Économie et Gestion MATH0 : Probabilités Chapitre IV : Couples de variables aléatoires discrètes Généralités Définition Soit (Ω, P(Ω), P)

Plus en détail

Enveloppes convexes dans le plan

Enveloppes convexes dans le plan ÉCOLE POLYTECHNIQUE ÉCOLES NORMALES SUPÉRIEURES ÉCOLE SUPÉRIEURE DE PHYSIQUE ET DE CHIMIE INDUSTRIELLES CONCOURS D ADMISSION FILIÈRE MP HORS SPÉCIALITÉ INFO FILIÈRE PC COMPOSITION D INFORMATIQUE B (XECLR)

Plus en détail

Épreuve d informatique 2011

Épreuve d informatique 2011 A 2011 INFO. MP ÉCOLE NATIONALE DES PONTS ET CHAUSSÉES, ÉCOLES NATIONALES SUPÉRIEURES DE L AÉRONAUTIQUE ET DE L ESPACE, DE TECHNIQUES AVANCÉES, DES TÉLÉCOMMUNICATIONS, DES MINES DE PARIS, DES MINES DE

Plus en détail

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

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

Plus en détail

Elma m l a ki i Haj a a j r a Alla a Tao a uf u i f q B ur u kkad a i i Sal a ma m n a e n e Be B n e a n b a d b en e b n i b i Il I ham

Elma m l a ki i Haj a a j r a Alla a Tao a uf u i f q B ur u kkad a i i Sal a ma m n a e n e Be B n e a n b a d b en e b n i b i Il I ham Exposé: la technique de simulation MONTE-CARLO Présenté par : Elmalki Hajar Bourkkadi Salmane Alla Taoufiq Benabdenbi Ilham Encadré par : Prof. Mohamed El Merouani Le plan Introduction Définition Approche

Plus en détail

Electrocinétique et magnétostatique

Electrocinétique et magnétostatique Chapitre 3 Electrocinétique et magnétostatique 3.1 Electrocinétique - Vecteur densité de courant Un courant électrique correspond à des charges électriques mobiles. On appelle vecteur densité de courant

Plus en détail

Une réponse (très) partielle à la deuxième question : Calcul des exposants critiques en champ moyen

Une réponse (très) partielle à la deuxième question : Calcul des exposants critiques en champ moyen Une réponse (très) partielle à la deuxième question : Calcul des exposants critiques en champ moyen Manière heuristique d'introduire l'approximation de champ moyen : on néglige les termes de fluctuations

Plus en détail

Développement de méthodes multi-grilles dans le cadre de l intéraction pastille/gaine

Développement de méthodes multi-grilles dans le cadre de l intéraction pastille/gaine Développement de méthodes multi-grilles dans le cadre de l intéraction pastille/gaine January 25, 2011 Ce n est le bon chemin que si la flèche vise le coeur, R.Hauser Intéraction Pastille/Gaine Fonctionnement

Plus en détail

Groupe. Chapter 1. Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI)

Groupe. Chapter 1. Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI) Chapter 1 Groupe Félix Abecassis (CSI) Christopher Chedeau (CSI) Gauthier Lemoine (SCIA) Julien Marquegnies (CSI) Nous avons choisi d implémenter le projet avec le langage Javascript. L avantage offert

Plus en détail

Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1

Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1 Université Paris Diderot Physique L2 2014-2015 Simulations Numériques SN4 Projet : Recherche de source d onde gravitationnelle (analyse de données Metropolis Hastings Markov Chain) 1 Objectifs : Simuler

Plus en détail

Chapitre 1 L intérêt. 2. Concept d intérêt. 1. Mise en situation. Au terme de ce chapitre, vous serez en mesure de :

Chapitre 1 L intérêt. 2. Concept d intérêt. 1. Mise en situation. Au terme de ce chapitre, vous serez en mesure de : Chapitre 1 L intérêt Au terme de ce chapitre, vous serez en mesure de : 1. Comprendre la notion générale d intérêt. 2. Distinguer la capitalisation à intérêt simple et à intérêt composé. 3. Calculer la

Plus en détail

+ 1. Qu est ce que cela donne pour notre calcul de 1,01? On pose x = 1,01 donc f (x) 1 + 1 0,01

+ 1. Qu est ce que cela donne pour notre calcul de 1,01? On pose x = 1,01 donc f (x) 1 + 1 0,01 Eo7 Dérivée d une fonction Vidéo partie. Définition Vidéo partie. Calculs Vidéo partie 3. Etremum local, théorème de Rolle Vidéo partie 4. Théorème des accroissements finis Eercices Fonctions dérivables

Plus en détail

Restauration d images

Restauration d images Restauration d images Plan Présentation du problème. Premières solutions naïves (moindre carrés, inverse généralisée). Méthodes de régularisation. Panorama des méthodes récentes. Problème général Un système

Plus en détail

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

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

Plus en détail

Chapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens

Chapitre 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 détail

Supplément théorique Inférence dans les réseaux bayésiens. Rappel théorique. Les processus aléatoires. Les réseaux bayésiens

Supplément théorique Inférence dans les réseaux bayésiens. Rappel théorique. Les processus aléatoires. Les réseaux bayésiens DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG770 - SYSTÈMES INTELLIGENTS ÉTÉ 2011 Supplément théorique Inférence dans les réseaux bayésiens Rappel théorique Les processus aléatoires La plupart des processus

Plus en détail

Chapitre XIV BASES PHYSIQUES QUANTITATIVES DES LOIS DE COMPORTEMENT MÉCANIQUE. par S. CANTOURNET 1 ELASTICITÉ

Chapitre XIV BASES PHYSIQUES QUANTITATIVES DES LOIS DE COMPORTEMENT MÉCANIQUE. par S. CANTOURNET 1 ELASTICITÉ Chapitre XIV BASES PHYSIQUES QUANTITATIVES DES LOIS DE COMPORTEMENT MÉCANIQUE par S. CANTOURNET 1 ELASTICITÉ Les propriétés mécaniques des métaux et alliages sont d un grand intérêt puisqu elles conditionnent

Plus en détail

A propos du calcul des rentabilités des actions et des rentabilités moyennes

A propos du calcul des rentabilités des actions et des rentabilités moyennes A propos du calcul des rentabilités des actions et des rentabilités moyennes On peut calculer les rentabilités de différentes façons, sous différentes hypothèses. Cette note n a d autre prétention que

Plus en détail

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV

INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Séminaire MTDE 22 mai 23 INTRODUCTION AUX MÉTHODES DE MONTE CARLO PAR CHAÎNES DE MARKOV Vincent Mazet CRAN CNRS UMR 739, Université Henri Poincaré, 5456 Vandœuvre-lès-Nancy Cedex 1 juillet 23 Sommaire

Plus en détail

Correction de l épreuve intermédiaire de mai 2009.

Correction de l épreuve intermédiaire de mai 2009. Licence de Gestion. 3ème Année Année universitaire 8-9 Optimisation Appliquée C. Léonard Correction de l épreuve intermédiaire de mai 9. Exercice 1 Avec les notations du cours démontrer que la solution

Plus en détail

Température corporelle d un castor (une petite introduction aux séries temporelles)

Température corporelle d un castor (une petite introduction aux séries temporelles) Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature

Plus en détail

Cours de Mathématiques Seconde. Généralités sur les fonctions

Cours de Mathématiques Seconde. Généralités sur les fonctions Cours de Mathématiques Seconde Frédéric Demoulin 1 Dernière révision : 16 avril 007 Document diffusé via le site www.bacamaths.net de Gilles Costantini 1 frederic.demoulin (chez) voila.fr gilles.costantini

Plus en détail

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories :

L analyse d images regroupe plusieurs disciplines que l on classe en deux catégories : La vision nous permet de percevoir et d interpreter le monde qui nous entoure. La vision artificielle a pour but de reproduire certaines fonctionnalités de la vision humaine au travers de l analyse d images.

Plus en détail

Département de physique

Département de physique Département de physique Etude de la densité spectrale de puissance du bruit thermique dans une résistance Travail expérimental et rédaction du document : Jean-Baptiste Desmoulins (P.R.A.G.) mail : desmouli@physique.ens-cachan.fr

Plus en détail

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12

TS. 2012/2013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 20/11/12 TS. 01/013. Lycée Prévert. Corrigé du contrôle n 3. Durée : 3 heures. Mardi 0/11/1 Exercice 1 : ( 6,5 pts) Première partie : Démonstration à rédiger { Démontrer que si ( ) et (v n ) sont deux suites telles

Plus en détail

Professeur Eva PEBAY-PEYROULA

Professeur Eva PEBAY-PEYROULA UE3-1 : Physique Chapitre 4 : Les ondes Professeur Eva PEBAY-PEYROULA Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. IV- Les ondes Finalité du chapitre Pour

Plus en détail