Méthode de recherche directe avec descente probabiliste
|
|
- Bertrand Girard
- il y a 6 ans
- Total affichages :
Transcription
1 Méthode de recherche directe avec descente probabiliste Clément W. Royer ENSEEIHT-IRIT, Toulouse, France Co-auteurs: S. Gratton, L. N. Vicente, Z. Zhang 2 octobre 2014 Journée des doctorants APO Méthode de recherche directe avec descente probabiliste 1 / 28
2 Sommaire 1 Recherche directe déterministe 2 Une variante probabiliste 3 Résultats théoriques basés sur la descente probabiliste 4 Conclusions Méthode de recherche directe avec descente probabiliste 2 / 28
3 Problème On cherche à résoudre le problème d'optimisation sans contraintes suivant : min x R f (x). n Hypothèses sur f f lisse (C 1 ), minorée ; f lipschitzien. Méthode de recherche directe avec descente probabiliste 3 / 28
4 Problème On cherche à résoudre le problème d'optimisation sans contraintes suivant : min x R f (x). n Hypothèses sur f f lisse (C 1 ), minorée ; f lipschitzien. Minimisation utilisant le gradient Partant de x R n, un déplacement dans la direction f (x) peut conduire à une décroissance de f! Méthode de la plus grande pente ; Méthodes de type gradient. Méthode de recherche directe avec descente probabiliste 3 / 28
5 La classe de méthodes Optimisation sans dérivées Le gradient est supposé indisponible (Ex : code de simulation) ; Deux grandes catégories de méthodes : basées sur des modèles (Régions de conance, etc) ; Recherche directe. Introduction to Derivative-Free Optimization A.R. Conn, K. Scheinberg, L.N. Vicente. (2009) Méthode de recherche directe avec descente probabiliste 4 / 28
6 La classe de méthodes Optimisation sans dérivées Le gradient est supposé indisponible (Ex : code de simulation) ; Deux grandes catégories de méthodes : basées sur des modèles (Régions de conance, etc) ; Recherche directe. Introduction to Derivative-Free Optimization A.R. Conn, K. Scheinberg, L.N. Vicente. (2009) Nous nous concentrerons sur les méthodes de recherche directe directionnelle. Optimization by Direct Search : New Perspectives on Some Classical and Modern Methods T.G. Kolda, R.M. Lewis, V. Torczon (2003). Méthode de recherche directe avec descente probabiliste 4 / 28
7 Sommaire 1 Recherche directe déterministe 2 Une variante probabiliste 3 Résultats théoriques basés sur la descente probabiliste 4 Conclusions Méthode de recherche directe avec descente probabiliste 5 / 28
8 Algorithme basique de recherche directe 1 Initialisation : Choisir x 0, α 0, θ < 1 γ. 2 Pour k = 0, 1, 2,... Choisir un ensemble D k de m vecteurs unitaires. Si d k D k tel que f (x k + α k d k ) < f (x k ) α 2 k, alors l'itération k est réussie ; poser x k+1 := x k + α k d k et α k+1 := γ α k. Sinon l'itération est non réussie ; poser x k+1 := x k et α k+1 := θ α k. Méthode de recherche directe avec descente probabiliste 6 / 28
9 Algorithme basique de recherche directe 1 Initialisation : Choisir x 0, α 0, θ < 1 γ. 2 Pour k = 0, 1, 2,... Choisir un ensemble D k de m vecteurs unitaires. Si d k D k tel que f (x k + α k d k ) < f (x k ) α 2 k, alors l'itération k est réussie ; poser x k+1 := x k + α k d k et α k+1 := γ α k. Sinon l'itération est non réussie ; poser x k+1 := x k et α k+1 := θ α k. Méthode de recherche directe avec descente probabiliste 6 / 28
10 Procédé de sondage en recherche directe déterministe Un bon algorithme doit choisir des ensembles de sondage D k qui peuvent assurer la convergence : Comment quantier la qualité d'un ensemble? Comment utiliser cette qualité pour prouver la convergence? Méthode de recherche directe avec descente probabiliste 7 / 28
11 Procédé de sondage en recherche directe déterministe Un bon algorithme doit choisir des ensembles de sondage D k qui peuvent assurer la convergence : Comment quantier la qualité d'un ensemble? Comment utiliser cette qualité pour prouver la convergence? Une mesure de qualité d'un ensemble Soit D un ensemble de vecteurs unitaires. Alors cm(d) = min v =1 s'appelle la mesure cosinus de D. max d T v d D Méthode de recherche directe avec descente probabiliste 7 / 28
12 Procédé de sondage en recherche directe déterministe Un bon algorithme doit choisir des ensembles de sondage D k qui peuvent assurer la convergence : Comment quantier la qualité d'un ensemble? Comment utiliser cette qualité pour prouver la convergence? Une mesure de qualité d'un ensemble Soit D un ensemble de vecteurs unitaires. Alors cm(d) = min v =1 s'appelle la mesure cosinus de D. max d T v d D Assumption Il existe κ > 0 tel que k, cm(d k ) κ. Tout vecteur (ex : f (x k )) est alors proche d'un élément de D k. Méthode de recherche directe avec descente probabiliste 7 / 28
13 Ensembles positivement générateurs Certains ensembles de vecteurs sont connus pour être de bonne qualité. Ensemble Générateur Positif (EGP) D est in EGP si il engendre R n par combinaisons linéaires positives. D est un EGP ssi cm(d) > 0 ; un EGP contient au moins n + 1 vecteurs. Méthode de recherche directe avec descente probabiliste 8 / 28
14 Ensembles positivement générateurs Certains ensembles de vecteurs sont connus pour être de bonne qualité. Ensemble Générateur Positif (EGP) D est in EGP si il engendre R n par combinaisons linéaires positives. D est un EGP ssi cm(d) > 0 ; un EGP contient au moins n + 1 vecteurs. Exemple D = [I I ] est un EGP tel que cm (D ) = 1 n. Méthode de recherche directe avec descente probabiliste 8 / 28
15 Convergence de la recherche directe déterministe Lemma Proposition lim α k = 0. k Si la k-ème itération est réussie et que cm(d k ) κ > 0, on a O (α k ) f (x k ). Résultat de convergence Si k, cm(d k ) κ, alors lim inf k f (x k) = 0. Méthode de recherche directe avec descente probabiliste 9 / 28
16 Convergence globale et complexité au pire cas On a prouvé que lim inf f (x k ) 0, mais pas à quel prix. Complexité au pire cas (méthodes sans dérivées) Estimer le nombre maximum d'appels à f nécessaires pour obtenir inf f (x l ) ɛ. 0 l k Worst-case complexity of direct search L. N. Vicente (2013) Méthode de recherche directe avec descente probabiliste 10 / 28
17 Complexité (déterministe) au pire cas Théorème (Vicente ) Soit N ɛ le nombre d'appels à f requis pour que la norme du gradient soit plus petite que ɛ (0, 1) ; alors avec m n + 1. N ɛ O ( m (κ ɛ) 2). Corollary Avec D k = D, on obtient κ = 1/ n, m = 2n, et la borne devient N ɛ O ( n 2 ɛ 2). Méthode de recherche directe avec descente probabiliste 11 / 28
18 Sommaire 1 Recherche directe déterministe 2 Une variante probabiliste 3 Résultats théoriques basés sur la descente probabiliste 4 Conclusions Méthode de recherche directe avec descente probabiliste 12 / 28
19 De l'aléatoire en recherche directe Idée de base (Gratton, Vicente ) Générer les ensembles de sondage de façon aléatoire et indépendante, possiblement avec moins de n + 1 éléments! Méthode de recherche directe avec descente probabiliste 13 / 28
20 De l'aléatoire en recherche directe Idée de base (Gratton, Vicente ) Générer les ensembles de sondage de façon aléatoire et indépendante, possiblement avec moins de n + 1 éléments! Des EPG... Méthode de recherche directe avec descente probabiliste 13 / 28
21 De l'aléatoire en recherche directe Idée de base (Gratton, Vicente ) Générer les ensembles de sondage de façon aléatoire et indépendante, possiblement avec moins de n + 1 éléments! Des EPG......aux ensembles aléatoires Méthode de recherche directe avec descente probabiliste 13 / 28
22 Motivations expérimentales Quelques résultats avec n = 40 et ɛ = 10 3 : Problème [I I ] [Q Q] 2 n n + 1 n/2 2 1 arglina arglinb broydn3d dqrtic engval freuroth integreq nondquar sinquad vardim Table : Moyenne relative du nombre d'appels à f pour diérents choix d'ensembles Méthode de recherche directe avec descente probabiliste 14 / 28
23 Algorithme de recherche directe probabiliste Notations : réalisations et variables aléatoires Ensembles de sondage : D k D k ; Itérés : x k X k ; Longueurs de pas : α k A k. Méthode de recherche directe avec descente probabiliste 15 / 28
24 Algorithme de recherche directe probabiliste Notations : réalisations et variables aléatoires Ensembles de sondage : D k D k ; Itérés : x k X k ; Longueurs de pas : α k A k. 1 Initialisation : Choisir x 0, α 0, θ < 1 γ. 2 Pour k = 0, 1, 2,..., Choisir un ensemble D k de m vecteurs unitaires aléatoires et indépendants. Si d k D k tel que f (X k + A k d k ) < f (X k ) A 2 k, alors l'itération k est réussie ; poser X k+1 := X k + A k d k et A k+1 := γ A k. Sinon, l'itération est non réussie ; poser X k+1 := X k et A k+1 := θ A k. Méthode de recherche directe avec descente probabiliste 15 / 28
25 Sommaire 1 Recherche directe déterministe 2 Une variante probabiliste 3 Résultats théoriques basés sur la descente probabiliste 4 Conclusions Méthode de recherche directe avec descente probabiliste 16 / 28
26 Analyse de l'algorithme probabiliste Ce qui nous intéresse Peut-on prouver qu'il converge quel que soit le point initial? Convergence Globale Peut-on borner les appels à f eectués pour atteindre une tolérance ɛ? Complexité Au Pire Cas Toute la diculté consiste à trouver (et utiliser) de bons outils probabilistes. Méthode de recherche directe avec descente probabiliste 17 / 28
27 Nouvelle mesure de qualité D n'est pas un EPG... D Méthode de recherche directe avec descente probabiliste 18 / 28
28 Nouvelle mesure de qualité D n'est pas un EPG......D en est un... D D Méthode de recherche directe avec descente probabiliste 18 / 28
29 Nouvelle mesure de qualité D n'est pas un EPG......D en est un......mais mieux vaut choisir D! D D f (x) Méthode de recherche directe avec descente probabiliste 18 / 28
30 Nouvelle mesure de qualité Hypothèse dans le cas déterministe On suppose que : cm(d k ) = min v =1 Mais en réalité, on se sert juste de : max d T v > κ. d D k cm (D k, f (x k )) d = max d D k d T f (x k) f (x k ) > κ. Dans le cas aléatoire, la seconde propriété peut être vraie en probabilité pour un ensemble sans que celui-ci soit un EGP. Méthode de recherche directe avec descente probabiliste 19 / 28
31 Descente-(p, κ) On veut étudier P (cm (D k, f (X k )) > κ), mais X k dépend de D 0,..., D k 1. Convergence on trust-region methods based on probabilistic models A.S. Bandeira, K. Scheinberg, L.N. Vicente. (2014) Méthode de recherche directe avec descente probabiliste 20 / 28
32 Descente-(p, κ) On veut étudier P (cm (D k, f (X k )) > κ), mais X k dépend de D 0,..., D k 1. Convergence on trust-region methods based on probabilistic models A.S. Bandeira, K. Scheinberg, L.N. Vicente. (2014) Propriété de descente probabiliste Une suite d'ensembles aléatoires {D k } est appelée suite de descente-(p, κ) si : ( ) k, P cm (D k, f (X k )) > κ S D k 1 p, avec S D k 1 = σ(d 0,..., D k 1 ). Méthode de recherche directe avec descente probabiliste 20 / 28
33 Convergence avec descente probabiliste Lemma Pour toute réalisation {α k } de {A k } : lim α k = 0. k Théorème de convergence Si {D k } est de descente-(p, κ) où p ln(θ) ln(θ/γ) 1, alors ( ) P lim inf f (X k) = 0 = 1. k Méthode de recherche directe avec descente probabiliste 21 / 28
34 Eléments de preuve Deux arguments essentiels : Lemma Si k est non réussie, alors {cm (D k, f (X k )) > κ} {O (A k ) f (X k ) }. Lemma Soit Z k = 1 (cm (D k, f (X k )) > κ) ; alors [( k 1 S k = i=0 1 ln γ ln θ ) ] Z i 1. est une sous-martingale et P (lim sup S k = ) = 1. Méthode de recherche directe avec descente probabiliste 22 / 28
35 Sur la probabilité p Pour assurer la convergence, on doit supposer : ce qui permet de borner m = D k. p p 0 = ln(θ) ln(θ/γ), Exemple : distribution uniforme sur la sphère unité Dans ce cas, {D k } k m ln ( est de descente-(p 0, κ) si 1 ln θ ) ( ln 1 1 ( n 1 ln(θ/γ) 2 B 1 κ 2 2, 1 ) ) 1. 2 où B x (a, b) est la fonction Bêta incomplète. Méthode de recherche directe avec descente probabiliste 23 / 28
36 Complexité avec descente probabiliste Intuition Soit G k n n = f (X k ) et Z k = 1 (cm(d k, G k ) > κ). Méthode de recherche directe avec descente probabiliste 24 / 28
37 Complexité avec descente probabiliste Intuition Soit G k n n = f (X k ) et Z k = 1 (cm(d k, G k ) > κ). Si Z k = 1 et k est non réussie, alors G k < O(A k )... Méthode de recherche directe avec descente probabiliste 24 / 28
38 Complexité avec descente probabiliste Intuition Soit G k n n = f (X k ) et Z k = 1 (cm(d k, G k ) > κ). Si Z k = 1 et k est non réussie, alors G k < O(A k )......donc si inf 0 l k G l n'a pas trop décru, k l=0 Z l ne doit pas être trop grand. Méthode de recherche directe avec descente probabiliste 24 / 28
39 Complexité avec descente probabiliste Intuition Soit G k n n = f (X k ) et Z k = 1 (cm(d k, G k ) > κ). Si Z k = 1 et k est non réussie, alors G k < O(A k )......donc si inf 0 l k G l n'a pas trop décru, k l=0 Z l ne doit pas être trop grand. Une borne utile Pour toute réalisation, on a k l=0 z l avec g k = inf 0 l k g l. ( O 1 κ 2 g k 2 ) + p 0 k, Méthode de recherche directe avec descente probabiliste 24 / 28
40 Complexité avec descente probabiliste (2) Complexité probabiliste Soit {D k } de descente-(p, κ), ɛ (0, 1) et N ɛ le nombre d'appels à f nécessaires pour que Gk ɛ. Alors P ( N ɛ O(m (κɛ) 2 ) ) 1 exp ( O ( ɛ 2)). Méthode de recherche directe avec descente probabiliste 25 / 28
41 Complexité avec descente probabiliste (2) Complexité probabiliste Soit {D k } de descente-(p, κ), ɛ (0, 1) et N ɛ le nombre d'appels à f nécessaires pour que Gk ɛ. Alors P ( N ɛ O(m (κɛ) 2 ) ) 1 exp ( O ( ɛ 2)). En prenant D k = D, on a κ = 1/ n, m = 2 n et p = 1 ; on retrouve O(n 2 ɛ 2 ). Avec une distribution uniforme, la borne devient O(m n ɛ 2 ), et on peut avoir m n + 1! Méthode de recherche directe avec descente probabiliste 25 / 28
42 Résumé Que ressort-il de cette étude? Un nouvel algorithme convergent qui se passe des EGP ; Méthode de recherche directe avec descente probabiliste 26 / 28
43 Résumé Que ressort-il de cette étude? Un nouvel algorithme convergent qui se passe des EGP ; Une nouvelle démonstration de complexité probabiliste, qui s'adapte à d'autres méthodes (ex : Régions de Conance) ; Méthode de recherche directe avec descente probabiliste 26 / 28
44 Résumé Que ressort-il de cette étude? Un nouvel algorithme convergent qui se passe des EGP ; Une nouvelle démonstration de complexité probabiliste, qui s'adapte à d'autres méthodes (ex : Régions de Conance) ; Une amélioration sur le plan numérique. Méthode de recherche directe avec descente probabiliste 26 / 28
45 Et pour la suite... L'article Direct Search based on Probabilistic Descent. S. Gratton, C. W. Royer, L. N. Vicente, Z. Zhang. Soumis et consultable sur Quels sont les développements prévus? Extension aux problèmes non lisses et avec contraintes ; Preuve probabiliste de résultats d'ordre 2. Méthode de recherche directe avec descente probabiliste 27 / 28
46 Merci de votre attention! Méthode de recherche directe avec descente probabiliste 28 / 28
Optimisation 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 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 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 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 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 détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en 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 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 détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en 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 détailAlgorithmes pour la planification de mouvements en robotique non-holonome
Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot
Plus en 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 détailaux différences est appelé équation aux différences d ordre n en forme normale.
MODÉLISATION ET SIMULATION EQUATIONS AUX DIFFÉRENCES (I/II) 1. Rappels théoriques : résolution d équations aux différences 1.1. Équations aux différences. Définition. Soit x k = x(k) X l état scalaire
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 détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en 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 détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en 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 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 détail«Cours Statistique et logiciel R»
«Cours Statistique et logiciel R» Rémy Drouilhet (1), Adeline Leclercq-Samson (1), Frédérique Letué (1), Laurence Viry (2) (1) Laboratoire Jean Kuntzmann, Dép. Probabilites et Statistique, (2) Laboratoire
Plus en détailCorrection du baccalauréat S Liban juin 2007
Correction du baccalauréat S Liban juin 07 Exercice. a. Signe de lnx lnx) : on fait un tableau de signes : x 0 e + ln x 0 + + lnx + + 0 lnx lnx) 0 + 0 b. On afx) gx) lnx lnx) lnx lnx). On déduit du tableau
Plus en détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
Plus en 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 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 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 détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailLeçon 01 Exercices d'entraînement
Leçon 01 Exercices d'entraînement Exercice 1 Etudier la convergence des suites ci-dessous définies par leur terme général: 1)u n = 2n3-5n + 1 n 2 + 3 2)u n = 2n2-7n - 5 -n 5-1 4)u n = lnn2 n+1 5)u n =
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en 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 détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en 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 détailLa NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.
La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of
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 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 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 détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
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 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 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 détailLa Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en 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 détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailEnoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé.
Enoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé. I- ACTIVITES NUMERIQUES (12 points) Exercice 1 (3 points) On considère
Plus en détailTRACER LE GRAPHE D'UNE FONCTION
TRACER LE GRAPHE D'UNE FONCTION Sommaire 1. Méthodologie : comment tracer le graphe d'une fonction... 1 En combinant les concepts de dérivée première et seconde, il est maintenant possible de tracer le
Plus en détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
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 détailCapes 2002 - Première épreuve
Cette correction a été rédigée par Frédéric Bayart. Si vous avez des remarques à faire, ou pour signaler des erreurs, n hésitez pas à écrire à : mathweb@free.fr Mots-clés : équation fonctionnelle, série
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailRappels sur les suites - Algorithme
DERNIÈRE IMPRESSION LE 14 septembre 2015 à 12:36 Rappels sur les suites - Algorithme Table des matières 1 Suite : généralités 2 1.1 Déition................................. 2 1.2 Exemples de suites............................
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 détailL exclusion mutuelle distribuée
L exclusion mutuelle distribuée L algorithme de L Amport L algorithme est basé sur 2 concepts : L estampillage des messages La distribution d une file d attente sur l ensemble des sites du système distribué
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
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 détailLEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples.
LEÇON N 7 : Schéma de Bernoulli et loi binomiale. Exemples. Pré-requis : Probabilités : définition, calculs et probabilités conditionnelles ; Notion de variables aléatoires, et propriétés associées : espérance,
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en 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 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 détailBACCALAURÉAT GÉNÉRAL SESSION 2012 OBLIGATOIRE MATHÉMATIQUES. Série S. Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE
BACCALAURÉAT GÉNÉRAL SESSION 2012 MATHÉMATIQUES Série S Durée de l épreuve : 4 heures Coefficient : 7 ENSEIGNEMENT OBLIGATOIRE Les calculatrices électroniques de poche sont autorisées, conformément à la
Plus en détailMonitoring continu et gestion optimale des performances énergétiques des bâtiments
Monitoring continu et gestion optimale des performances énergétiques des bâtiments Alexandre Nassiopoulos et al. Journée d inauguration de Sense-City, 23/03/2015 Croissance de la demande énergétique et
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailO, i, ) ln x. (ln x)2
EXERCICE 5 points Commun à tous les candidats Le plan complee est muni d un repère orthonormal O, i, j Étude d une fonction f On considère la fonction f définie sur l intervalle ]0; + [ par : f = ln On
Plus en détailrf( 1 f(x)x dx = O. ) U concours externe de recrutement de professeurs agreg6s composition d analyse
page 8 AGREGATIN de MATHEMATIQUES: 1991 1/5 externeanalyse concours externe de recrutement de professeurs agreg6s composition d analyse NTATINS ET DGFINITINS Dans tout le problème, R+ désigne l intervalle
Plus en détailComparaison de fonctions Développements limités. Chapitre 10
PCSI - 4/5 www.ericreynaud.fr Chapitre Points importants 3 Questions de cours 6 Eercices corrigés Plan du cours 4 Eercices types 7 Devoir maison 5 Eercices Chap Et s il ne fallait retenir que si points?
Plus en détailÉquations non linéaires
CHAPTER 1 Équations non linéaires On considère une partie U R d et une fonction f : U R d. On cherche à résoudre { x U 1..1) f x) = R d On distinguera les cas d = 1 et d > 1. 1.1. Dichotomie d = 1) 1.1.1.
Plus en détailCorrigé du baccalauréat S Pondichéry 12 avril 2007
Corrigé du baccalauréat S Pondichéry 1 avril 7 EXERCICE 1 Commun à tous les candidats 4 points 1 a Les vecteurs AB et AC ont pour coordonnées AB ; ; ) et AC 1 ; 4 ; 1) Ils ne sont manifestement pas colinéaires
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 détailTSTI 2D CH X : Exemples de lois à densité 1
TSTI 2D CH X : Exemples de lois à densité I Loi uniforme sur ab ; ) Introduction Dans cette activité, on s intéresse à la modélisation du tirage au hasard d un nombre réel de l intervalle [0 ;], chacun
Plus en détailALGORITHMIQUE II NOTION DE COMPLEXITE. SMI AlgoII
ALGORITHMIQUE II NOTION DE COMPLEXITE 1 2 Comment choisir entre différents algorithmes pour résoudre un même problème? Plusieurs critères de choix : Exactitude Simplicité Efficacité (but de ce chapitre)
Plus en détailCorrection du baccalauréat ES/L Métropole 20 juin 2014
Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détailLe théorème de Thalès et sa réciproque
Le théorème de Thalès et sa réciproque I) Agrandissement et Réduction d une figure 1) Définition : Lorsque toutes les longueurs d une figure F sont multipliées par un même nombre k on obtient une autre
Plus en détailNotes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables
Notes du cours MTH1101N Calcul I Partie II: fonctions de plusieurs variables Fausto Errico Département de mathématiques et de génie industriel École Polytechnique de Montréal Automne 2012 Table des matières
Plus en détailC f tracée ci- contre est la représentation graphique d une
TLES1 DEVOIR A LA MAISON N 7 La courbe C f tracée ci- contre est la représentation graphique d une fonction f définie et dérivable sur R. On note f ' la fonction dérivée de f. La tangente T à la courbe
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailRO04/TI07 - Optimisation non-linéaire
RO04/TI07 - Optimisation non-linéaire Stéphane Mottelet Université de Technologie de Compiègne Printemps 2003 I Motivations et notions fondamentales 4 I1 Motivations 5 I2 Formes quadratiques 13 I3 Rappels
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailCHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle
CHAPITRE I Modélisation de processus et estimation des paramètres d un modèle I. INTRODUCTION. Dans la première partie de ce chapitre, nous rappelons les notions de processus et de modèle, ainsi que divers
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 détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
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 détailAlgorithmes de recherche
Algorithmes de recherche 1 Résolution de problèmes par recherche On représente un problème par un espace d'états (arbre/graphe). Chaque état est une conguration possible du problème. Résoudre le problème
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 détailSuites numériques 3. 1 Convergence et limite d une suite
Suites numériques 3 1 Convergence et limite d une suite Nous savons que les termes de certaines suites s approchent de plus en plus d une certaine valeur quand n augmente : par exemple, les nombres u n
Plus en détailL effet régulateur des moteurs de recherche. MICHEL Laurent
L effet régulateur des moteurs de recherche MICHEL Laurent 3 février 26 Table des matières Mesure de la qualité d une page Web : l algorithme PageRank 4. L algorithme......................................
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailSOCLE 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 détailBaccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé.
Baccalauréat L spécialité, Métropole et Réunion, 19 juin 2009 Corrigé. L usage d une calculatrice est autorisé Durée : 3heures Deux annexes sont à rendre avec la copie. Exercice 1 5 points 1_ Soit f la
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 détailÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE
ÉTUDE ASYMPTOTIQUE D UNE MARCHE ALÉATOIRE CENTRIFUGE JEAN-DENIS FOUKS, EMMANUEL LESIGNE ET MARC PEIGNÉ J.-D. Fouks. École Supérieure d Ingénieurs de Poitiers. 40 avenue du Recteur Pineau, 860 Poitiers
Plus en 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 détail