v2.11.0 (6076)

Cours scientifiques - APM_42034_EP : Phénomènes aléatoires : modélisation, chaines de Markov et simulations

Domaine > Mathématiques appliquées.

Descriptif

L’aléa joue un rôle déterminant dans des contextes variés et il est souvent nécessaire de le prendre en compte dans de multiples aspects des sciences de l’ingénieur, citons notamment les télécommunications, la reconnaissance de formes ou l’administration des réseaux.
Plus généralement, l’aléa intervient aussi en économie (gestion du risque), en médecine (propagation d’une épidémie), en biologie (évolution d’une population) ou en physique statistique (théorie des transitions de phases).
Dans les applications, les données observées au cours du temps sont souvent modélisées par des variables aléatoires corrélées dont on aimerait prédire le comportement. L’objet de ce cours est de formaliser ces notions en étudiant en particulier les chaînes de Markov. Des applications dans des domaines variées et des simulations seront présentées tout au long du cours et motiveront ou illustreront les concepts.

Pour les étudiants du diplôme Titre d’Ingénieur diplômé de l’École polytechnique

Pour les étudiants du diplôme Titre d’Ingénieur diplômé de l’École polytechnique, une bonne connaissance du cours de tronc commun MAP361 est souhaitable.  

Format des notes

Numérique sur 20

Littérale/grade réduit

Pour les étudiants du diplôme Titre d’Ingénieur diplômé de l’École polytechnique

Le rattrapage est autorisé (Note de rattrapage conservée)
    L'UE est acquise si Note finale >= 6
    • Crédits ECTS acquis : 5 ECTS

    Le coefficient de l'UE est : 10

    La note obtenue rentre dans le calcul de votre GPA.

    La note obtenue est classante.

    Programme détaillé

    1 -2 Définition des chaînes de Markov et premières applications : équation de la chaleur, ruine du joueur, problème de Dirichlet.
    3 -4 Mesures invariantes : définitions, propriétés et exemples. Classification des états des chaînes de Markov. Application à la dynamique des populations (processus de branchement) et aux graphes aléatoires.
    5-6 Ergodicité, convergence des chaînes de Markov et illustration avec les files d’attentes ou le modèle d’Ehrenfest
    7- 8 Simulations de variables aléatoires. Algorithme stochastique de Hasting-Metropolis et recuit simulé. Applications en mécanique statistique et au traitement d'images.
    9 -10 Introduction aux martingales et descente de gradient stochastique. Stratégies, arrêt optimal et introduction au contrôle stochastique.

    Mots clés

    Modèles aléatoires, Chaînes de Markov, Algorithmes stochastiques, martingales.
    Veuillez patienter