Séance de cours

Processus de Wiener: définition et propriétés

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

MATH-414: Stochastic simulation

The student who follows this course will get acquainted with computational tools used to analyze systems with uncertainty arising in engineering, physics, chemistry, and economics. Focus will be on sampling methods as Monte Carlo, quasi Monte Carlo, Mark ...

Description

Cette séance de cours couvre la définition et les propriétés du processus de Wiener, un processus stochastique avec des chemins continus. Il explique la fonction de covariance, la définition négative et les propriétés d'indépendance du processus de Wiener. La séance de cours explore également la génération de processus Wiener à l'aide d'algorithmes et l'importance des chemins continus dans le processus.

Enseignant·e

Fabio Nobile

Enseignement et PhD Doctorant·es actuel·les Veronica Montanaro, Matteo Raviola, Francesca Bettinelli, Eliott Van Dieren, Riccardo Saporiti, Giacomo Mossinelli, Noé Stauffer, Fabio Zoccolan A dirigé les thèses EPFL de Diane Sylvie Guignard, Francesco Tesei, Eleonora Musharbash, Matthieu Claude Martin, Davide Pradovera, Sundar Subramaniam Ganesh, Eva Vidlicková, Juan Pablo Madrigal Cianci, Andrea Zanoni, Thomas Simon Spencer Trigo Trindade A co-dirigé les thèses EPFL de Michele Pisaroni Cours Analyse avan

Source officielle

Concepts associés (32)

Processus de Wiener

En mathématiques, le processus de Wiener est un processus stochastique à temps continu nommé ainsi en l'honneur de Norbert Wiener. Il permet de modéliser le mouvement brownien. C'est l'un des processus de Lévy les mieux connus. Il est souvent utilisé en mathématique appliquée, en économie et en physique. Le processus de Wiener est défini comme un mouvement brownien standard monodimensionnel, démarrant à l'origine, et à valeurs réelles.

Covariance matrix

In probability theory and statistics, a covariance matrix (also known as auto-covariance matrix, dispersion matrix, variance matrix, or variance–covariance matrix) is a square matrix giving the covariance between each pair of elements of a given random vector. Any covariance matrix is symmetric and positive semi-definite and its main diagonal contains variances (i.e., the covariance of each element with itself). Intuitively, the covariance matrix generalizes the notion of variance to multiple dimensions.

Calcul stochastique

Le calcul est l’étude des phénomènes aléatoires dépendant du temps. À ce titre, c'est une extension de la théorie des probabilités. Ne pas confondre avec la technique des calculateurs stochastiques. Le domaine d’application du calcul stochastique comprend la mécanique quantique, le traitement du signal, la chimie, les mathématiques financières, la météorologie et même la musique. Un processus aléatoire est une famille de variables aléatoires indexée par un sous-ensemble de ou , souvent assimilé au temps (voir aussi Processus stochastique).

Covariance

En théorie des probabilités et en statistique, la covariance entre deux variables aléatoires est un nombre permettant de quantifier leurs écarts conjoints par rapport à leurs espérances respectives. Elle s’utilise également pour deux séries de données numériques (écarts par rapport aux moyennes). La covariance de deux variables aléatoires indépendantes est nulle, bien que la réciproque ne soit pas toujours vraie. La covariance est une extension de la notion de variance.

Équation différentielle stochastique

Une équation différentielle stochastique (EDS) est une généralisation de la notion d'équation différentielle prenant en compte un terme de bruit blanc. Les EDS permettent de modéliser des trajectoires aléatoires, tels des cours de bourse ou les mouvements de particules soumises à des phénomènes de diffusion. Elles permettent aussi de traiter théoriquement ou numériquement des problèmes issus de la théorie des équations aux dérivées partielles.

Afficher plus

Séances de cours associées (44)

Fondements du traitement des signaux

Explore les fondamentaux du traitement des signaux, y compris les signaux de temps discrets, la factorisation spectrale et les processus stochastiques.

Algorithme caché du sous-groupe

Continue la discussion sur le problème caché du sous-groupe de Simon, en se concentrant sur la recherche d'une base.

Causal Systems & Transforms: Delay Operator Interprétation des opérateurs de retard

Couvre z Variable en tant qu'opérateur de retard, systèmes réalisables, théorie des probabilités, processus stochastiques et espaces de Hilbert.

Limite en un point: définition et exemples

Couvre le concept de limite dans un point avec des définitions et des exemples.

Génération gaussienne conditionnelle

Explore la génération de distributions gaussiennes multivariées et les défis de la factorisation des matrices de covariance.

Afficher plus

Concepts associés (32)

Équation différentielle stochastique

Afficher plus