Séance de cours

Simulation stochastique : Génération de processus Markov

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 génération de processus de Markov, en se concentrant sur les fonctions de densité de transition, les chaînes de Markov à temps continu et discret, les processus de Poisson et la caractérisation des processus de Poisson. Il explore également le processus de Poisson non homogène et la chaîne générale de Markov en espace discret en temps continu.

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 (30)

Processus de Poisson

vignette|Schéma expliquant le processus de Poisson Un processus de Poisson, nommé d'après le mathématicien français Siméon Denis Poisson et la loi du même nom, est un processus de comptage classique dont l'équivalent discret est la somme d'un processus de Bernoulli. C'est le plus simple et le plus utilisé des processus modélisant une . C'est un processus de Markov, et même le plus simple des processus de naissance et de mort (ici un processus de naissance pur).

Processus de Poisson composé

Un processus de Poisson composé, nommé d'après le mathématicien français Siméon Denis Poisson, est un processus stochastique en temps continu à droite limité à gauche (Càdlàg). C'est en particulier un processus de Lévy. Un processus de Poisson composé est un processus aléatoire indexé par le temps qui s’écrit où est un processus de Poisson et est une suite de variables aléatoires indépendantes et identiquement distribuées et indépendantes de . Comme tout processus de Lévy, le processus de Poisson composé est à accroissements indépendants et à accroissements stationnaires.

Propriété de Markov

vignette|Exemple de processus stochastique vérifiant la propriété de Markov: un mouvement Brownien (ici représenté en 3D) d'une particule dont la position à un instant t+1 ne dépend que de la position précédente à l'instant t. En probabilité, un processus stochastique vérifie la propriété de Markov si et seulement si la distribution conditionnelle de probabilité des états futurs, étant donnés les états passés et l'état présent, ne dépend en fait que de l'état présent et non pas des états passés (absence de « mémoire »).

Modèle de Markov caché

Un modèle de Markov caché (MMC, terme et définition normalisés par l’ISO/CÉI [ISO/IEC 2382-29:1999]) — (HMM)—, ou plus correctement (mais non employé) automate de Markov à états cachés, est un modèle statistique dans lequel le système modélisé est supposé être un processus markovien de paramètres inconnus. Contrairement à une chaîne de Markov classique, où les transitions prises sont inconnues de l'utilisateur mais où les états d'une exécution sont connus, dans un modèle de Markov caché, les états d'une exécution sont inconnus de l'utilisateur (seuls certains paramètres, comme la température, etc.

Processus ponctuel

En probabilité et statistique, un processus ponctuel est un type particulier de processus stochastique pour lequel une réalisation est un ensemble de points isolés du temps et/ou de l'espace. Par exemple, la position des arbres dans une forêt peut être modélisée comme la réalisation d'un processus ponctuel. Les processus ponctuels sont des objets très étudiés en probabilité et en statistique pour représenter et analyser des données spatialisées qui interviennent dans une multitude de domaines telle que l'écologie, l'astronomie, l'épidémiologie, la géographie, la sismologie, les télécommunications, la science des matériaux et beaucoup d'autres.

Afficher plus

Séances de cours associées (64)

Génération de processus de Markov

Couvre la génération des processus de Markov et des chaînes de Markov, y compris les matrices de transition et les matrices stochastiques.

Chaînes Markov en continu

Introduit des chaînes de Markov en continu sur un espace d'état fini avec des temps d'attente exponentiels et des probabilités de saut.

Chaînes de Markov: bases et applications

Présente les chaînes de Markov, couvrant les bases, les algorithmes de génération et les applications dans les promenades aléatoires et les processus de Poisson.

Les chaînes de Markov : théorie et applications

Couvre la théorie et les applications des chaînes de Markov dans la modélisation de phénomènes aléatoires et la prise de décision sous incertitude.

Simulation et optimisation : Processus de Poisson et nombres aléatoires

Explore les pièges de simulation, les nombres aléatoires, les distributions discrètes et continues, et l'intégration Monte-Carlo.

Afficher plus

Concepts associés (30)

Processus de Poisson

Processus de Poisson composé

Propriété de Markov

Modèle de Markov caché

Processus ponctuel

Afficher plus