Martingale (calcul stochastique)Une martingale est une séquence de variables aléatoires (autrement dit un processus stochastique), telles que l'espérance mathématique à l'instant , conditionnellement à l'information disponible à un moment préalable , notée , vaut (avec ). En particulier, dans un processus discret (t entier), . Une martingale peut modéliser les gains / pertes accumulés par un joueur au cours de répétitions indépendantes d'un jeu de hasard à espérance nulle (même si le joueur s'autorise à modifier sa mise en fonction des gains passés), d'où l'emprunt du terme martingale au monde du jeu.
SemimartingaleIn probability theory, a real valued stochastic process X is called a semimartingale if it can be decomposed as the sum of a local martingale and a càdlàg adapted finite-variation process. Semimartingales are "good integrators", forming the largest class of processes with respect to which the Itô integral and the Stratonovich integral can be defined. The class of semimartingales is quite large (including, for example, all continuously differentiable processes, Brownian motion and Poisson processes).
Doob's martingale convergence theoremsIn mathematics specifically, in the theory of stochastic processes Doob's martingale convergence theorems are a collection of results on the limits of supermartingales, named after the American mathematician Joseph L. Doob. Informally, the martingale convergence theorem typically refers to the result that any supermartingale satisfying a certain boundedness condition must converge.
Intégrale d'Itōvignette|Tracé d'une trajectoire échantillon d'un processus de Wiener, ou mouvement brownien, B, ainsi que son intégrale d'Itô par rapport à lui-même. L'intégration par parties ou le lemme d'Itô montre que l'intégrale est égale à (B2 - t)/2. L'intégrale d'Itô, appelée en l'honneur du mathématicien Kiyoshi Itô, est un des outils fondamentaux du calcul stochastique. Elle a d'importantes applications en mathématique financière et pour la résolution des équations différentielles stochastiques.
Décomposition LUEn algèbre linéaire, la décomposition LU est une méthode de décomposition d'une matrice comme produit d'une matrice triangulaire inférieure (comme lower, inférieure en anglais) par une matrice triangulaire supérieure (comme upper, supérieure). Cette décomposition est utilisée en analyse numérique pour résoudre des systèmes d'équations linéaires. Soit une matrice carrée. On dit que admet une décomposition LU s'il existe une matrice triangulaire inférieure formée de 1 sur la diagonale, notée , et une matrice triangulaire supérieure, notée , qui vérifient l'égalité Il n'est pas toujours vrai qu'une matrice admette une décomposition LU.
Décomposition QREn algèbre linéaire, la décomposition QR (appelée aussi, factorisation QR ou décomposition QU) d'une matrice A est une décomposition de la forme où Q est une matrice orthogonale (QQ=I), et R une matrice triangulaire supérieure. Ce type de décomposition est souvent utilisé pour le calcul de solutions de systèmes linéaires non carrés, notamment pour déterminer la pseudo-inverse d'une matrice. En effet, les systèmes linéaires AX = Y peuvent alors s'écrire : QRX = Y ou RX = QY.
Décomposition polaireLa décomposition polaire est un outil mathématique fondamental pour comprendre les propriétés topologiques des groupes linéaires réels et complexes. Les applications suivantes sont des homéomorphismes, et même des difféomorphismes. En particulier, toute matrice inversible réelle se décompose de façon unique en produit d'une matrice orthogonale et d'une matrice symétrique définie positive. Les applications suivantes sont surjectives mais non injectives : En particulier, toute matrice réelle se décompose en produit d'une matrice orthogonale et d'une unique matrice symétrique positive (mais pas nécessairement de façon unique).
Factorisation de CholeskyLa factorisation de Cholesky, nommée d'après André-Louis Cholesky, consiste, pour une matrice symétrique définie positive , à déterminer une matrice triangulaire inférieure telle que : . La matrice est en quelque sorte une « racine carrée » de . Cette décomposition permet notamment de calculer la matrice inverse , de calculer le déterminant de A (égal au carré du produit des éléments diagonaux de ) ou encore de simuler une loi multinormale. Elle est aussi utilisée en chimie quantique pour accélérer les calculs (voir Décomposition de Cholesky (chimie quantique)).
Martingale localeDans la théorie des processus stochastiques, une martingale locale est un processus stochastique qui est localement une martingale, ce qui signifie qu'il y a une suite de localisation de temps d'arrêt et que le processus arrêté est une martingale. Soi un espace de probabilité filtré et un processus -adapté avec (zéro à zéro). S'il existe une suite non décroissante de temps d'arrêt de telle que et pour tout le processus arrêté défini par soit une martingale, alors on appelle une martingale locale et on écrit .
Fonction à variation bornéeEn analyse, une fonction est dite à variation bornée quand elle vérifie une certaine condition de régularité. Cette condition a été introduite en 1881 par le mathématicien Camille Jordan pour étendre le théorème de Dirichlet sur la convergence des séries de Fourier. Soit f une fonction définie sur un ensemble totalement ordonné T et à valeurs dans un espace métrique (E, d). Pour toute subdivision σ = (x, x, ...
Processus de WienerEn 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.
Calcul stochastiqueLe 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).
Équation différentielle stochastiqueUne 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.
Variation quadratiqueEn mathématiques, la variation quadratique est utilisée dans l'analyse des processus stochastiques, comme le mouvement brownien et autres martingales. La variation quadratique est un type de variation d'un processus. Si est un processus stochastique à valeurs réelles défini sur un espace probabilisé et avec un indice de temps qui parcourt les nombres réels positifs, sa variation quadratique est le processus, noté , défini par : où parcourt les subdivisions de l'intervalle et la norme de la subdivision est son pas.
Processus stochastiqueUn processus ou processus aléatoire (voir Calcul stochastique) ou fonction aléatoire (voir Probabilité) représente une évolution, discrète ou à temps continu, d'une variable aléatoire. Celle-ci intervient dans le calcul classique des probabilités, où elle mesure chaque résultat possible (ou réalisation) d'une épreuve. Cette notion se généralise à plusieurs dimensions. Un cas particulier important, le champ aléatoire de Markov, est utilisé en analyse spatiale.
Fonction localement intégrableEn mathématiques, plus précisément en théorie de l'intégration au sens de Lebesgue, une fonction à valeurs complexes définie sur un ouvert Ω de R est dite localement intégrable si sa restriction à tout compact de Ω est intégrable pour la mesure de Lebesgue λ. L'espace vectoriel de ces fonctions est noté L(Ω) et son quotient par le sous-espace des fonctions nulles presque partout est noté L(Ω).
Théorie supersymétrique de la dynamique stochastiqueLa théorie supersymétrique de la dynamique stochastique (TSDS) est une théorie exacte des équations différentielles (partielles) stochastiques (EDS). Elle représente une classe de modèles mathématiques très large qui décrit, en particulier, tous les systèmes dynamiques à temps continu, avec et sans bruit.
Intégrale de StratonovichEn calcul stochastique, l'intégrale de Stratonovich (aussi intégrale de Fisk-Stratonovich) est un type d'intégrale stochastique. Contrairement à l'intégrale d'Itô, où seul le point final gauche de l'intervalle de décomposition est nécessaire pour la construction dans l'intégrale de Stratonovich, on utilise la moyenne arithmétique des extrémités gauche et droite L'avantage de l'intégrale de Stratonovich sur l'intégrale d'Itô est que la formule d'Itô n'a que des différentiels du premier ordre.
Décomposition en valeurs singulièresEn mathématiques, le procédé d'algèbre linéaire de décomposition en valeurs singulières (ou SVD, de l'anglais singular value decomposition) d'une matrice est un outil important de factorisation des matrices rectangulaires réelles ou complexes. Ses applications s'étendent du traitement du signal aux statistiques, en passant par la météorologie. Le théorème spectral énonce qu'une matrice normale peut être diagonalisée par une base orthonormée de vecteurs propres.
Calcul des variationsLe calcul des variations (ou calcul variationnel) est, en mathématiques et plus précisément en analyse fonctionnelle, un ensemble de méthodes permettant de minimiser une fonctionnelle. Celle-ci, qui est à valeurs réelles, dépend d'une fonction qui est l'inconnue du problème. Il s'agit donc d'un problème de minimisation dans un espace fonctionnel de dimension infinie. Le calcul des variations s'est développé depuis le milieu du jusqu'aujourd'hui ; son dernier avatar est la théorie de la commande optimale, datant de la fin des années 1950.
