Mouvement brownienvignette|Simulation de mouvement brownien pour cinq particules (jaunes) qui entrent en collision avec un lot de 800 particules. Les cinq chemins bleus représentent leur trajet aléatoire dans le fluide. Le mouvement brownien, ou processus de Wiener, est une description mathématique du mouvement aléatoire d'une « grosse » particule immergée dans un liquide et qui n'est soumise à aucune autre interaction que des chocs avec les « petites » molécules du fluide environnant.
Geometric Brownian motionA geometric Brownian motion (GBM) (also known as exponential Brownian motion) is a continuous-time stochastic process in which the logarithm of the randomly varying quantity follows a Brownian motion (also called a Wiener process) with drift. It is an important example of stochastic processes satisfying a stochastic differential equation (SDE); in particular, it is used in mathematical finance to model stock prices in the Black–Scholes model.
Mouvement brownien fractionnaireLe mouvement brownien fractionnaire (mBf) a été introduit par Kolmogorov en 1940, comme moyen d'engendrer des "spirales" gaussiennes dans des espaces de Hilbert. En 1968, Mandelbrot et Van Ness l'ont rendu célèbre en l'introduisant dans des modèles financiers, et en étudiant ses propriétés. Le champ des applications du mBf est immense. En effet, il sert par exemple à recréer certains paysages naturels, notamment des montagnes, mais également en hydrologie, télécommunications, économie, physique...
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.
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.
Variable aléatoirevignette|La valeur d’un dé après un lancer est une variable aléatoire comprise entre 1 et 6. En théorie des probabilités, une variable aléatoire est une variable dont la valeur est déterminée après la réalisation d’un phénomène, expérience ou événement, aléatoire. En voici des exemples : la valeur d’un dé entre 1 et 6 ; le côté de la pièce dans un pile ou face ; le nombre de voitures en attente dans la 2e file d’un télépéage autoroutier ; le jour de semaine de naissance de la prochaine personne que vous rencontrez ; le temps d’attente dans la queue du cinéma ; le poids de la part de tomme que le fromager vous coupe quand vous lui en demandez un quart ; etc.
Marche aléatoireEn mathématiques, en économie et en physique théorique, une marche aléatoire est un modèle mathématique d'un système possédant une dynamique discrète composée d'une succession de pas aléatoires, ou effectués « au hasard ». On emploie également fréquemment les expressions marche au hasard, promenade aléatoire ou random walk en anglais. Ces pas aléatoires sont de plus totalement décorrélés les uns des autres ; cette dernière propriété, fondamentale, est appelée caractère markovien du processus, du nom du mathématicien Markov.
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.
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 .
Générateur de nombres aléatoiresUn générateur de nombres aléatoires, random number generator (RNG) en anglais, est un dispositif capable de produire une suite de nombres pour lesquels il n'existe aucun lien calculable entre un nombre et ses prédécesseurs, de façon que cette séquence puisse être appelée « suite de nombres aléatoires ». Par extension, on utilise ce terme pour désigner des générateurs de nombres pseudo aléatoires, pour lesquels ce lien calculable existe, mais ne peut pas « facilement » être déduit.
Matrice aléatoireEn théorie des probabilités et en physique mathématique, une matrice aléatoire est une matrice dont les éléments sont des variables aléatoires. La théorie des matrices aléatoires a pour objectif de comprendre certaines propriétés de ces matrices, comme leur norme d'opérateur, leurs valeurs propres ou leurs valeurs singulières. Face à la complexité croissante des spectres nucléaires observés expérimentalement dans les années 1950, Wigner a suggéré de remplacer l'opérateur hamiltonien du noyau par une matrice aléatoire.
Taylor expansions for the moments of functions of random variablesIn probability theory, it is possible to approximate the moments of a function f of a random variable X using Taylor expansions, provided that f is sufficiently differentiable and that the moments of X are finite. Given and , the mean and the variance of , respectively, a Taylor expansion of the expected value of can be found via Since the second term vanishes. Also, is . Therefore, It is possible to generalize this to functions of more than one variable using multivariate Taylor expansions.
