Séance de cours

Analyse de sensibilité globale dans les systèmes stochastiques

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.

Description

Cette séance de cours de l'instructeur du 29 mars 2019, se concentre sur l'analyse de sensibilité basée sur les variations pour les équations différentielles stochastiques ordinaires (ESO). La présentation porte sur l'impact de l'incertitude des paramètres dans les modèles stochastiques, la décomposition de la variance et les indices de sensibilité. On peut citer par exemple la paramétrisation du sous-réseau et différents modèles de bruit. La séance de cours explore l'application de l'analyse de Sobol pour la décomposition de la variance et l'évaluation des différents canaux de réaction dans les simulateurs stochastiques. Les travaux futurs comprennent des méthodes complexes d'analyse fonctionnelle et de réduction de la complexité des calculs.

Source officielle

Concepts associés (32)

Variance (mathématiques)

vignette|Exemple d'échantillons pour deux populations ayant la même moyenne mais des variances différentes. La population en rouge a une moyenne de 100 et une variance de 100 (écart-type = SD = standard deviation = 10). La population en bleu a une moyenne de 100 et une variance de (écart-type = SD = 50). En statistique et en théorie des probabilités, la variance est une mesure de la dispersion des valeurs d'un échantillon ou d'une variable aléatoire.

Théorie de la complexité (informatique théorique)

vignette|Quelques classes de complexité étudiées dans le domaine de la théorie de la complexité. Par exemple, P est la classe des problèmes décidés en temps polynomial par une machine de Turing déterministe. La théorie de la complexité est le domaine des mathématiques, et plus précisément de l'informatique théorique, qui étudie formellement le temps de calcul, l'espace mémoire (et plus marginalement la taille d'un circuit, le nombre de processeurs, l'énergie consommée ...) requis par un algorithme pour résoudre un problème algorithmique.

Réduction (complexité)

En calculabilité et en théorie de la complexité, une réduction est un algorithme transformant une instance d'un problème algorithmique en une ou plusieurs instances d'un autre problème. S'il existe une telle réduction d'un problème A à un problème B, on dit que le problème A se réduit au problème B. Dans ce cas, le problème B est plus difficile que le problème A, puisque l'on peut résoudre le problème A en appliquant la réduction puis un algorithme pour le problème B. On écrit alors A ≤ B.

Classe de complexité

En informatique théorique, et plus précisément en théorie de la complexité, une classe de complexité est un ensemble de problèmes algorithmiques dont la résolution nécessite la même quantité d'une certaine ressource. Une classe est souvent définie comme l'ensemble de tous les problèmes qui peuvent être résolus sur un modèle de calcul M, utilisant une quantité de ressources du type R, où n, est la taille de l'entrée. Les classes les plus usuelles sont celles définies sur des machines de Turing, avec des contraintes de temps de calcul ou d'espace.

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 (64)

Probabilités avancées : Variables aléatoires et valeurs attendues

Explore les probabilités avancées, les variables aléatoires et les valeurs attendues, avec des exemples pratiques et des quiz pour renforcer l'apprentissage.

Modèles graphiques : Représentation des distributions probabilistes

Couvre les modèles graphiques pour les distributions probabilistes à l'aide de graphiques, de nœuds et de bords.

Modèles génériques implicites

Explore des modèles générateurs implicites, couvrant des sujets comme la méthode des moments, le choix du noyau et la robustesse des estimateurs.

Distributions de probabilités dans les études environnementales

Explore les distributions de probabilité pour les variables aléatoires dans les études sur la pollution atmosphérique et le changement climatique, couvrant les statistiques descriptives et inférentielles.

Variables aléatoires et valeur prévue

Introduit des variables aléatoires, des distributions de probabilité et des valeurs attendues au moyen d'exemples pratiques.

Afficher plus

Concepts associés (32)

Variance (mathématiques)

Théorie de la complexité (informatique théorique)

Réduction (complexité)

Classe de complexité

Équation différentielle stochastique

Afficher plus