Matrice stochastique

Support du cours de Dr. Lara Thomas Polycopié initial élaboré par Prof. Eva Bayer Fluckiger Dr. Philippe Chabloz Septembre 2009 2 Table des matières 1 Systèmes d’équations linéaires et matrices 1.1 Introduction aux systèmes d’équations linéaires . . . . . . . . . . 1.2 Systèmes linéaires et matrices . . . . . . . . . . . . . . . . . . . . 1.3 Elimination Gaussienne . . . . . . . . . . . . . . . . . . . . . . . 1.3.1 Algorithme d’élimination de Gauss . . . . . . . . . . . . . 1.3.2 Méthode

Vocabulaire a. Définitions d'une matrice Définition Une matrice de dimension n×p est un tableau de nombres comportant n lignes et p colonnes Exemples [ [ 3 7 8 7 2 1 4 5 5 6 10 2 ] 3 4 0 0 7 1 −5 6 [7 6 7 8 0 −5 8 2 −1 13 11 5 3] [] 1 4 2 5 −3 Cette matrice a pour dimension 3×4 Elle comporte 3 lignes et 4 colonnes C'est une matrice quelconque ] Cette matrice a pour dimension 4×4 Elle comporte 4 lignes et 4 colonnes C'est une matrice carrée Cette matrice a pour dimension 1×5 Elle comporte

Modèle recommandé TI TI 83 + TI 84 TI 89 TI Voyage 200 TI 84 TI 89 TI Voyage 200 TI 83 + TI 84 TI 89 TI Voyage 200 TI 84 sans matrice TI 89 TI Voyage 200 Modèle recommandé CASIO Graph 35+ Graph 65 + Graph 100+ Class Pad 300 Graph 65 + Graph 100+ Class Pad 300 Graph 35+ Graph 65 + Graph 100+ Class Pad 300 Graph 65 + sans matrice Graph 100+ Class Pad 300 TI 83 + Graph 35+ 

−1 . Correction [005753] Exercice 10 **** Pour n entier naturel, on pose un = général un . (−1)n 2n+1 1 . Convergence et somme de la série (numérique) de terme ∑nk=0 4k+1 Correction [005754] Exercice 11 *** Soit A une matrice carrée complexe de format p ∈ N∗ . Rayon de convergence et somme en fonction de χA de n n la série entière ∑+∞ n=0 Tr(A )z . Correction [005755] Exercice 12 *** 2 2 Pour x réel, on pose F(x) = e−x 0x et dt. En développant F en série

2. RAPPEL DES TECHNIQUES DE CALCUL DANS R Dans la mesure où les résultats de ce chapitre devraient normalement être bien connus, il n'est rappelé que les formules les plus intéressantes ; les justications seront discutées en classe, d'où le côté schématique de ces quelques pages. 1 Représentation des réels. 1. 1 Développements décimaux. En principe, on peut représenter tout réel par une suite telle que −37, 123123 . . . (bien que le sens des pointillés soit peut-être à préciser

remplacer le système (S) par une matrice faisant intervenir à la fois des coe¢ cients des inconnues et le second membre du système, exactement dans l’ordre dans lequel ils apparaissent. Cette matrice s’appelle la matrice augmentée associée à (S): Dans notre exemple, elle s’écrit 1 0 1 1 2 -1 G = @ 2 -1 2 -4 A 2 M3;4 (R): 4 1 4 -2 Les opérations sur 0 1 1 G = @ 2 -1 4 1 les équations du système reviennent alors à des opérations sur les lignes de la matrice 1 1 0 0 1 1 2 2 -1 1 1

ANALYSE NUMERIQUE 1. 2. 3. 4. 5. 6. 7. Définitions Des exemples Calcul des racines d’une fonction Interpolation numérique Intégration numérique Résolution numérique d'équations différentielles Calcul matriciel ANALYSE NUMERIQUE 1. Définitions • Définition générale L’analyse numérique est une discipline du domaine des mathématiques qui consiste dans l’étude et l’implémentation d’algorithmes pour résoudre des problèmes d’analyse au moyen de calculs arithmétiques. • Définition

6 Introduction  Dans le domaine de l’ingénierie il est notoire d’utiliser les modèles mathématiques pour décrire les phénomènes physiques.  Nous distinguons deux classes de modèles mathématiques:  Déterministe  Stochastique ENSI 2013 Processus aléatoire 7 Modèle déterministe  Définition: un modèle est dit déterministe si on peut prévoir exactement l'évolution du système considéré dans le temps. Les systèmes déterministes sont des systèmes régis

coûteux, voire impossible, de les déterminer de manière exacte. Les solutions d’un MDP pouvant bien entendu être très sensibles à ces paramètres, souvent il est délicat de fixer ses valeurs. Un processus de décision markovien (MDP) est un modèle stochastique issu de la théorie de la décision et de la théorie des probabilités. Le modèle MDP peut être vu comme une chaîne de Markov à laquelle on ajoute une composante décisionnelle. Comme les autres modèles de sa famille, il est entre autres, utilisé en

calcul stochastique Master 2 Recherche de Math´matiques e Universit´ d’Orl´ans e e Nils Berglund Version de Juillet 2010 Table des mati`res e I Processus en temps discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 3 . 3 . 4 . 6 . 7 . 9 . 11 13 13 14 14 16 1 Exemples de processus stochastiques 1.1 Variables