Un 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.
De nombreux domaines utilisent des observations en fonction du temps (ou plus rarement, d'une variable d'espace). Dans les cas les plus simples, ces observations se traduisent par une courbe bien définie. En réalité, des sciences de la Terre aux sciences humaines, les observations se présentent souvent de manière plus ou moins erratique. L'interprétation de ces observations est donc soumise à une certaine incertitude qui peut être traduite par l'utilisation des probabilités pour les représenter.
Un processus aléatoire généralise la notion de variable aléatoire utilisée en probabilité. On le définit comme une famille de variables aléatoires X(t) associées à toutes les valeurs t ∈ T (souvent le temps).
D'un point de vue statistique, on considèrera l'ensemble des observations disponibles x(t) comme une réalisation du processus, ce qui donne lieu à certaines difficultés. Un premier problème concerne le fait que la durée sur laquelle est construit le processus est généralement infinie alors qu'une réalisation porte sur une durée finie. Il est donc impossible de représenter parfaitement la réalité. Il y a une seconde difficulté beaucoup plus sérieuse : à la différence du problème des variables aléatoires, l'information disponible sur un processus se réduit généralement à une seule réalisation.
On distingue généralement les processus en temps discret et en temps continu, à valeurs discrètes et à valeurs continues.
Si l'ensemble T est dénombrable on parle de ou de , si l'ensemble est indénombrable on parle de .
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
vignette|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.
vignette|Exemple élémentaire de chaîne de Markov, à deux états A et E. Les flèches indiquent les probabilités de transition d'un état à un autre. En mathématiques, une chaîne de Markov est un processus de Markov à temps discret, ou à temps continu et à espace d'états discret. Un processus de Markov est un processus stochastique possédant la propriété de Markov : l'information utile pour la prédiction du futur est entièrement contenue dans l'état présent du processus et n'est pas dépendante des états antérieurs (le système n'a pas de « mémoire »).
thumb|upright=2|La loi normale, souvent appelée la « courbe en cloche ». Le théorème central limite (aussi appelé théorème limite central, théorème de la limite centrale ou théorème de la limite centrée) établit la convergence en loi de la somme d'une suite de variables aléatoires vers la loi normale. Intuitivement, ce résultat affirme qu'une somme de variables aléatoires indépendantes et identiquement distribuées tend (le plus souvent) vers une variable aléatoire gaussienne.
Explore la théorie de la réponse, les transitions de phase et les fluctuations dans les systèmes faiblement interagissants, y compris les particules stochastiques et les modèles de formation d'opinion.
This course covers the basic biophysical principles governing the thermodynamic and kinetic properties of biomacromolecules involved in chemical processes of life.
The course is held in English.
Students learn digital signal processing theory, including discrete time, Fourier analysis, filter design, adaptive filtering, sampling, interpolation and quantization; they are introduced to image pr
The goal of this course is to provide the students with the main formalisms, models and algorithms required for the implementation of advanced speech processing applications (involving, among others,
This course explains the mathematical and computational models that are used in the field of theoretical neuroscience to analyze the collective dynamics of thousands of interacting neurons.
The quantification of uncertainties can be particularly challenging for problems requiring long-time integration as the structure of the random solution might considerably change over time. In this re
Understanding looping probabilities, including the particular case of ring closure or cyclization, of fluctuating polymers (e.g., DNA) is important in many applications in molecular biology and chemis
In this thesis, timing is everything. In the first part, we mean this literally, as we tackle systems that encode information using timing alone. In the second part, we adopt the standard, metaphoric