raptor66 a écrit :A props je me demandais, qu'est ce que vous voyez vous en maths à l'énac??
(Je fais des CTRL C - CTRL V des programmes de cours stockés dans mon ordinateur pour ne rien oublier et pour aller plus vite...)
Analyse :
· Tribu de parties. Mesure sur une tribu. Fonctions mesurables. Fonctions étagées.
· Intégrale de Lebesgue: définition et principales propriétés.
· Le théorème de la convergence dominée. Les théorèmes de continuité et de dérivabilité des intégrales dépendant d’un paramètre.
· Les espaces Lp: définition, principales propriétés. Caractère hilbertien de L2.
· Intégrales multiples. Théorème de Fubini.
· Changement de variables dans les intégrales.
· Connexité.
· Intégration des formes différentielles. Formule de Stokes.
· Dérivabilité dans $ \mathbb{C} $. Notion de fonction holomorphe et de fonction harmonique.
· La formule intégrale de Cauchy.
· Lemme de Jordan. Théorème des résidus et applications.
· Fonctions analytiques. Développement en série de Laurent. Fonctions méromorphes.
· Application à la transformée de Laplace.
· Transformation de Fourier des applications de L1 et L2. Caractère isométrique dans le cas L2. Principales
propriétés (en particulier relativement aux translations et applications dérivées).
· Introduction à la théorie des distributions.
Optimisation :
· Rappels mathématiques sur la différentiabilité.
· Conditions au premier et second ordre d'optimalité locale.
· Algorithmes de minimisation sans contraintes : gradient, méthodes du second ordre, algorithmes basés sur les directions conjuguées.
· Optimisation sous contraintes : cas général, contraintes égalité, contraintes inégalité.
· Dualité. Equations de Kühn-Tucker.
· Algorithmes d'optimisation sous contraintes.
Probabilités :
L’objectif de cet enseignement est de fournir aux étudiants les notions nécessaires pour modéliser et analyser les phénomènes aléatoires. Le cours s’articule essentiellement autour des bases du calcul des probabilités.
Les concepts fondamentaux sont présentés dans la continuation des notions introduites dans le cours d'Analyse et les techniques usuelles du calcul des probabilités sont ensuite exposées.
Cours 1 : Modèle probabiliste, triplet de probabilités ; Cours 2 : Probabilités de dénombrement ;Cours 3 : Probabilités conditionnelles et
indépendance ;Cours 4 : Variables aléatoires et lois ;Cours 5 : Espérance des variables aléatoires ;Cours 6 : Vecteurs aléatoires ;Cours 7 : Indépendance et somme de variables aléatoires ; Cours 8 : Espérance conditionnelle ; Cours 9 : Vecteurs gaussiens ; Cours 10 : Convergence, loi des grands nombres
Statistiques :
L'objectif de cet enseignement est de fournir les notions fondamentales nécessaires à la résolution de problèmes de statistique inférentielle. Ce cours décrit le formalisme mathématique permettant le traitement de
l'information contenue dans l'observation de phénomènes aléatoires. Il présente en particulier les techniques classiques associées aux problématiques de l'estimation paramétrique (ponctuelle et par intervalle de confiance) et des tests d'hypothèses (paramétriques et non paramétriques).
Cours 1 : Introduction à la Statistique, rappels de probabilité, notion de modèle paramétrique;
Cours 2 : Problème d'échantillonnage : distributions et caractéristiques empiriques, théorèmes de convergence;
Cours 3 et 4 : Estimation ponctuelle : définitions et propriétés : biais, convergence, information de Fisher,
borne de Cramer-Rao, efficacité ; méthodes classiques d'estimation : moments et maximum de vraisemblance
Cours 5 : Estimation par intervalle de confiance : généralités et intervalles de confiance classiques ;
Cours 6 : Tests d'hypothèses : définitions et généralités ;
Cours 7 : Tests paramétriques pour un échantillon : généralités, tests classiques, test du rapport de vraisemblance généralisé ;
Cours 8 : Tests paramétriques pour deux échantillons : comparaison de deux échantillons de loi normale, comparaison de deux proportions ;
Cours 9 : Tests non paramétriques : tests d'adéquation, test d'indépendance du khi-deux, tests de comparaison de plusieurs échantillons ;
Cours 10 : Estimation bayésienne : principe, notion de coût et de risque, lois a priori, a posteriori et prédictive, choix du coût et de la loi a priori (non informative, conjuguée), utilisation d'un avis d'expert, bayésien empirique.
Recherche Opérationnelle :
· Définition de la Recherche Opérationnelle, position parmi les Sciences de l’Ingénieur.
· Eléments de modélisation : graphes, réseaux et systèmes contraints.
· Théorie des graphes. Notations. Flots et tensions. Coloriage. Arbres couvrants.
· Chemins extrêmaux dans un graphe.
· Programmation linéaire. Algorithme du simplexe. Dualité.
· Flots dans un graphe. Flot maximum. Théorème de la coupe. Problèmes de transport et d'allocation.
Processus stochastiques :
L’objectif de ce cours est double: présentation des processus stochastiques les plus couramment utilisés en modélisation aléatoire et en traitement du signal. Ce cours devrait ensuite permettre aux élèves de s’initier aux techniques de modélisation probabiliste, et de se familiariser avec les calculs probabilistes associés, notamment pour les processus stationnaires du second ordre. Ces notions sont utilisées en fiabilité, en analyse de performance des systèmes, et en théorie et traitement de signal.
I Generalités sur les processus stochastiques : définition, processus canonique, principales classes de processus.
II Processus de Poisson : définition, caractérisation et proprietes des processus de Poisson homogenes. Processus de Poisson non homogène. Processus de Poisson et fiabilité.
III Chaînes de Markov : chaîne a temps discret, chaîne a temps continu, processus de naissance et de mort.
Application aux files d’attente.
IV Processus stationnaires au second ordre: définition, théorème de Bochner-Khinchine, propriétés du spectre de puissance, décomposition de la fonction d'auto corrélation et du spectre de puissance.
V Mesures stochastiques et applications: espace hilbertien des variables aléatoires; Mesures et intégrales stochastiques; Isométrie fondamentale, representation de Cramer-Loeve; Transformation linéaire de processus
stationnaires au sens large.
Tout y est : débrouille toi pour trouver ton interpolation...
