Académique Documents
Professionnel Documents
Culture Documents
Semestre 5
Connaissance scientifique Mthode l'Ingnieur Mathmatiques de 4 4
60 70
(UE)
nb d'heures
CM 65 30 35
TD 65 30 35
TP
Analyse Numrique I
Mthodes et techniques Algorithmie+Unix+Outil du Calcul Scientifique (Fortran90, verification/validation de code)+git optimisation continue Probabilit+ Chaine de Markov+ simulaton aleatoire
106
73
51
4 4 6
70 60 100
35 25 46
14 25 34
21 10 20
ANALYSE NUMERIQUE I
(35HCM, 35HTD, 4 ECTS) Objectifs pdagogiques : Acqurir les mthodes de base de rsolution numriques de problmes linaires et non linaires (avec des discrtisations de type diffrences finies). Contenu : 1. Discrtisation diffrences finies : Principes de bases (formule de Taylor), exemple 1D et 2D (explication sur la numrotation 2D->1D, utilisation maple), Extrapolation de Richardson 2. Mthodes directes: Factorisation LDU (Condition d'existence et unicit de la dcomposition, conditionnement de la matrice, influence du conditionnement sur l'erreur, technique de pivotage, calcul du determinant), Conservation du profil (application au traitement des conditions aux limites priodique), Complment de Schur et ses proprits 3. Interpolation et Intgration numrique : Polynme de Lagrange, formule de quadrature (Newton Ctes, mthodes de Romberg), phnomne de Gibbs, polynme orthogonaux, Interpolation d'Hermite (Formule des difference divises, expression de l'erreur avec les diffrences divises), Interpolation par fonctions rationnelles (approximant de Pad)
4. Mthodes de Newton/point fixe: Principes de bases (mthode du point fixe, de Newton), Thoreme d'invariances affine, mthodes de quasi-Newton 5. Mthodes itratives de bases: Mthode de spliting: (Jacobi, Gauss-Seildel, SOR), Thormes gnraux de convergence (bas sur le rayon spectral, SOR optimal), Mthodes de Krylov: (principes, GC, GMRES), Thormes de convergence (bas sur la rpartition des valeurs propres) 6. Mthodes de rsolution des EDOs: Thories des mthodes un pas (consistance, stabilit, convergence, effet des erreurs d'arrondis, lemme de Grownwall, Mthodes d'euler implicite, explicite, point milieu, mthodes a pas adaptatif, problme raide), Introduction aux schmas multipas (BDF) Bibliographie:
J.Stoer & R. Bulirsh: Introduction to numerical analysis, Springer text in applied Math. 15 G.H. Golub & C.F. Van Loan: Matrix computation, J. Hopkins University press E. Hairer & G. Wanner : Solving Differential Equations I, Springer series in Comput. Math 14 Y. Saad : Iterative methods for sparse linear systems, SIAM
PROBABILITES - 30h CM, 30h TD Objectifs pdagogiques A lissue de cet enseignement, les lves devront matriser la manipulation et dtermination de lois de probabilits et savoir identifier les lois usuelles. Dautre part les notions de conditionnement et de convergence stochastique seront assimiles. Les principaux thormes de convergence devront tre assimils afin de pouvoir les utiliser dans les diffrents cours de probabilits et statistique ultrieurs. Cet enseignement est indispensable la comprhension des enseignements lis la modlisation alatoire. Pr-requis Cours de Mthodes Mathmatiques pour lingnieur. Contenu Probabilit conditionnelle, indpendance ; Variable alatoire : lois usuelles, transformation de variables, quantiles, moments ; Vecteurs alatoires, vecteur gaussien ; Transforme de Laplace, fonction caractristique ; Esprance conditionnelle ; Diffrents types de convergences, loi des grands nombres, thorme limite centrale. Bibliographie
Foata, D. & Fuchs, A. Calcul des probabilits, cours, exercices et problmes corrigs, Dunod, 1998. Jacod, J. & Protter, P., Lessentiel en probabilits ou bien les bases de la thorie des probabilits., Cassini, 2003. Billingsley, P., Probability and measure,Wiley, 1995. Grimmet, G.R.& Stirzaker, D.R., Probability and Random Processes, Oxford Science Publications, 1992.
SIMULATION ALEATOIRE PARTIE I - 10h TP en R Objectifs pdagogiques A lissue de cet enseignement, les lves devront tre capables de simuler des lois de variables alatoires et auront mis en application le cours de probabilits. Pr-requis Cours de Probabilits. Contenu Simulation de variables alatoires : inversion de la fonction de rpartition, acceptation-rejet... Mthodes de Monte Carlo ; Travaux pratiques en lien avec le cours de Probabilits. Bibliographie Bouleau,N., Probabilits de lIngnieur, variables alatoires et simulation, Hermann, 2002. Devroye, L., Non-Uniform Random Variate Generation, Springer, 1986. Robert, C. et Casella, G., Monte Carlo StatisticalMethods, Springer-Verlag, 2004. CHAINES DE MARKOV - 12h CM, 4h TD, 4h TP Objectifs pdagogiques Cet enseignement a pour objectif de donner les notions de base de la modlisation des phnomnes markoviens. Les lves auront pu mettre en pratique cette modlisation sur diffrents exemples en fiabilit, file dattente, gntique, conomie... Pr-requis Cours de Probabilits, Simulation alatoire Partie I. Contenu Dfinition, matrice de transition et exemples classiques. quation de Chapman-Kolmogorov et formules de conditionnement. Classification des tats, priodicit, temps datteinte, rcurrence et transience. Loi stationnaire et thormes limites. Bibliographie Pardoux, E., Processus de Markov et applications : Algorithmes, rseaux, gnome et finance. Dunod, 2007. Foata, D. & Fuchs, A., Processus stochastiques - Processus de Poisson, chanes deMarkov et martingales, Cours, exercices et problmes corrigs, Dunod, 2002. Bercu, B & Chafai, D., Modlisation stochastique et simulation, Dunod, 2007.
Semestre 6
Semestre 6
Connaissance scientifique Statistique infrentielle Modles Mathmatiques pour systme multiphysiques (Electro/thermo/automatique/mecaflux/Elasticit) 4
60
nb d'heures
CM 60 30
TD 60 30
TP
60
30
30
104 28 25 30 26
20 4 10
116 28 25 34 30
Recherche Oprationelle et CAO Analyse de donnes (SAS) et base de donne Simulation alatoire en statistique (logiciel R)
STATISTIQUE INFERENTIELLE
( 30h CM, 30h TD, 4 Ects) Objectifs pdagogiques A lissue de cet enseignement, les lves devront matriser la modlisation statistique. Ils seront capables de construire des estimateurs, den tudier les proprits. La construction dintervalles de confiance devra tre assimile. Les tests statistiques classiques paramtriques et non paramtriques) devront tre matriss aussi bien dun point de vue thorique que pratique. Pr-requis: Cours de Probabilits Contenu Modles statistiques ; Estimation paramtrique : mthode par insertion, qualits dun estimateur ; Estimation par vraisemblance : maximum de vraisemblance, information de Fisher, proprits de lestimateur du maximum de vraisemblance ; Intervalle de confiance ; Test statistique : problme de test, risques associs un test, ptimalit dans les tests, test asymptotique, test du rapport de vraisemblance maximale, test dindpendance et dadquation ; Statistique dans le modle gaussien : Thorme de Cochran, modle linaire multiple, test de Fisher, test de comparaison de moyenne ; Applications : statistiques dans les chanes deMarkov... Bibliographie Rivoirard, V. & Stoltz, G., Statistique en action, Vuibert, 2009. Fourdrinier, D., Statistique infrentielle-Cours et exercices corrigs, Dunod, 2002.
MODELES MATHEMATIQUES POUR SYSTEME MULTI-PHYSIQUES (ELECTRO/THERMO/AUTOMATIQUE/MECAFLUX/ELASTICITE (30 h CM, 30h TD, 4 ECTS) Objectifs pdagogiques: 1. Comprhension des modles mathmatiques de systmes multi-physiques et de la classification des variables et des relations les liant. 2. Formulation hamiltonienne de modles dynamiques des systmes physiques ouverts et de leurs proprits. 3. Formulation co-variante de systmes de lois de conservation et mthodes de discrtisation spatiale conservant la structure symplectique ou de Dirac. 4. Analyse des proprits de systmes dtat commands et stabilisation par des mthodes de Lyapounov. 5. Utilisation de logiciels pour la simulation et la commande (Matlab, Scilab ...). Prrequis: Elments de calcul diffrentiel , Elments de calcul vectoriel, Transforme de Fourier et de Laplace Contenu Le cours est divis en quatre parties. La premire partie traite des modles dynamiques de systmes multi-physiques macroscopiques dcrits par des systmes de lois de conservation avec termes sources (quations de bilan). On introduira une classification structure de ces systmes suivant la nature des variables (daccumulation, de flux, force motrice et dquilibre thermodynamique) et des relations les liant. Cette structure sera illustre par diffrentes applications aux domaines du transport de matire et de chaleur, de quantit de mouvement, l'lasto-dynamique, la mcanique des fluides et l'lectromagntisme. La seconde partie traite des formulations lagrangiennes et hamiltoniennes de systmes multi-physiques ouverts et leur couplage. On introduira les systmes hamiltoniens port dissipatifs en dimension finie et infinie et leur composition par des structures de Dirac. Les proprits de ces systmes seront prsentes: invariants dynamiques, dissipativit... La troisime partie concerne les proprits des systmes d'EDP issus de ces modles, l'introduction des formes diffrentielles et de la formulation covariante des lois de conservation. Elle traitera aussi de l'adaptation des schmas de discrtisation de type lments finis et mthodes pseudo-spectrales de faon conserver la structure hamiltonienne des systmes dynamiques. La quatrime partie donne une introduction l'Automatique Continue en prsentant les systmes commands et leur proprits structurelles, la commande par rtroaction, la commande par retour d'tat. On prsentera principalement l'approche d'tat s'appuyant sur un systme d'quations diffrentielles du premier ordre et les proprits de commandabilit, d'observabilit et la synthse de commande par retour d'tat. Pour les systmes non-linaires, on introduira les mthodes de fonctions de Lyapounov en boucle ferme particulirement adaptes aux systmes dissipatifs et hamiltoniens port. Bibliographie:
BASES DE DONNEES - (10h CM - 10h TD) Objectifs pdagogiques : Acqurir les notions de base pour la manipulation de bases de donnes afin dtre appliques au data-mining, et lanalyse de risque. Pr-requis : Notions algorithmes et bases de statistiques. Programme : Introduction aux principes de stockage dun grand nombre de donnes complexes Tri et recherche de donnes dans un grand ensemble. Organisation de bases de donnes. Bases de donnes objet. Notions de SQL. Logiciels dappuis : Access, Spad.
OPTIMISATION DISCRTE & CAO (25h CM, 10h TD, 25h TP ; 3 ECTS)
OPTIMISATION DISCRETE (10h CM, 10h TD, 10h TP ) Objectifs pdagogiques : Permettre ltudiant de mettre en uvre des solutions algorithmes pour des problmes de type graphe. Pr-requis : Notions dalgorithmique Progamme : Programmation linaire, simplexe. Programmation en nombres entiers. Procdures de sparation et valuation, heuristiques. Algorithmes de recuit et gntiques. Graphes ; recherche de chemins, flots, arbre de couverture, couplage maximal. Introduction aux mthodes dordonnancement. Logiciels dappuis : Matlab CAO (15h CM, 15h TP ) Objectifs pdagogiques : Acqurir les concepts de base intervenant dans la manipulation gomtrique en CAO. Prendre connaissance des diffrents modles de conception existants. Pratiquer un code CAO utilis en entreprise. Une intervention en amont met laccent sur les enjeux de la CAO et son intgration dans lentreprise. Pr-requis: Notions de base sur les courbes et surfaces. Mthodes numriques de base et applications numriques Matlab. Contenu: En amont : Introduction et place de la CAO dans le processus itratif de conception; Prsentation des systmes actuels de CAO et des principaux fournisseurs de CAO et PDM; Diffrents modles de conception selon parts de march; Aperu des enjeux actuels de la CAO; et place de la CAO dans le processus itratif de conception. Modlisation gomtrique des courbes et surfaces : Modle de Bzier : dfinition des courbes ; algorithmes dvaluation de De Casteljau et autres (subdivision, lvation de degr) ; Carreaux de Bzier ; Recollement de carreaux et continuit gomtrique. Limitations du modle. Modle B-Spline, algorithme dvaluation de De Boor, proprits gomtriques et limitations. Modle NURBS : courbes et surfaces. Aspects de gomtrie algorithmique : triangulation de formes, recherche denveloppes convexes pour le calcul des intersections. Autres modles de conception gomtriques (CSG, BREP). Formats dEchange. Pratique d'un code CAO. Logiciels dappui : CATIA V6 ou ProEngineer.
Semestre 7
Semestre 7
STAGE S7 30
STAGE 1 Septembre 15 Janvier
nb d'heures
CM
TD
TP
Semestre 8
Semestre 8
Connaissance scientifique Modelisation en statistique Mthodes et techniques Mthode de discretisations Analyse Numerique II Problme instationnaires Serie temporelle et modle de dure 5 4 5 4 85 70 75 70 4
60
CM 26 26 125 38 25 30 30
TD 14 14 85 32 20 15 20
TP 20 20 60 5 15 15 10
HP
30 10 10 10
MODELISATION EN STATISTIQUE
(28 HCM, 14H TD, 18H TP, 4 ECTS) MODELES BAYESIENS - 8h CM, 8h de TD/TP Objectifs pdagogiques Les lves devront tre capables de mettre en oeuvre une mthodologie baysienne pour des modlisations classiques : du choix de la loi a priori la construction dintervalle de crdibilit. Des applications pratiques seront faites laide du logiciel R. Pr-requis: Cours de Chane de Markov, Statistique infrentielle, Simulation alatoire Partie I et II. Contenu MthodesMonte Carlo par chanes de Markov (MCMC); Loi a priori, loi a posteriori (explicite ou parMCMC) ; Infrence baysienne : risque baysien, estimation, tests et intervalles de crdibilit. Bibliographie
Robert, C. P., Lanalyse baysienne, Sringer, 1992. Robert, Ch., Mthodes deMonte Carlo par chanes deMarkov, Economica, 1996. Gilks,W. R. & S. Richardson, & D. J. Spiegelhalter, Markov chainMonte Carlo in practice, Chapman and Hall, 1996.
MODELES DE REGRESSION - 20h de cours, 24h de TD/TP Objectifs pdagogiques A lissue de cet enseignement, les lves devront tre capables deffectuer une analyse de rgression linaire, davoir une lecture critique dune sortie logicielle, de traiter les points atypiques et de choisir un modle adquat. Les modles danalyse de la variance et de covariance seront matriss. Ils seront mettre en pratique ces diffrents modles sous SAS et R. Pr-requis Cours de modlisation alatoire des semestres S5 et S6. Contenu Rgression linaire simple, multiple : modle, estimateurs des moindres carrs, modle gaussien, intervalles de confiance, tests, prdiction, analyse des rsidus, slection de modles ; tude de certains modles particuliers : ANOVA, ANCOVA ; Bibliographie
Azas J-M. & Bardet J-M., Le modle linaire par lexemple Rgression, analyse de la variance et plans dexprience illustrs avec R, SAS et Splus, Dunod, 2006. Matzner-Lber, E. & Cornillon, P-A., Rgression, Thorie et applications, Springer, 2007. Weisberg, S., Applied Linear Regression,Wiley, 2005. Droesbeke, J.-J., Fine, J., Saporta, G., Plans dexpriences - Applications lentreprise, Technip, 1997.
METHODES DE DISCRETISATION:
(38h CM, 32h TD, 5h TP ; 10h HP, 5 Ects )
Objectifs pdagogiques: Acqurir les concepts de lapproximation numrique par la mthode des lments finis des problmes aux quations aux drives partielles (elliptiques, paraboliques linaires et hyperboliques). Application en mcanique des structures et des fluides : Elasticit linaire, Navier-Stokes, Pr-requis: Analyse Numrique I , Mthodes mathmatiques de lIngnieur Programme: Exemples de problmes elliptiques, paraboliques et hyperboliques. Formulation variationnelle des problmes aux limites elliptiques. Description des espaces de Sobolev. Thorme de Lax-Milgram. Approximation par la mthode des lments finis. Appui sur les exemples de la diffusion, lasticit, problme de transmission, diffusion-transport Espaces dlments finis : exemples dlments finis 1D, triangulaires, rectangulaires, et extension 3D. Analyse de stabilit et de convergence pour les problmes elliptiques. (Rgularit de la solution exacte et rgularit de lapproximation lments finis). Application quelques problmes de mcanique des milieux continus de type elliptique (Elasticit, Stokes). (Rgularit de la solution exacte et rgularit de lapproximation lments finis). Elments de base pour limplmentation de la mthode des lments finis. Pratique dun code de calcul lments finis actuel en R&D. Formulation mixte de problmes elliptiques et approximation par lments finis de type Raviart-Thomas. Formulation mixte en mcanique des fluides pour milieux incompressibles. Problme de Stokes. Analyse de stabilit et convergence. Condition Inf-Sup (LBB). Espaces dlements finis usuels avec rsultats de convergence associs. Traitement de la pression. Rsolution des problmes de type point-selle: uzawa et mthodes de pnalisation. Formulations mixtes en mcanique des solides pour les problmes de plaques (Approches Hellinger-ReissnerMindlin, Hu-Washisu,...). Prise en compte des rapports physiques tels que non-linarit (convection), transport, raction : Stabilisation par les mthodes Upwind, SUPG, GALS, mass-lumping Logiciel dappui : COMSOL Multiphysics / CAST3M (CEA) Biliographie:
P.G. Ciarlet: The finite element method for elliptic problems. North-Holland 1978. A. Quarteroni et A. Valli : Numerical Approximation of partial differential equations, Springer-Verlag, Berlin, 1994. O. Pironneau: Mthode des lments finis pour les fluides. Collection Mathmatiques appliques Masson, 1988. O.C. Zienkiewicz: The finite element method in engineering sciences, Mac Graw Hill, 1971. B. Lucquin et O. Pironneau: Introduction au calcul scientifique. Collection Mathmatiques appliques Masson, 1995.
ANALYSE NUMERIQUE II
(25h CM, 20hTD, 15h TP, 10h HP4 ECTS )
Objectifs pdagogiques: Matrise des mthodes de rsolution des grands systmes linaires dduits de la discrtisation d'quations aux drives partielles et des mthodes de calcul de valeurs propres de matrices de grande dimension. Connaissance de base des mthodes de dcompositions de domaine. Pr-requis : Cours Analyse Numrique I et outils du calcul scientifique Programme : Mthodes pour le calcul des valeurs propres: mthode de la puissance principes de rduction de matrice a une forme plus simple, (Hessenberg, rotation de givens, mthodes de Householder, hermitienne en tridiagonal), mthode QR, mthode Davidson-Jacobi, Dcomposition en valeur singulire (cas symtrique) Techniques d'acclration de mthodes de Krylov: Preconditionnement ILU, prconditionnement multigrille gomtrique et algbrique, Mthodes de dflations Mthodes de dcomposition de domaine: Mthodes de complment de Schur primal , dual (Feti), Mthodes de dcomposition de domaine de type Schwarz Acclration de la convergences (ORAS, AikenSchwarz),DDM comme prconditionneur de mthodes de Krylov (BPS, RAS,...) Mthodes pour la rsolution de problmes d'EDO/EDA raides: Mthodes de tir, Mthodes de Runge Kutta, Schmas d'intgration symtriques , schmas symplectiques pour les systmes hamiltoniens,Notions d'index d'une EDA , techniques de rsolutions.
Bibliographie: J.Stoer & R. Bulirsh: Introduction to numerical analysis, Springer text in applied Math. 15 G.H. Golub & C.F. Van Loan: Matrix computation, J. Hopkins University press E. Hairer & G. Wanner : Solving Differential Equations II, Springer series in Comput. Math 14 Y. Saad : Iterative methods for sparse linear systems, SIAM
PROBLEMES INSTATIONNAIRES
(35hCM, 25hTD, 15hTP , 5 Ects)
Objectifs : Acqurir les techniques de calcul, de consistance, stabilit (dispersion diffusion), et de conservation d'un schma obtenu par une approche thorique base sur les oprateurs diffrentiels. Les mthodes de discrtisations vues dans ce cours seront principalement les diffrences finies et les volumes finis. Pr-requis : Cours de MMI I, cours de mthodes numriques de base Contenu : a) Schmas numriques pour les EDPs dvolution du premier et du second ordre en temps. Equations : de la chaleur, d'advection-diffusion, de Burger, des ondes, de raction-diffusion. Schmas aux diffrences finies : analyse de la stabilit (mthode de von Neumann, Fourier, mthode de l'nergie), analyse de la dispersion et de la diffusion. Erreur et ordre de consistance de schmas aux diffrences finies. Condition CFL. Schmas dcentrs. b) Lois de conservation, applications, difficults, exemples : quations d'advection, de Burgers, du trafic routier. Systmes de lois de conservation : quations des ondes, d'Euler, de Navier-Stokes, de Saint-Venant. Solution classique et mthode des caractristiques :cas linaire et non linaire. Limites de la mthode des caractristiques et ncessit dintroduire les notions plus gnrales de solutions faibles et entropiques. Etude d'une loi de conservation : formes diffrentielles et intgrales, solutions faibles, les relations de Rankine-Hugoniot, notion d'entropie, choc entropique, ondes de dtente. Le problme de Riemann. Rsolution du problme de Riemann pour des lois de conservations non linaires Notion de schma conservatif. Mthodes conservatives pour les problmes non linaires : mthodes conservatives, consistance, conservation discrte, le thorme de Lax-Wendroff, la condition d'entropie. Le schma de Godunov. Stabilit non linaire : mthodes TVD et monotones. c) Mthodes de volumes finis dcentres. Les solveurs de Riemann approchs : thorie gnrale. Les solveurs de Riemann HLL et HLLC, Rusanov, Roe, Osher, WAF. Introduction de ces mthodes par une approche PVM rcente, plus globale et peu coteuse. Mthodes d'ordre lev et schmas TVD : mthodes de reconstruction, approche MUSCL, problme de Riemann gnralis, schmas monotones et prcision, limiteurs de flux et limiteurs de pente. Extension des mthodes TVD. Le problme des termes source, les schmas well balanced. Bibliographie : * Grgoire Allaire, Analyse numrique et optimisation, Les Editions de l'Ecole Polytechnique, 2006 * Randall J. LeVeque, Numerical methods for conservation laws, Birkhuser, 1992 * E. Godlewski, P.A. Raviart, Numerical approximation of hyperbolic systems of conservation laws, Applied Mathematical Sciences, 118, Springer, 1996
A lissue de cet enseignement, les tudiants devront matriser le vocabulaire, les outils spcifiques aux modles de dures, et en connatre les principales applications en fiabilit, sant... Ils devront savoir reconnatre les hypothses lies ces modles ainsi que les problmatiques usuelles. Ils sauront calculer les estimateurs standard et interprter les tests classiques, en utilisant les logiciels R ou SAS. Pr-requis: Cours de modlisation alatoire des semestres S5 et S6. Contenu Modles de dure ; Modlisation paramtrique et non-paramtriques ; Modles de rgression ; Approche baysienne. Bibliographie
Droesbeke, J.J. & Fichet, B. & Tassi, P., Analyse Statistique des dures de vie. Modlisation des donnes censures Klein, J.P.&Moeschberger,M.L., Survival Analysis : Techniques for Censored and TruncatedData, Springer, 2003.
Semestre 9
Semestre 9
Connaissance scientifique Modelisation Mathmatique-Galerkin discontinu Mthodes et techniques Calcul Haute performance statististique des processus Modlisation statistique avance Projet option finance option contrle 4 3 4 6 70 50 60 5
90
nb d'heures
CM 45 45
TD
TP 45 45
HP
108 35 26 32 15 15 15
51 20 16 15 15 15
51 35 4 12
20
80
50
MODELISATION (CM 30, TP 30) Objectifs : Matriser le processus complet depuis le problme physique et sa modlisation jusqu' la rsolution numrique de celui-ci. Les tudiants devront matriser les outils mathmatiques sous-jacents. Ils devront galement tre capables d'associer et de mettre en oeuvre les mthodes de discrtisation vues au cours des deux premires annes de leur formation. Pr-requis : Cours de mthodes numriques de la filire MAM Contenu: Dans ce cours, la dmarche de modlisation d'un problme depuis son modle physique jusqu' sa rsolution numrique est aborde. Le programme consiste en plusieurs modules indpendants : - Modlisation en biologie : quations de raction-diffusion permettant d'expliquer la formation des motifs sur le pelage des animaux. Analyse des solutions puis rsolution de modles non linaires par des mthodes de Newton et de Gear. - Modlisation de la valuation de produits financiers (options, futurs). Les quations de Black et Scholes sont obtenues partir du mouvement brownien puis discrtises par des mthodes de diffrences finies et d'lments finis. - Modlisation en mcanique des fluides : les principales quations (quantit de mouvement, continuit) sont obtenues partir de principes de conservation, repre lagrangien versus repre eulrien, problme de la turbulence. Applications divers problmes en gophysique. - Modlisation des systmes dynamiques, problme des bifurcations, analyse non linaire. Logiciel d'appui : FreeFem++ Bibliographie : Elle sera donne en cours sous forme d'articles de revues, de chapitres de livres etc ... CALCUL HAUTE PERFORMANCE (35HCM, 35HTP, 4 ECTS) Objectifs pdagogiques : Acqurir les rflexes: de conceptualisation de la programmation distribue, dcriture dun nouveau module aux normes dun code donn, de Validation et de vrification de code. Pr-requis : Cours d'analyse numrique I et II, cours Outils du calcul scientifique et genie logiciel Programme : Introduction aux bibliothques d'changes de messages (MPI) , la programmation par directives de compilation (OpenMP), et au calcul sur GPGPU (opencl) Modlisation des architectures distribues, valuation des performances dun code sur une architecture donne. Mthodes de calcul hautes performances adaptes aux modle de programmation : pipeline, sous-structuration, dcomposition de domaine (Schur, Feti, Schwarz), dcompositions d'oprateurs, dcomposition dans un espace de fonctions, DFT distribues, mthodes de Krylov parallles. Mthodes de couplages de codes et/ou dEDPs. Dmarches de validations et de vrifications de code. Logiciels dappui : MPI, openMP, Opencl, Fortran90, Petsc, Scalapack.
RISQUES - 12h CM, 8h TD Objectifs pdagogiques Comment valuer la probabilit dun vnement se produisant trs rarement ? Comment dterminer la hauteur dune digue de sorte que la probabilit quun dbordement se produise soit infrieure une valeur rglementaire ? Comment fixer le tarif dune prime de rassurance? Lobjectif de ce cours est de prsenter des outils probabilistes et statistiques permettant de rpondre des questions de ce type. On veillera galement limplmentation numrique des mthodes proposes en R. Pr-requis : Cours de modlisation alatoire des semestres S5 et S6. Contenu Introduction la thorie des valeurs extrmes. Exemples. Modlisation pour les maxima et pour les dpassements de seuil. Evaluation de petites probabilits et de quantiles extrmes. Bibliographie
Resnick, S. I., Heavy-tail phenomena. Probabilistic and statistical modeling, Springer Series in Operations Research and Financial Engineering. Springer, 2007. De Haan, L. & Ferreira, A., Extreme value theory. An introduction. Springer New York, 2006 Beirlant, J. & Goegebeur, Y. & Segers, J. & Teugels, J., Statistics of Extremes, Theory and applications. Wiley, 2004.
Semestre 10
Semestre 10
STAGE S10 30
STAGE fin d'tudes 15 Fvrier 30 Septembre
nb d'heures
CM
TD
TP