La théorie des probabilités et des processus stochastiques est un outil mathématique essentiel des sciences modernes, avec des applications variées en biologie, physique et ingénierie. Elle est pertinente dans des domaines tels que la dynamique des populations, le traitement du signal, la chimie moléculaire, l'économétrie, les sciences actuarielles, et l'analyse de risque. Cet ouvrage explore les principaux modèles et méthodes stochastiques, sans exiger de connaissances préalables en théorie des processus stochastiques. Les outils d'analyse sont introduits progressivement, soulignant leur nécessité. La théorie des processus stochastiques étend naturellement la théorie des systèmes dynamiques aux phénomènes aléatoires, formalisant les évolutions de ces phénomènes dans divers domaines. De plus, il présente des algorithmes pour explorer des espaces de solutions complexes, visant à résoudre des problèmes d'estimation, d'optimisation et d'apprentissage statistique. Les techniques avancées en statistique bayésienne, traitement du signal, analyse d’événements rares, combinatoire énumérative, optimisation combinatoire, ainsi qu'en physique et chimie quantique, sont également abordées.
Pierre Del Moral Livres



Feynman-Kac Formulae
Genealogical and Interacting Particle Systems with Applications
- 576pages
- 21 heures de lecture
Focusing on Feynman-Kac path distributions and interacting particle systems, this book explores their applications across biology, physics, and engineering. It provides a comprehensive and accessible discussion suitable for senior undergraduates to advanced researchers, emphasizing the connections between various fields. The author aims to present modern mathematical theories for analyzing the asymptotic behavior of these models, making it a valuable resource for those with a basic understanding of stochastic processes.
Mean Field Simulation for Monte Carlo Integration
- 626pages
- 22 heures de lecture
Focusing on mean field particle models, this book offers a thorough mathematical analysis, emphasizing refined convergence in nonlinear Markov chain models. It explores diverse applications, including parameter estimation in hidden Markov models, stochastic optimization, and nonlinear filtering. Additionally, it addresses multiple target tracking, calibration, uncertainty propagation in numerical codes, rare event simulation, and concepts from financial mathematics, computational physics, and population biology.