Faculté des Sciences/ Kenitra
Master Informatique et IA
Module de Processus Stochastiques
AU : 2022/2023
Notes à saisir :
1. Chaque sujet contient 2 parties, ainsi chaque sujet est pour 2 groupes de travail.
2. Les sujets doivent être envoyés au format Word + codes numériques exécutables
3. L’outil de simulation numérique est à choix libre
Liste des mini-projets :
___________________________________________________________________________
I. Mouvement Brownien : Aspect théorique et domaine d’applications
II. Optimisation Stochastique : fondement théorique et exemples
III. Simulations des quelques processus stochastiques
IV. Exemples d’Application : Marché financier et Santé
V. Processus de Markov : Aspect théorique et domaine d’applications
VI. Simulation de Processus Décisionnels de Markov : initiation et exemples
___________________________________________________________________________
Description :
I. Mouvement Brownien : Aspect théorique et domaine d’applications
1. Aspect théorique : origine (juste très peu d’histoire) + définition+ propriétés
fondamentales (sans démonstration) + Théorème de Wiener (sans démonstrations)
2. Exemples :
2.1 Choisir de simuler numériquement 3 exercices de :
http://neumann.hec.ca/~p240/c664093/documents/09exmouvbrownien.pdf
2.2 Simuler numériquement et obligatoirement le 1er exercice de :
https://perso.univ-rennes1.fr/jurgen.angst/enseignements/M2_16/CCC2.pdf
2.3 Chercher le lien avec Machine Learning
2.4 Simuler numériquement l’ex 7 de :
https://www.math.ens.psl.eu/~budzinski/td/16-17/td5_processus_corrige.pdf
1/3
II. Optimisation Stochastique : fondement théorique et exemples
1. fondement théorique :
1.1 Définir et donner un exemple deux modèles d’optimisation déterministe (Modèle à une
fonction objectif avec contraintes) : Programmation linéaire + Programmation non linéaire
1.2. Définir et donner un seule exemple d’un modèle d’optimisation stochastique
1.3. Chercher un exemple qui transforme un modèle d’optimisation déterministe en un
stochastique.
1.4 simuler l’algorithme de Recherche aléatoire à la Monte-Carlo et l'algorithme du recuit
simulé
2. Exemples
2. 1. Donner une application en machine Learning : SVM ou autre
2.2. Problème d’affectation où le problème à résoudre reflète une optimisation stochastiques ;
Refaire l’exemple 1 et 2 du paragraphe 5 (exemples illustrative) de :
https://www.math.u-bordeaux.fr/~anmiller/cours/MSE3313f11/C3313f11s1.pdf
(autre référence pour en servir en cas de besoin
https://www.theses.fr/2013ESAE0007.pdf )
III. Simulations des quelques processus stochastiques :
1. Simuler numériquement le processus de Poisson homogènes
2. Simuler numériquement les processus de Poisson non homogènes
3. Applications : Refaire la partie 7.1 Données provenant de la littérature de
https://orbi.uliege.be/bitstream/2268/86413/1/M%C3%A9moire.pdf
4. chercher un seul exemple d’application et refaire la même chose sur des données
marocaines.
III. Exemples d’Application : Marché financier et Santé
1. Donner la différence entre ‘’Prévision’’ et ‘’Prédiction’’
2. Pour chaque termes donner deux exemples bien clairs
3. Le Stochastiques est utilisé pour ‘’Prédire’’ ou ‘’ Prévoir’’
4. Définir d’une manière générale une série chronologique et donner son domaine
d’appartenance aux algorithmes de Machine Learning
2/3
5. Ecrire les équations associées au modèle ARMA puis donner un exemple
6. Sur 2 bases de données chronologiques –finance et santé- , appliquer le modèle ARMA.
7. Essayer d’hybrider les réseaux de neurones avec ARMA pour refaire la question 6.
IV. Processus de Markov : Aspect théorique et domaine d’applications
1. Aspect théorique : Définition d’une chaine de Markov, Matrice de transition..
Se servir de la partie 3 de
https://perso.lpsm.paris/~aguyader/files/teaching/EsperanceConditionnelle.pdf
2. Exemples :
2.1 refaire numériquement l’exemple : la ligne téléphonique page 115 et page 117 aussi
Exemple : la ruine du joueur page 118 de :
https://perso.lpsm.paris/~aguyader/files/teaching/EsperanceConditionnelle.pdf
2.2 refaire numériquement l’exemple de :
https://vknight.org/OR_Methods/Markov_Chains/Markov_Chains_Exercise_Sheet-
Solutions.pdf
2.3 résoudre l’ex suivant : https://math.univ-cotedazur.fr/~diener/Mifi/YunusAlea.pdf
Se servir peut être de :
https://complex-systems-ai.com/processus-de-markov/exercices-corriges-chaine-de-markov-
en-temps-discret/
V. Simulation de Processus Décisionnels de Markov : initiation et exemples
1. Définir un Processus Décisionnels de Markov
2. Donner deux applications en jeux sérieux et robotique
3. Simuler l’algorithme suivant
Se servir de :
https://www.lamsade.dauphine.fr/~airiau/Teaching/M1-DecUncertain/dui-10.pdf
http://gdac.uqam.ca/inf4230/diapos/15-mdp.pdf
Se servir aussi de https://www.jaelgareau.com/fr/project/mdp/ pour coder un cas à choisir de
votre part.
3/3
4/3
