WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Conception d'un pro logiciel interactif sous r pour la simulation de processus de diffusion

( Télécharger le fichier original )
par Arsalane Chouaib GUIDOUM
Université des sciences et de technologie de Houari Boumedienne - Magister en mathématiques 2012
  

précédent sommaire suivant

Extinction Rebellion

4.5.2 IPP de deux diffusion en attraction M ó m>0(V(1)

t ) ?- M 0 ó (V(2)

t )

Le processus de diffusion Xt qui décrit ce modèle est donné par l'équation différentielle stochastique suivante :

{ (ó2Xm-1 ~

X0 = a

t -K

dXt = dt + ód eWt,

Xm t a > 0, t ? [0,T] (4.33)

K et m sont des constantes positives, et K > ó2.

L'estimation de la densité de probabilité de la variable aléatoire ôc(V(1)

t ,V(2)

t ) sera effectuée sur la base de la simulation. Cette variable représente l'instant de la première rencontre entre les deux insectes, défini par:

ôc(V(1)

t ,V(2)

t ) = inf{t = 0 : Xt = c}

La fonction tho_02diff permettre de simulée un échantillonne de taille M = 50 de la variable aléatoire ôc. Avec K = 4, m = 0.5 et ó = 0.2, le pas Ät = 0.01, et le c = v = 0.05.

R> tho_02diff(N = 1000, M = 50, t0 = 0, Dt = 0.001, T = 1, X1_0 = 1,

+ X2_0 = 1, Y1_0 = 0.5, Y2_0 = 0.5, v = 0.05, K = 4, m = 0.5,

+ Sigma = 0.2)

R> FPT

[1]

0.140

0.085

0.104

0.177

0.112

0.098

0.067

0.085

0.142

0.128

0.086

[12]

0.085

0.100

0.080

0.132

0.120

0.108

0.083

0.089

0.074

0.073

0.085

[23]

0.057

0.163

0.114

0.076

0.106

0.167

0.076

0.110

0.105

0.095

0.098

[34]

0.102

0.112

0.096

0.120

0.066

0.097

0.098

0.097

0.091

0.083

0.091

[45]

0.109

0.071

0.181

0.157

0.083

0.093

 
 
 
 
 
 

De même on fait l'ajustement de la variable Y = 1/ôc par les lois : gamma, exponentiel, lognormale et weibull. Le meilleur modèle est choisi par le critère AIC (minimum AIC).

R> Mod1 <- Ajdgamma(Y, starts = list(shape = 1, rate = 1), leve = 0.95)

$coef

shape rate

16.079041 1.544863 $AIC

[1] 234.4629

R> Mod2 <- Ajdweibull(Y, starts = list(shape = 1, scale = 1), leve = 0.95) $coef

shape scale

4.403975 11.394287 $AIC

[1] 235.836

R> Mod3 <- Ajdexp(Y, starts = list(lambda = 1), leve = 0.95)

$coef

lambda

0.09607808

$AIC

[1] 329.5738

R> Mod4 <- Ajdlognorm(Y, starts = list(meanlog = 1, sdlog = 1), leve = 0.95) $coef

meanlog sdlog

2.3111742 0.2560689 $AIC

[1] 236.0461

En remarque après cette simulation que la loi gamma ajuste mieux la distribution de la variable aléatoire Y = 1/'rc, mais si on répète les simulations on remarque que les lois weibull et lognormale ajuste aussi mieux la distribution de 1/'rc.

précédent sommaire suivant






Extinction Rebellion





Changeons ce systeme injuste, Soyez votre propre syndic





"Il ne faut pas de tout pour faire un monde. Il faut du bonheur et rien d'autre"   Paul Eluard