Explore les processus aléatoires avec des probabilités données et la simulation de Monte Carlo, en mettant l'accent sur l'algorithme Metropolis et les matrices stochastiques.
Couvre les processus ponctuels, les critères de convergence, les fonctions de Laplace, les processus gaussiens, les fonctions de covariance et la stationnarité intrinsèque.
Présente les chaînes de Markov, couvrant les bases, les algorithmes de génération et les applications dans les promenades aléatoires et les processus de Poisson.
Explore les variables aléatoires, les densités de probabilité, la distribution gaussienne et les probabilités conditionnelles dans les systèmes de mesure.
Couvre les concepts fondamentaux de la statistique, y compris la théorie de l'estimation, les distributions et la loi des grands nombres, avec des exemples pratiques.
Couvre les équations différentielles stochastiques, l'accroissement Wiener, le lemma d'Ito, et l'intégration du bruit blanc dans la modélisation financière.
