Documente Academic
Documente Profesional
Documente Cultură
J. Printems
2
Table des matires
1 Introduction. 5
1.1 quations dvolution stochastiques. . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1 Modle de perturbations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.2 Intgrales stochastiques, processus de Wiener et bruit blanc. . . . . . . . 6
1.2 Lquation de Kortewegde Vries stochastique. . . . . . . . . . . . . . . . . . . . 8
1.2.1 Rappel historique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.2 Bref historique des rsultats concernant le problme de Cauchy dterministe. 10
1.2.3 Caractre gnrique du soliton. . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2.4 Lquation de Kortewegde Vries stochastique. . . . . . . . . . . . . . . . 11
1.3 Thmes abords relatifs aux EDPS . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.1 Lquation de Kortewegde Vries stochastique dans L2 (R). . . . . . . . . 14
1.3.2 Capture numrique dun soliton bruit . . . . . . . . . . . . . . . . . . 15
1.3.3 Convergence, ordre de convergence. . . . . . . . . . . . . . . . . . . . . . . 16
1.4 Thmes abords relatifs aux mthodes de quantifications. . . . . . . . . . . . . . 17
1.4.1 Quantification optimale de vecteurs alatoires. . . . . . . . . . . . . . . . 18
1.4.2 Comment obtenir une quantification optimale ? . . . . . . . . . . . . . . . 21
1.4.3 Intgration numrique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.4.4 Quantification de chanes de Markov. . . . . . . . . . . . . . . . . . . . . . 23
1.4.5 Quantification fonctionnelle de processus gaussiens. . . . . . . . . . . . . . 24
3
4 TABLE DES MATIRES
Introduction.
Le prsent mmoire rsume mes travaux effectus depuis neuf ans. Ils sarticulent autour
de deux thmes distincts et dans une large mesure indpendants : les quations aux drives
partielles stochastiques et les mthodes de quantification et ses applications numriques aux
mathmatiques financires. Ces travaux ont en partie t ralis en collaboration avec Vlad
Bally, Arnaud Debussche, Emmanuel Gobet, Gilles Pags et Huyn Pham.
Nous allons dans cette introduction, dans un premier temps, faire une courte description des
principaux objets considrs, puis ensuite mentionner les principaux thmes abords.
Les problmes que nous allons considrer par la suite seront des problmes de type Cauchy,
associs des systmes dynamiques dterministes perturbs par un forage alatoire, o, par
exemple en dimension un en espace, on cherche une fonction u(t, x; ) solution formelle du
problme aux valeurs initiales suivant :
u u 2u f
(t, x; ) + F x, u, , 2 , . . . = g(t, x; ) + (t, x; ),
(1.1.1) t x x t
u(0, x; ) = u0 (x), x R,
5
6 CHAPITRE 1. INTRODUCTION.
est que le systme dynamique sous-jacent (en supposant que le problme soit bien pos) est
autonome :
Si lon connat ltat du systme la date s, savoir u(s), la valeur de u(t) la date
t s ne dpend que de t s et de u(s).
Cela nest videmment plus le cas lorsquun terme de force dpendant du temps est ajout.
Malgr tout, sous certaines hypothses sur f (si g = 0), on peut retrouver ce caractre autonome
condition de lui donner un sens probabiliste, via le paramtre :
Cest la proprit dite de Markov homogne1 . Malheureusement, ces hypothses sur f savrent
souvent incompatibles avec sa rgularit en temps : f nest presque srement pas variations
bornes. On veut nanmoins pouvoir donner un sens des quantits du type
Z t Z t
f
G(s, u(s)) (s) ds ou G(s, u(s)) df (s),
0 t 0
pour des fonctions G raisonnables. Pour ce faire, on doit abandonner lintgrale au sens de Stieljes
au profit de lintgrale au sens dIt et on se trouve alors pour lquation (1.1.1) dans le cas dune
gnralisation, des quations aux drives partielles, des travaux dIt [83] sur les quations
diffrentielles stochastiques.
Les oprateurs nuclaires jouent un rle important dans la construction des processus et des
intgrales stochastiques valeurs dans des espaces de Banach. Dans le cadre Hilbertien, on leur
substitue souvent la notion doprateurs HilbertSchmidt.
On rappelle quun oprateur T L(E, F ), o E et F sont deux espaces de Banach, est dit
nuclaire sil existe deux suites {ai } F et {i } E ? telles que
+
X
kai kF ki kE? < +,
i=1
1 Ceci va dans le sens de ne pas trop dnaturer de faon artificielle le systme dynamique tout en essayant de
Il est bien connu quune telle somme est indpendante de la base choisie. Lensemble de tous les
oprateurs HilbertSchmidt muni de la norme
1/2
X
kT kL2 (E,F ) = kT ei k2F ,
i1
Il est facile de voir que cest un nombre fini ds que T est nuclaire et quil est indpendant
de la base choisie. Les relations entre oprateurs HilbertSchmidt et oprateurs nuclaires (ou
noyau) peuvent se rsumer ainsi : un oprateur T L(E, F ) est HilbertSchmidt si T ? T est un
oprateur nuclaire sur E ou si T T ? est un oprateur nuclaire sur F . Ainsi, on a
1/2
kT kL2 (E,F ) = (Tr(T T ? )) = (Tr(T ? T ))1/2 ,
On pose alors,
X
(1.1.2) i (t) = (W (t), ei )H et W (t) = i (t) ei .
iN
La somme (1.1.2) ne converge pas dans H et cela reflte lirrgularit en espace dun tel processus.
Cependant, il converge p.s. et dans Lp (, U ) pour tout p 1 pour tout espace U tel que
H U avec injection HilbertSchmidt. Si H = L2 (O), O Rd ouvert born, on peut prendre
U = H s (O) avec s > d/2.
Un tel processus gaussien peut galement tre caractris par
pour tout u, v H.
tant donne une fonction alatoire, prvisible, valeurs oprateur t 7 (t), t [0, T ], il
RT
est possible de dfinir 0 (s) dW (s) dans un espace de Hilbert K si prend des valeurs dans
8 CHAPITRE 1. INTRODUCTION.
RT RT
L2 (H, K) et 0 k(s)k2L2 (H,K) ds < + p.s.. Dans ce cas 0 (s) dW (s) est une v.a. bien dfinie
valeurs dans K et
Z T + Z T
X
(s) dW (s) = (s)ei di (s).
0 i=1 0
R
T
De plus, si E 0
k(s)k2L2 (H,K) ds < +, alors on a
Z T
E (s) dW (s) = 0,
0
!2 Z !
Z T T
E (s) dW (s) =E k(s)k2L2 (H,K) ds .
0 0
Bruit blanc espace-temps
En dimension infinie, nous donnons une dfinition que lon trouve dans [161] : on appelle
bruit blanc espace-temps dans R+ Rd , un processus stochastique {t }t[0,T ] gaussien centr
valeurs mesure tel que pour tout Borlien A et B de Rd et pour tous t, s > 0, on a
E ht , Aihs , Bi = d (A B) ts ,
o dsigne la mesure de Lebesgue sur Rd . On parle aussi de processus index par la mesure de
Lebesgue. Soit W un processus de Wiener cylindrique dfinie plus haut, on montre [144] quau
sens des distributions on a p.s.
dW
= .
dt
Les premiers processus de Wiener valeurs dans des espaces de Hilbert, o plus gnralement
les premiers processus de diffusion valeurs dans des espaces de Hilbert, ont t introduits comme
outils pour tudier certains problmes de Dirichlet o les fonctions dpendent dune infinit de
variables.
Lhistoire de lquation de Korteweg-de Vries tout au long des deux derniers sicles est in-
timement lie ds lorigine la remarquable dcouverte scientifique que fit un jeune ingnieur
cossais du nom de John Scott Russel, un beau jour daot 1834 [139] :
Je ne puis donner une ide plus nette du phnomne quen dcrivant les circonstances
dans lequelles il mapparut pour la premire fois. Jobservais le mouvement dun bateau
que deux chevaux tiraient rapidement dans un canal troit, lorsque ce bateau vint
sarrter tout coup : mais il nen fut pas de mme de la masse deau quil avait mise en
mouvement dans le canal ; elle saccumula autour de la proue dans un tat de violente
agitation, puis, laissant tout coup le bateau en arrire, se mit cheminer en avant
avec une grande vitesse sous la forme dune seule grande ondulation, dont la surface
tait arrondie, lisse et parfaitement dtermine. Cette onde continua sa marche dans le
canal sans que sa forme et sa vitesse parussent saltrer en rien. Je la suivis cheval et
la retrouvai cheminant encore avec une vitesse de 8 9 milles lheure et conservant
sa figure initiale (environ 30 pieds de longueur sur 1 pied 1 1/2 pied de hauteur). La
hauteur de londe diminuait graduellement, et aprs lavoir suivie pendant un mille ou
deux, je la perdis dans les sinuosits du canal. 2
2 traduit in Recherches Hydrauliques, par M. H. Darcy et M. H. Bazin, Deuxime Partie, Paris, Imprimerie
Tout le long de sa vie, Russel resta persuad que sa dcouverte de londe solitaire quil appelait
onde de translation, qui pouvait se propager sur de grandes distances sans se dformer, tait
dune importance fondamentale. Cependant elle donna lieu une controverse fameuse entre les
diffrents spcialistes de lpoque, et notamment parmi eux lastronome royal Sir George Biddell
Airy, qui soutenaient que toute onde localise devait se disperser la longue.
En effet, le problme se pose en ces termes : soit u(x, t) = a cos(kx t), une onde sinusodale
pour simplifier, se propageant la surface dun fluide parfait, incompressible impliquant un cou-
lement irrotationnel dans un canal de faible profondeur h0 . Nous supposerons en outre, pour nous
mettre dans les conditions dobservations de Russel, = 2/k grand et a petit devant h0 . Plus
prcisment soit et des paramtres dfinis comme
2
a h0
= 1, = 1.
h0
Les quations dEuler linarises fournissent la relation de dispersion suivante concernant londe
progressive (cf. [164], p.438)
2 (k) = gk tanh(kh0 ).
La vitesse de phase de londe u se dveloppe donc comme :
1
c(k) = c0 1 + h20 k2 + o().
6
o c0 = gh0 .
Considrons maintenant un profil initial u0 et dcomposons le en ses coefficients de Fourier
{c
u0 (k)}kR . Il nest pas difficile de voir que la vitesse de phase calcule ci-dessus implique que
chaque harmonique constituant le profil se propage une vitesse diffrente impliquant terme une
destruction du profil initial. De plus, ce qui prcde nous amne ce que, toujours dans lapproxi-
mation linaire, le profil u la date t scrive sous la forme dune intgrale oscillante :
Z + c0 h2
0 k3 t
u(x, t) = c0 (k) ei(kxc0 t) ei
u 6 dk,
On montre alors que pour u0 intgrable, le caractre fortement oscillant de cette dernire im-
plique que non seulement cette intgrale converge, mais galement que lon a lingalit suivante
Ce nest quen 1895, soit treize ans aprs la mort de Russel, que deux chercheurs hollandais
Korteweg et De Vries [97] mettaient un terme la controverse en laborant un cadre thorique
pour londe de translation de Russel3 . Toujours partir des quations dEuler pour un fluide
parfait incompressible scoulant dans un canal de faible profondeur h0 , et en se limitant aux
vagues de grandes longueurs donde et de petites amplitude a, ils trouvrent une quation
dvolution gouvernant la propagation des ondes u la surface, lquation de Kortewegde Vries,
u u 3 c0 u c0 h20 3 u
(1.2.3) + c0 + u + = 0,
t x 2 h0 x 6 x3
possdant une solution (x, t) qui correspondait parfaitement avec les observations de Russel :
" s #
2 1 3a
(x, t) = a sech (x U t) .
2 h30
a
avec U = c0 (1 + 2h0 ).
Cette fois, les effets non linaires, dus aux petites amplitudes, sont pris en compte de faon
contre-balancer les effets dispersifs, dus aux grandes longueurs donde. Plus exactement, les
paramtres a, et h0 vrifient la relation dchelle suivante
a2
(1.2.4) = O(1)
h30
3 Citons toutefois les travaux intermdiaires de G. G. Stokes [147], de J. Boussinesq [24], ainsi que de Lord
Rayleigh [137].
10 CHAPITRE 1. INTRODUCTION.
La propagation sans dformation de londe solitaire est la consquence de cette balance et lqua-
tion trouve constitue lapproximation non linaire dordre le plus bas : on parle dondes disper-
sives faiblement non linaires. Le problme rsolu, lintrt pour les ondes solitaires diminua.
Ce nest que soixante-dix ans plus tard que, dans un contexte diffrent, les ondes solitaires
revinrent au got du jour. En 1965, Zabusky et Kruskal [171] remarqurent travers des simu-
lations numriques de lquation de Kortewegde Vries quun profil initial pouvait clater en un
train dondes solitaires de tailles diffrentes, la plus grande se propageant le plus rapidement. Ils
observrent surtout quen faisant se rencontrer deux de ces ondes solitaires, chacune dentre elles
sortait de linteraction sans changement aucun de sa forme, si ce nest un certain dphasage,
positif pour la plus grande et ngatif pour la plus petite. Ces ondes se comportant alors comme
des particules, on leur attribua le nom de solitons.
Intrigus, ces physiciens mirent au point une mthode [58] afin de calculer explicitement
les solutions de Kortewegde Vries pour une classe de donnes initiales plus gnrale que londe
solitaire seule. Des gnralisations de cette technique connues sous le nom de mthode de diffusion
inverse ou inverse scattering method en anglais, ont permis par la suite de dmontrer lexistence
de nombreux autres types de solitons pour dautres quations que Kortewegde Vries. Notons
que lorsque cette mthode sapplique une quation dvolution, elle met en vidence son aspect
compltement intgrable (cf. [2, 3]). Ceci se traduit entre autre par lexistence dune infinit de
fonctionnelles invariantes de la solution [118], mais aussi par le fait quune interaction entre deux
solitons se fasse lastiquement, c.--d. sans change dnergie.
la mme poque, on tablit des proprits de stabilit orbitale , c.--d. modulo les
translations, de londe solitaire pour lquation de Kortewegde Vries [10, 14], consacrant ainsi
leur robustesse.
Fourier (, ) R2 du type = 3 .
1.2. LQUATION DE KORTEWEGDE VRIES STOCHASTIQUE. 11
ses rsultats en dmontrant le caractre localement bien pos dans H s (R) pour s > 3/4. La
principale difficult lorsque lon utilise la mthode de Bourgain pour lquation de Kortewegde
Vries consiste obtenir une estime bilinaire dans les espaces fonctionnels mentionns plus haut.
Une fois que cest fait, on utilise un argument de point fixe.
Bien que cela ne soit pas mon sujet, signalons quaujourdhui la notion de solitons dpasse
le cadre strict de lquation de Kortewegde Vries et constitue un concept part entire. On
constate le rle accru des solitons, ou plus gnralement des phnomnes non linaires de loca-
lisation, dans de nombreuses branches de la physique et de la biologie, comme par exemple :
en optique (soliton optique) ; dans ce cas les solitons reprsentent une balance entre la
dispersion induite par la fibre et lindice de rfraction fonction de lintensit du signal [1] ;
en astrophysique et physique des plasmas ( ion-acoustic solitons ) [30, 130] ;
en chimie des matriaux (solitons magntiques) [22] ;
lors de la dnaturation thermique de lADN [39] ;
en cintique des ractions biologiques [55] ;
dans des rseaux doscillateurs non harmoniques faiblement coupls (comme dans certains
modles de cristaux) [53, 109, 149].
On voit limportance du concept de soliton optique dans le cadre des tlcommunications o
peuvent tre mises profit les proprits de stabilit des solitons ainsi que llasticit de leurs
interactions pour faire se propager beaucoup dinformations en mme temps.
Les trois derniers cas cits ont ceci de particulier quils ont lieu dans des configurations
spatiales de type rseau. On ne parle non plus de soliton mais de respirateurs discrets (ou
discrete breathers en anglais). Les quations dvolution sous-jacentes sont le plus souvent
du type de Schrdinger non linaire discret ou bien Sine-Gordon discret. Signalons quil sagit
dun phnomne spcifiquement discret.
Toutes ces manifestations ne concernent pas toujours le soliton vritable, mais parfois des
formes voisines, chahutes, tant il est frquent dobserver des facteurs de perturbations dus par
exemple des impurets ou des inhomognits dans une fibre pour les solitons optiques. Dans
le cadre des tlcommunications, un gros effort est fourni afin de comprendre ces phnomnes et
de les enrayer.
Dun point de vue mathmatique, on peut remarquer galement que la prise en compte des
termes dordres plus levs dans la drivation des quations conduit en gnral des systmes
non-intgrables o on parle plutt de quasi-soliton. Cette perte dintgrabilit peut se traduire
par une interaction non lastique contrairement au cas intgrable. Ainsi, du point de vue du
soliton de la thorie, ces termes dordre suprieur peuvent jouer le rle de perturbations.
Pour toutes ces raisons, il est lgitime dtudier les effets que peuvent avoir des termes de
forces convenablement choisis sur la propagation ou linteraction de solitons. Le travail prsent
ici, pour une partie, va dans ce sens, tout en se plaant dans un cadre moins gnral en se
restreignant ltude de lquation de Kortewegde Vries perturbe par un forage alatoire.
u u 3 u 1 3u
(1.2.5) + + u + 3 = o(, ),
t x 2 x 6 x
o lon a pris en compte dans le membre de droite les termes ngligs lors de la drivation de
lquation. Typiquement = a/ et = (h0 /)2 . La relation dchelle (1.2.4) est exploite
comme 1.
Dun point de vue mathmatique, cette quation doit tre complte avec une donne initiale
et des conditions aux bords. Ces dernires peuvent tre de deux types. Soit u dcrot vers 0
linfini, soit u est priodique, par exemple de priode L.
Dans (1.2.5), aucune influence extrieure nest prise en compte. Toutefois, dans le cadre de
la propagation de solitons de type ion-acoustic dans un plasma, il semble quun terme de bruit
doive tre ajout dans le second membre. En effet, Chang et al [30] ont observ que pour un
profil initial de type soliton, londe moyenne (calcule sur plusieurs expriences) est amortie
et son amplitude dcrot comme t , pour > 0. Or ce comportement avait t dj tudi
thoriquement par des auteurs qui considraient lquation de Kortewegde Vries stochastique
suivante
u u 3u
(1.2.6) +u + =
t x x3
quand la perturbation est de type bruit blanc temps. Le cas du bruit en temps = (t) est
particulier parce que lquation est encore intgrable. Cest le cas en particulier de Wadati dans
[159] qui montra que, pour un bruit indpendant de la variable despace x et pour un profil
initial soliton, lamplitude de la solution moyenne de (1.2.6) dcrot comme t3/2 . On peut citer
galement le cas dauteurs qui, en utilisant des techniques de perturbations, ont obtenu des
rsultats similaires dans le cas dun bruit en temps avec un amortissement (c.--d. en rajoutant
u, > 0, dans le membre de gauche) [160] ; pour un bruit multiplicatif (c.--d. du type (u)(t))
[79] ; pour un bruit espace-temps [96]. Mentionnons galement une tude numrique faite dans
[143] qui montre que (1.2.6), avec un bruit espace-temps, semble reproduire le comportement
observ exprimentalement dans [30].
Dans beaucoup dautres circonstances, en dehors de la thorie des plasmas, lquation de
Kortewegde Vries (1.2.5) est un modle idal dans lequel beaucoup deffets ont t ngligs et
il nest pas draisonnable de les prendre en compte stochastiquement : lorsque les chelles de
temps du phnomne modlis par (1.2.5) sont plus grandes que les corrlations du bruit, on
peut supposer quil est du type bruit blanc.
Enfin, au-del encore des motivations dordre physique dcrites plus haut, dans le cadre de
perturbations dun systme intgrable par un terme de bruit blanc espace-temps (par lajout
dnergie sur toute les frquences), ltude dquation du type de (1.2.6) comporte un grand
intrt mathmatique.
Beaucoup darticles ont galement ddi lquation de Kortewegde Vries force :
u 3u u
(1.2.7) + +u = f,
t x3 x
la modlisation de la gnration dondes en prsence de la propagation dun champ de pression
extrieur ou au dessus dun obstacle et ceci dans de diverses circonstances : vagues de surface
[4, 33, 101, 170] ; fluide tournant [66] ; courant ctier dans une disposition topographique parti-
culire [67, 117] ; ondes planes dans un coulement contraint par une topographie [69, 128, 163].
Lquation (1.2.7) a t tudie mathmatiquement dans [21]. En gnral, le terme de force f est
localis spatialement et repsente la perturbation. Il est encore raisonnable de considrer le cas
de petites perturbations de cette quation. Il semble que le bruit devrait tre galement localis.
Ltude de linfluence du bruit sur la gnration dondes est tudie numriquement dans [46].
Dcrivons maintenant quel type de bruit nous allons considrer. Ici, (x, t) est un processus
gaussien centr de corrlation
(1.2.8) t)(y,
E(x, s) = c(x, y)ts .
1.2. LQUATION DE KORTEWEGDE VRIES STOCHASTIQUE. 13
Il est -corrl en temps puisque cest un bruit blanc en temps. On montre comment construire
un tel processus. Soit W un processus de Wiener cylindrique sur L2 (I) (voir paragraphe 1.1.2)
qui scrit donc comme
+
X
W (t) = i (t)ei
i=0
o {ei }iN dsigne une base Hilbertienne de L2 (0, L) et {i (t)}iN une famille de mouvements
browniens mutuellement indpendants dfinis sur un espace de probabilit (, F, P, {Ft }t0 ). La
srie prcdente ne converge bien sr pas dans L2 (, L2 (I)), mais dans un espace plus grand tel
que L2 (, U ) o linjection de L2 (I) dans U est Hilbert-Schmidt. Le bruit blanc en espace et en
temps peut tre dfini de faon formelle (cf. [144]) par
dW
= .
dt
Cest un processus gaussien caractris par
Z
E h,
uih,
vi = u(x, t)v(x, t) dxdt
IR+
pour tout (u, v) (H0 (I)2 . Soit un oprateur linaire de L2 (I) dans lui-mme et posons
+
X
f = W =
W ei i , et = .
i=0
o on a pos
Z
c(y, z) = k(y, x)k(z, x) dx.
I
Ainsi, pour un choix de tel que k soit une fonction invariante par translation (c.--d. k(x, y) =
k(x y), (x, y) I 2 ), c est galement homogne et on retrouve un bruit homogne dans (1.2.8).
Il est facile de voir que loprateur est HilbertSchmidt de L2 (I) dans lui-mme ssi k
2
L (I I). Ainsi, lorsque k est invariante par translation, cas du bruit homogne en espace,
nest pas HilbertSchmidt moins que I soit un intervalle born (cas priodique).
Les formes mathmatiques de (1.2.6) et (1.2.7) scrivent alors laide de la formulation dIt
suivante
3
u u
(1.2.9) du + + u dt = f dt + dW.
x3 x
Ds lors quil sagit de processus stochastiques, il existe plusieurs notions de solutions. Nous
en donnons deux ci-dessous dans le contexte (1.3.10)(1.3.11) : les solutions fortes et les solutions
faibles ou solutions martingales ( ne pas confondre avec la notion de solution faible en EDP).
Soit T > 0. On appelle base stochastique un systme (, G, P, {Gt }t[0,T ] , {W (t)}t[0,T ] ) o
(, G, P) est un espace de probabilit, {Gt }t[0,T ] une filtration et {W (t)}t[0,T ] un processus de
Wiener cylindrique sur L2 (R) adapt cette filtration. Alors, on a
Dfinition 1.3.1 (Solution forte) Soit , G, P, {Gt }t[0,T ] , {W (t)}t[0,T ] une base stochastique
donne pour un certain T > 0 Soit u0 L2 (R) et L2 (L2 (R)). On appelle solution forte de
(1.3.10)(1.3.11), un processus stochastique u adapt cette base tel que
(i) u L ([0, T ], L2 (R)) C([0, T ], Hloc (R)), P p.s., pour > 0,
Z t
3u u
(ii) u(t) u0 + 3
+u d = W (t), P p.s., t [0, T ] au sens des distributions.
0 x x
Dfinition 1.3.2 (Solution martingale) Soit T > 0, u0 L2 (R) et L2 (L2 (R)). On ap-
e G,
pelle solution martingale de (1.3.10)(1.3.11) tout sextuplet (, e {Get }t[0,T ] , {W
e P, f (t)}t[0,T ] , u
e)
tel que
e G,
(i) (, e {Get }t[0,T ] , {W
e P, f (t)}t[0,T ] ) est une base stochastique,
(ii) u
e L ([0, T ], L2 (R)) C([0, T ], Hloc e p.s., pour > 0,
(R)), P
Z t 3
u
e ue e p.s., t [0, T ] au sens des distributions.
f (t), P
(iii) ue(t) u0 + + u d = W
0 x3 x
Il faut noter ici que la base stochastique fait partie des inconnues au mme titre que u
e. Il sagit
de solutions en lois.
Nous construirons en fait une solution mild, c.--d. suivant la formulation suivante, pour tout
t [0, T ],
Z Z t
1 t 2
(1.3.12) u(t) = S(t)u0 S(t s) u ds + S(t s) dW (s).
2 0 x 0
Remarquons quune solution forte telle que donne dans la dfinition 1.3.1, c.--d. une solution
faible au sens des EDP, telle que
(u) L1 ([0, T ], L2loc (R))
x
satisfait la formulation (1.3.12).
Un dernier concept est important, celui de lunicit trajectorielle :
1.3. THMES ABORDS RELATIFS AUX EDPS 15
Dfinition 1.3.3 (Unicit trajectorielle) On dit que lunicit tractorielle a lieu pour (1.3.10)
pour une paire despace de Lusin (X, Y ) si, pour u1 et u2 deux solutions fortes dfinies sur la
mme base stochastique telle que u1 (0) = u2 (0) dans X, on a u1 = u2 dans Y .
On envisage ici deux types de construction de solutions : les itrations de Picard (point fixe)
et les mthodes de compacit. Les premires conduisent gnralement lexistence de solutions
fortes. Les mthodes de compacit consistent dans un premier temps construire des solutions
approches puis exploiter dans un deuxime temps des estimations a priori dans L2 (, X1 )
o X1 est un espace mtrique qui sinjecte de faon compacte dans un autre espace mtrique
X2 . Ensuite, comme il est naturel dans le contexte des EDPS, le critre de Prokhorov conclut
la tension des lois dans X2 et par la suite, le thorme de Skorohod, conduit typiquement
des solutions martingales. On remarque au passage que lobtention destimes a priori dans des
espace du type L2 (, X1 ) ncessite souvent lhypothse HilbertSchmidt sur le bruit.
Un rsultat clbre en dimension finie de YamadaWatanabe [166] gnralis en dimension
infinie par Viot [158] permet, grce lunicit trajectorielle, de conclure lexistence de solutions
fortes partir de celles de solutions faibles. Nous nutiliserons pas toujours cet argument, qui
passe donc par la construction effective de solutions martingales. On utilisera souvent le rsultat
suivant d Gyngy et Krylov [72] (lemme 1.1, p. 144) qui, combin avec le thorme de Skorohod
et lunicit trajectorielle, permet souvent de conclure lexistence de solution forte :
Lemme 1.3.4 Soit {Zn } une suite de v.a. valeurs dans un espace polonais (E, ) muni de
sa tribu des Borliens. Alors {Zn } converge en probabilit vers une v.a. valeur dans E ssi
pour toute paire de sous-suites {Z` } et {Zm } il existe une sous-suite {vk } = {(Z`(k) , Zm(k) )} qui
converge en loi vers une v.a. v situe sur la diagonale {(x, y) E 2 | x = y}.
(e
u0 (k) , u ck ) et
b00 (k) , W (u0 (k) , u00 (k) , W )
e
coincident et telles que lon a les convergences pour P-presque e suivantes :
tout
u
e0 (k) u
e dans X2 , u
b00 (k) u
b dans X2 ,
ck W
W c
dans C([0, T ], Hloc (R)).
Lespace X2 est en gnral celui avec lequel on peut passer la limite dans les termes non
linaires. On constate donc que ue et u
b vrifient la mme quation avec la mme donne initiale
et le mme Wiener W c . On conclut grce au lemme 1.3.4 et lunicit trajectorielle que {u }
converge en probabilit vers u X2 . Un travail supplmentaire permet en gnral de passer la
limite dans lquation dorigine et de montrer que u est solution forte.
Cette technique a t utilise initialement dans le cadre de la construction de solutions fortes
via des approximations du style de celles fournies par des schmas numriques [72]. Cest pourquoi
elle est ddie spcialement pour les tudes de convergence de schmas. Elle fut utilise dans le
cadre des schmas pour les EDPS dans [43, 47].
Dun point de vue numrique, une attention particulire doit tre porte sur le choix du
schma pour intgrer numriquement une quation non linaire dispersive comme celle de Korteweg
de Vries. En effet, dans lquation (1.2.3), les structures dchelles les plus fines tendent se
propager une vitesse de plus en plus rapide. Cest la source des principales difficults que lon
rencontre lors de la simulation numrique de tels systmes, puisque les erreurs numriques sont
16 CHAPITRE 1. INTRODUCTION.
prcisment dans ce cas-l. Un premier moyen dy remdier consiste constater que dans (1.2.5)
3u
quon a, au premier ordre en , u u
t + x = 0, ce qui permet de remplacer x3 par le terme
3u
x 2 t (cf. [11, 17, 18, 129]). Signalons quil ne sagit pas seulement dune astuce numrique
mais que cette nouvelle quation a, tout comme Kortewegde Vries, une origine physique5 . Avec
cette nouvelle quation (dite de BenjaminBonaMahoney), la situation devient radicalement
diffrente, au moins dun point de vue numrique, pour les petites chelles puisque leurs vitesses
de propagation tendent se rapprocher dune vitesse constante. Cest pourquoi, cette quation
est souvent prfre celle de Kortewegde Vries pour la simulation dans la limite dapproxi-
mation des chelles moyennes. Nous navons pas fait ce choix ici et nous renvoyons le lecteur
[54] pour des travaux thoriques sur lquation de BBM ainsi que des rfrences sur le sujet.
Notons que dans [132] (chap. 5), des simulations sont faites afin de comparer les deux quations
en prsence de bruit.
Mais revenons lquation de Kortewegde Vries. En rgle gnrale, la question que lon
doit se poser est : quelle proprit de lquation continue veut-on conserver dans le passage
lapproximation numrique ?
Il est important tout dabord que le schma nintroduise pas de dissipation numrique, ce qui
est le cas lorsque lon conserve la norme L2 (R). Concernant les quantits invariantes en gnral,
on sait construire des schmas qui conservent une infinit dinvariants (voir [148]) et donc la
proprit dexacte intgrabilit. Cependant, Bona et al. [16] ont montr que des schmas dordre
lev en temps et en espace se comportent trs bien bien quils ne conservent que la norme L2 (R).
Ils montrrent que des schmas de RungeKutta implicites et convervatifs (en norme L2 ) taient
trs bien adapts pour lquation de Kortewegde Vries.
Dun autre ct, il est difficile de construire des schmas dordre levs pour des quations
diffrentielles stochastiques (voir le paragraphe suivant).
Lorsque lon sintresse plus particulirement la simulation dun soliton, divers critres
rentrent en jeu. Dans [141], les auteurs listent trois tests de simulation que doit satisfaire un
bon code : la propagation dun soliton, linteraction entre deux solitons et le cas de lcla-
tement dun profil initial en plus de deux solitons sans queue dispersive (cas du reflexionless
potential) (cf. [51] pour des formules explicites des donnes initiales). Le dernier test est le plus
difficile simuler car de forts gradients en temps et en espace se manisfestent alors. Leur conclu-
sion est que tout comme le soliton est le rsultat dun quilibre entre les termes non linaires
et les termes de dispersion, la principale proprit quil faut garder du continu est cette balance
entre la non-linarit et la dispersion. On sattachera donc traiter numriquement les deux
termes en mme temps dans les simulations. Ce qui exclut les mthodes pas fractionnaires,
split-step, etc. Dans le cadre de notre tude, toutes les prcautions doivent tre prises afin davoir
lassurance que les phnomnes que lon va observer dans le cas stochastique ne sont dus quau
bruit et non des erreurs numriques.
En conclusion, nous avons choisi dans [45, 46] le schma de RungeKutta conservatif implicite
dordre le plus bas : le schma de CrankNicolson o les termes non linaires et de dispersion
sont traits en mme temps chaque pas de temps travers une mthode de Newton. La
discrtisation spatiale fut faite dans un premier temps laide dun schma inspir de [29], qui
est base dlments finis peu rguliers (fonctions chapeaux ) et de mthodes de moindres
carrs et dans un deuxime temps laide dun schma inspir de [16] bas sur des splines
(lments finis plus rguliers).
la surface libre sur la pression. Ainsi, cette quation dcrit lvolution de la vitesse du fluide la surface et
dcoule dune thorie non-hydrostatique contrairement Kortewegde Vries.
1.4. THMES ABORDS RELATIFS AUX MTHODES DE QUANTIFICATIONS. 17
que lon souhaite une approximation trajectorielle dite forte ou une approximation en loi dite
faible de la solution. Typiquement, un schma dterministe utilis sur une quation diffrentielle
stochastique est dordre fort 1/2 et dordre faible 1. Il est possible dcrire des schmas dordre
plus levs mais des termes de correction compliques apparaissent.
Quant aux quations aux drives partielles stochastiques, leur analyse numrique est un
sujet rcent mme si de plus en plus darticles sont consacrs la question (voir [5, 40, 65, 70,
71, 73, 74, 75, 76, 77, 78, 105, 111, 134, 145, 162, 167, 168]).
Dans le cas doprateur spatial de type parabolique, on peut crire formellement ces quations
sous la forme
u t),
(1.3.13) (x, t) = u(x, t) + f (u(x, t)) + (u(x, t)) (x, x O, t > 0,
t
avec la condition initiale u(x, 0) = u0 (x), x O un ouvert born de Rd , o f, : R R sont en
t)}t est un bruit blanc espace-temps (voir 1.1.2).
gnral des applications non linaires et o {(,
Nous nous plaons pour simplifier dans un cadre semi-discret. Une approche populaire consiste
remplacer lquation prcdente par le schma dEuler suivant
un+1 un n+1
(1.3.14) = un+1 + f (un ) + (un ) ,
t t
o t = T /N dsigne le pas de temps et o f et dsignent par abus de notation les applications
valeurs dans les espaces fonctionnelles adquats (ex : f : v 7 f (v())). Ici {n+1 } est une suite
i.i.d. de variables alatoires de loi normale valeurs dans L2 (O) par exemple. Pour tre plus
concret, on peut penserP une srie (non convergente dans L2 mais dans un espace fonctionnelle
plus gros ) n+1
= j1 ej jn+1 pour tout choix de base Hilbertienne {ej } de L2 (O) o les
n+1
j sont des v.a. normales relles indpendantes.
Il est trs important de comprendre comment ces schmas numriques approchent les so-
lutions et la premire tape est danalyser lerreur et la vitesse de convergence. Ds lors quil
sagit de variables alatoires, divers types de convergence de {un } vers {u(t)} peuvent tre en-
visags : via une approximation trajectorielle (dite forte) ou bien via une approximation en loi
(dite faible). La premire conclut des rsultats du type
Eku(T ) uN kX = O(t ),
pour un certains espaces fonctionnels X tandis que la deuxime cherche approcher des fonc-
tionnelles du processus :
|E (u(T )) E (uN )| = O(t ),
comme par exemple Z
(v) = v(x) dx, (v) = v(x0 ), ...
B(x0 ,r)
Il est clair que lon sattend en gnral (mais pas toujours) un ordre faible plus grand que
lordre fort pour le mme schma car on moyenne dabord, liminant les termes stochastiques
peu rguliers et on soustrait ensuite.
La plupart des articles traitant des EDPS tentent danalyser la convergence trajectorielle
ainsi que lordre fort de schmas de type Euler (1.3.14) pour des EDPS de type parabolique
(1.3.13) (voir par exemple [70, 71, 77, 134]). En dimension infinie, trs rcemment, des tudes
sur lordre faible sur ce type dquations ont commences paratre (voir [26, 43, 48]).
La thorie de la quantification vectorielle optimale (en dimension finie) des vecteurs alatoires
remonte au dbut des annes 50 et fut introduite pour discrtiser des missions de signaux sta-
tionnaires continus (cf. [59, 64]). Elle fut dveloppe ensuite par des spcialistes en thorie du
signal, puis en thorie de linformation. Le cas de la dimension infinie commence tre explor
depuis le dbut des annes 2000 (voir entre autres [49, 50, 106, 107, 108]).
On prcise dans les paragraphes qui suivent quelques-uns des aspects gnraux de la quanti-
fication vectorielle et fonctionnelle.
de telle sorte que la meilleure approximation de X est fournie en considrant pour q la projection
au plus proche voisin sur , note . Une telle projection est en bijection avec les diagrammes
de Vorono de Rd induit par , c.--d. les partitions Borliennes de Rd satisfaisant
(1.4.16) Ci () Rd : | xi |H = min | xj |H = Ci (),
1jN
est la projection au plus proche voisin sur . Ces projections diffrent dun choix de partition
lautre uniquement sur les frontires des cellules de Vorono. Notons que toutes les partitions
de Vorono (1.4.16) ont en commun la mme frontire, contenue dans la runion des hyperplans
mdians associs aux couples (xi , xj ), i 6= j. On reprsente titre dexemple dans la figure
1.1 un exemple de diagramme de Vorono pour N = 10 points dans R2 . On dfinit alors un
N -quantifieur Vorono de X en posant pour tout ,
N
X
b () = (X()) =
X xi 1Ci () (X()).
i=1
Il est facile de voir quun tel choix dapplication q ralise le minimum dans (1.4.15). Ainsi, pour
tout ,
La distribution de Xb en tant que vecteur alatoire est donne par le N -uplet {P(X Ci ())}1iN
associ aux cellules de Vorono. Cette distribution dpend clairement du choix fait de la partition
de Vorono comme le montre lexemple suivant : H = R, X de loi PX = 13 (0 + 1/2 + 1 ), N = 2
et = {0, 1} puisque 1/2 C0 () C1 (). Cependant, si PX ne charge aucun hyperplan, la
distribution de Xb ne dpend que de .
Maintenant, nous pouvons nous demander sil est possible, pour une loi donne PX , de trouver
parmi toutes les grilles de taille au plus N celles qui induisent lerreur quadratique moyenne
(1.4.18) la plus petite, c.--d. sil est possible de trouver des grilles optimales pour une loi donne.
Cela revient poser le problme doptimisation suivant
Il est peut-tre utile de distinguer deux types dapproches. La premire consiste associer aux
quantifieurs (optimaux ou pas) un N -uplets de H N (avec une redondance implicite ds lors
quun N -uplet est ordonn alors que la grille ne lest pas). La seconde limine ce problme en
associant aux quantifieurs des mesures (la somme de Dirac des points de la grille). La premire
approche est nanmoins utile pour obtenir lexistence de quantifieurs optimaux en minimisant
des fonctions de N -uplets de H, soit dfinies sur H N . Nous allons exposer quelques consquences
de cette premire ide.
Il est ais dtablir une correspondance entre grilles (quantifieurs) de taille au plus N et les
N -uplets de H : chaque N -uplets x = (x1 , . . . , xN ), on associe un quantifieur = (x) =
X
{xi , i = 1, . . . , N } (de taillle au plus N ). On introduit ainsi la distorsion quadratique, note DN ,
N
dfini sur H comme une fonction symtrique, par
X
DN : H N R+ ,
1 N i 2
(x , . . . , x ) 7 E min |X x |H .
1iN
de sorte que q
eN (X, H) = inf X (x1 , . . . , xN ).
DN
(x1 ,...,xN )H N
Les proprits de cette fonction (symtrique) sont rsumes dans la proposition suivante.
20 CHAPITRE 1. INTRODUCTION.
Proposition 1.4.1
X
(a) La fonction DN est semi-continue infrieurement pour la topologie faible sur (Rd )N .
X
(b) La fonction DN atteint son minimum en un N -uplet x(N,) (et donc (N,) est un quan-
tifieur optimal de taille N ). De plus
b (N,) , vrifie
(c) Tout quantifieur (Vorono) optimal de taille N , X
(1.4.19) Xb (N,) = E X | (X b (N,) ) .
(d) Tout quantifieur (quadratique) optimal de taille N est une meilleure approximation au
sens des moindres carrs (c.--d. dans L2 (P)) de X parmi toutes les variables alatoires
valeurs dans Rd ne prenant quun nombre fini de valeurs. Plus prcisment, on a
Fig. 1.2 Exemples de deux 500-quantifieurs (avec leurs diagrammes de Vorono) pour la loi
normale en dimension 2. Lequel est le meilleur ?
Ainsi, eN (X) est une suite strictement dcroissante vers 0 quand N tends vers linfini.
quelle vitesse ?
La rponse est fournie par le thorme suivant, dit Thorme de Zador. Ce thorme fut
tabli pour la premire fois pour des distributions support compact par Zador [172, 173]. Il fut
tendu des cas plus gnraux de distributions sur Rd dans [25]. La premire preuve rigoureuse
(mathmatiquement) peut tre trouve dans [64] et repose sur un argument de quantification
alatoire (lemme de Pierce). Si on note pour N entier et r > 0 :
n o
eN,r (X, Rd ) = inf kX X b kr , Rd , Card() N ,
on a
1.4. THMES ABORDS RELATIFS AUX MTHODES DE QUANTIFICATIONS. 21
Point de vue mesure
McClure [110] montre en 1975 un rsultat assez inattendu, savoir que pour une loi admettant
une densit note f , une condition ncessaire que doit vrifier un quantifieur optimal (quadratique
pour simplifier) est
N
1 X f d/(d+2)
xi Z (d+2)/d ,
N i=1
d/(d+2)
f (x) dx
Rd
lorsque N tend vers linfini (au sens des mesures).
On dresse ici une rapide revue des principales mthodes utilises pour le calcul de quantifieurs
optimaux ou tout du moins localement optimaux en dimension finie (H = Rd ). Pour plus de
dtails on peut consulter [125]. Dans tout les cas, on construit une suite {xN (k)}k0 de N -uplets
xN = (x1N , . . . , xN d N
N ) de (R ) approchant un quantifieur optimal.
La premire tentative historique de rsoudre le problme doptimisation quand r = 2 et
d = 1 est la mthode dite de Lloyd I. Elle exploite sous forme de point fixe la relation (1.4.19) :
(1.4.20) ZbxN (k+1) = E Z | ZbxN (k) , xN (0) (Rd )N .
chaque itration de lalgorithme, lesprance conditionnelle E Z | ZbxN (k) est calcule en utili-
sant une mthode de Monte-Carlo. On montre, en dimension 1, que la suite {kXxN (k) (X)k2 }k0
est dcroissante et que, sous certaines hypothses (cf. [93]), xN (k) (X) converge vers un vecteur
b prenant N valeurs. De plus, X
alatoire X b satisfait la relation de stationarit (1.4.19).
Quand la dimension d augmente, la convergence peut ne pas avoir lieu et quand elle a lieu
b reste stationnaire mais na plus de raison de minimiser lerreur de quantification
le vecteur X
(1.4.18). En fait, son principal inconvnient est dtre une procdure purement locale qui
nexplore pas tous lespace des tats.
La deuxime technique est une mthode doptimisation stochastique. Elle repose sur le rsul-
X
tat suivant [120] qui exploite une autre proprit de la distorsion quadratique DN : sa rgularit.
X
Proposition 1.4.2 La fonction DN est continment diffrentiable en tout N -uplet x de (Rd )N
de composantes deux deux distinctes et dont la mesure de la frontire de ses cellules de Vorono
N
i=1 Ci (x) est nulle. De plus, son gradient a la reprsentation (drivation sous le signe somme)
X
DN (x) = E dX N (x, X) ,
22 CHAPITRE 1. INTRODUCTION.
o
i
(1.4.21) dX
N (x, ) = 2 (x ) 1Ci (x)() 1iN .
X
La reprsentation intgrale (1.4.21) du gradient de DN suggre, tant quune simulation de copies
de X indpendantes est possible, limplmentation dun algorithme de gradient stochastique :
(1.4.22) xN (k + 1) = xN (k) k+1 dX
N (xN (k),
k+1
), xN (0) (Rd )N ,
o { k+1 }k0 dsigne une suite i.i.d. de v.a. de mme loi que X et o les k > 0 sont des
constantes (bien) choisir. Compte tenu de lexpression particulire (1.4.21) du gradient (dans
le cas quadratique), lalgorithme prcdent consiste chaque itration
?
(i) trouver le plus proche voisin, not xiN (k+1) (k) de k+1 parmi toutes les composantes
{xiN (k)}1iN ;
(ii) procder lhomothtie de centre k+1 et de raison 1 k+1 suivante sur la composante
trouve : ? ? ?
xiN (k+1) (k + 1) = xiN (k+1) (k) k+1 (xiN (k+1) (k) k+1 );
Initialement propose dans [120], une premire application de la quantification optimale est
lapproximation de lesprance de fonctionnelles de v.a.. Pour F : H R, une fonctionnelle
continue (par rapport | |H ) et pour H, un N -quantifieur, il est naturel dapprocher
EF (X) par EF (X b ). Cette quantit est simplement la somme pondre
N
X
(1.4.23) b ) =
EF (X b = xi ).
F (xi )P(X
i=1
Le calcul numrique de EF (X b ) est possible tant que F () peut tre calcule pour tout H et
que la distribution {P(X b = xi )}1iN est connue. Lerreur de quantification kX X
b k2 peut
alors tre utilise pour le contrle de lerreur.
Divers qualits dapproximation peuvent tre envisages selon la rgularit de F : F Lipschitz,
F convexe, F diffrentiable de diffrentielle Lipschitz. Signalons dj le cas intressant F convexe.
b est un quantifieur stationnaire (cf. (1.4.19)), une application immdiate de lingalit de
Si X
Jensen fournit
E F (X) | X b F (X),b
b E F (X). Une intgration numrique par quantification station-
de telle sorte que E F (X)
naire dune fonction convexe sous-estime toujours la valeur exacte.
Si maintenant F est diffrentiable et de diffrentielle DF Lipschitz, alors une autre cons-
quence de (1.4.19) est dobtenir une erreur au second ordre, puisque le terme de premier ordre
(dans un dveloppement de Taylor)
E DF (X)b (X X)b = E DF (X) b (X X
b | X)
b
1.4. THMES ABORDS RELATIFS AUX MTHODES DE QUANTIFICATIONS. 23
b
sannule par stationnarit du quantifieur X.
Des consquences de ceci seront exploites dans [125, 126].
0.15
0.1
t
0.05
0
-1.5 -1 -0.5 0 0.5 1 1.5
B_t
Si lon considre une chane de Markov {Xk }0kn valeurs dans Rd adpate une filtration
{Fk } dont les probabilits de transition sont donnes Pk (x, dx0 ) (de k 1 k) ainsi que la loi
intiale , la loi jointe de {Xk }0kn est fournie par (dx0 )P1 (x0 , dx1 ) Pn (xn1 , dxn ). Une
approche nave consiste donc quantifier dans R(n+1)d le vecteur alatoire (X0 , X1 , . . . , Xn )
suivant les mthodes dcrites au paragraphe 1.4.1. Mais il est clair vu la conclusion du thorme
1
1.4.1 que cela nest pas intressant car la distorsion serait en N nd . Ce qui serait beaucoup trop
lent.
On propose alors une approche base sur le fait quune chane de Markov est caractrise
par sa distribution initiale et des probabilits de transition. On quantifie la loi intiale ainsi
que toutes les probabilits conditionnelles de Xk sachant Xk1 . Lerreur obtenue nest plus que
de n1+1/d /N 1/d . Deux mthodes ont t introduites. La premire, base sur une quantification
chaque date k de la v.a. Xk , fut introduite dans [6] et utilise dans [7, 8] et est appele
quantification marginale. La deuxime, qui prserve la proprit de Markov, fut introduite dans
[121] et est appele quantification Markovienne (voir [124] pour plus de dtails).
On donne ci-dessous quelques dtails sur la quantification marginale dune chane de Markov.
Que ce soit dans ce cas ou dans le cas de la quantification markovienne, tout est bas sur la
possibilit de simuler Xk sachant Xk1 . La quantification de chaque Xk peut alors tre effectue
grce un algorithme de type gradient stochastique ou Lloyd (cf. le paragraphe 1.4.2) coupl la
simulation des trajectoires de la chane {Xk }. Si k = {x1k , . . . , xN
k } dsgine chacune des grilles
k
associes au vecteur quantifi Xbk , on calcule durant ces simulations les distributions discrtes
pi,j b b
= k
avec pi,j j i
k = P(Xk+1 = xk+1 , Xk = xk )
pik
Formellement la prsentation est la mme que dans la section 1.4.1. La diffrence est quici
H est de dimension infinie. Dans le cas H = L2 (]0, T [), lobjectif est destimer lesprance de
fonctionnelle continue L2 en temps de processus stochastique X L2 (]0, T [).
La quantification fonctionnelle optimale des processus gaussiens est intimement lie leur
srie de KarhunenLove qui peut tre vue comme une version en dimension infinie dune analyse
en composante principale du processus. Plus particulirement, une telle srie permet de distinguer
les dpendances en temps et en omega du processus. Par la suite, la discrtisation est donc
double : la fois au niveau de la troncature de la srie et la fois au niveau de la quantification
des vecteurs alatoires. Cest--dire quil faut la fois dterminer une dimension d optimale de
troncature et dterminer un nombre de points N optimal pour quantifier le vecteur alatoire
dont les composantes sont les d premiers termes de la srie (voir paragraphe 1.4.1).
Formellement, si X dsigne un tel processus, on crit sa dcomposition de Karhunen-Loeve
comme suit
+
X
X(, t) = nX ()eX 2
n (t) dans L ( (0, T ))
n=1
o {eX est une base Hilbertienne de L2 (0, T ) et {nX }n1 une famille de variables alatoires
n }n1
indpendantes.
Pratiquement, un nombre N tant donn, on dtermine d(N ) un seuil de troncature de la
srie. On remplace le processus X par les N processus dterministes
d(N )
X
(1.4.26) X i (t) = xin eX
n (t), 1iN
n=1
N = {1X , . . . , d(N
X
) }.
Exemple de cas gaussien : le mouvement brownien
Dans le cas du mouvement brownien standard sur [0, T ], les termes de la srie de Karhunen
Love sont explicites :
r
W 2 t 1
en (t) = sin n , nW N (0, n ), n 1,
T T 2
o 2 2
T 1
n = n , n 1.
2
Dans ce cas, le vecteur alatoire d(N ) dimensionnelle quantifier suit une loi gaussienne dans
Rd(N ) de covariance diagonale :
N = {1W , . . . , d(N
W
) } N (0; ), avec = diag(1 , . . . , d(N ) ).
On peut consulter [169] pour plus de dtails numriques. On prsente dans la figure 1.4 un
exemple de quantification du mouvement brownien pour N = 10. Ici on a d(N ) = 2.
1.4. THMES ABORDS RELATIFS AUX MTHODES DE QUANTIFICATIONS. 25
0.2
0.2
1.5 1 0.5 0 0.5 1 1.5
1.5
0.5
0.5
1.5
2
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fig. 1.4 Quantification fonctionnelle du mouvement brownien sur [0, 1] pour N = 10, d(N ) = 2.
Au-dessus figure le 10-uplet correspondant de R2 .
La premire tentative dobtenir des quantifications fonctionnelles se fit laide des quantifieurs
produits. La quantification fonctionnelle produit consiste chercher le prcdent N -uplet de
points de Rd(N ) dans (1.4.26) sous la forme dun produit tensoriel de grilles de plus petite
dimension . Nous nous limiterons ici des grilles de dimension 1. Ainsi, on remplace xi =
id(N )
(xi1 , . . . , xid(N ) ) Rd(N ) par xi1 ,...,id(N ) = (xi11 , xi22 , . . . , xd(N )) R
d(N )
o {xik }1iNk quantifient
chacun avec N (k) points la loi normale en dimension 1 de faon optimale (voir paragraphe 1.4.2)
et o les N (k) sont tels que N = N1 N2 Nd(N ) .
Il reste pour un entier N donn dterminer tous les produits possibles qui le composent
et slectionner celui qui donne la plus petite erreur de distorsion. On fournit plus bas en
tlchargement ces correspondances. Du point de vue de lerreur de distorsion, on peut montrer
quun tel produit nest pas optimal mais seulement stationnaire ce qui est toujours trs utile.
De plus, on peut montrer quils ont le mme taux de convergence que les quantifieurs optimaux
(voir [106]).
Cela donne finalement dans le cas dun mouvement brownien sur [0,T] les N quantifieurs
suivants :
r d(N )
i1 ,i2 ,...,id(N ) 2 X T ik t 1
X (t) = x sin k , 1 ik Nk .
T (k 12 ) k
k=1
T 2
Cette approche est utilise dans [126] o ces grilles produits sont utilises pour calculer le prix
dasiatique.
26 CHAPITRE 1. INTRODUCTION.
Chapitre 2
Ce chapitre rsume mes travaux effectus dans le cadre des quations aux drives partielles
stochastiques [45, 46, 47, 48, 132, 133, 134].
3u
(2.1.1) du + dt = dW, u(0) = 0
x3
o kkL2 (L2 (R),H s (R)) est la norme de lespace des oprateurs HilbertSchmidt de L2 (R) to H s (R)
(cf. le paragraphe 1.1.2, p. 6).
Un travail antrieur [42] a dj gnralis les techniques de [89, 90] sous lhypothse que
soit un oprateur HilbertSchmidt de L2 (R) dans H 1 (R) dmontrant lexistence et lunicit dans
C([0, T ], H 1 (R)). Jai considr ici un oprateur de covariance plus gnral. En remarquant que le
modle physique des quations de Kortewegde Vries forces suppose un terme de force localis
(voir paragraphe 1.2.4), jai considr un bruit localis, dans un sens prciser. Dun point de
vue mathmatique, cette remarque permet de travailler dans des espaces poids bass sur L2 (R)
et dutiliser les techniques de [61]. On substitue en quelque sorte les hypothses de rgularit sur
par des hypothses de localisation. Dit autrement encore, je suppose HilbertSchmidt de
L2 (R) dans lui-mme et petit linfini.
27
28 CHAPITRE 2. QUATIONS AUX DRIVES PARTIELLES STOCHASTIQUES.
Lemme 2.1.1 Soit T > 0, > 0 et q tel que 1/4 < 1/q < 5/8. Il existe C(T ) > 0 telle que
pour tout u dans X ,q ([0, T ]) et pour tout v dans L ([0, T ], Y ), on a
Z .
(2.1.3) S(. ) (uv) d C(T )kukX ,q ([0,T ]) kvk 83 ,
x ,q L ([0,T ],Y )
0 X ([0,T ])
Ici, le bruit est additif, c.--d. que ne dpend pas de u. Le lemme prcdent entrane donc
lunicit trajectorielle dans X ,q ([0, T ]) L ([0, T ], Y ) :
Corollaire 2.1.2 Soit T > 0, > 0 et q tels que dans le lemme 2.1.1. Alors, il existe au plus
une solution forte u (1.3.10)(1.3.11) tel que
u L ([0, T ], Y ) X ,q ([0, T ]), p.s..
2.1.2 Existence.
Il y a deux constructions diffrentes prsentes ici. Un premier rsultat est prsent avec les
hypothses suivantes sur les donnes
(2.1.4) u0 Y, L2 (L2 (R), Y ) L2 (L2 (R), H (R)) pour un > 0.
Thorme 2.1.3 ([133]) Soit T > 0 et > 0. Alors, sous les hypothses (2.1.4), il existe un
unique processus stochastique u solution forte globale de (1.3.10)(1.3.11) tel que
1 1 1
u X ,q ([0, T ]) L ([0, T ], Y ), < < , p.s.,
4 q 2
u
L2 ([0, T ], L2loc (R)), p.s..
x
De plus u C([0, T ], Y ), p.s..
L encore, la mthode utilise est spcifique au caractre additive du bruit. Dans ce cas, on peut
en effet dcomposer la solution u comme la somme
u = v + WL ,
o WL dfini par (2.1.2) est solution de la partie linaire et o v est solution de lEDP para-
mtre par :
v 3v 1
+ + (v + WL )2 = 0, P p.s., v(0) = u0 .
t x3 2 x
On ne peut pas utiliser directement le lemme 2.1.1. En effet, pour pouvoir effectuer une contrac-
tion dans X ,q ([0, T ]) il faut pouvoir avoir des estimes indpendantes dans un second espace
poids du type L ([0, T ], Y ). Cette asymtrie est naturelle et provient de la structure de la
fonction dAiry. On surmonte cette difficult en construisant une suite {u } de solutions obtenues
avec des donnes rgulires (cf. [155] par exemple) et on montre successivement les estimes a
priori trajectorielles suivantes :
2.1. LQUATION DE KORTEWEGDE VRIES STOCHASTIQUE DANS L2 (R) 29
Proposition 2.1.4 Soit T > 0. Il existe des fonctions positives croissantes Ci , i = 1, 2, 3 telles
que
kukX ,q ([0,T ]) C1 T, kukL ([0,T ],Y ) , kWL kX ,q ([0,T ]) ,
kukL ([0,T ],Y ) C2 T, ku0 kY , kukL ([0,T ],L2 (R)) , kWL kL ([0,T ],Y ) ,
!
WL
kukL ([0,T ],L2 (R)) C3 T, ku0 kL2 (R) ,
x 1
, kWL kL ([0,T ],L2 (R)) .
L ([0,T ],L (R))
Donc, si lon sait contrler les termes en WL , on peut utiliser les estimes prcdentes avec le
lemme 2.1.1 pour montrer que {u } est p.s. de Cauchy dans X ,q ([0, T ]) en exploitant la relation
Z t
1
u (t) u0 (t) = S(t)(u0, u0,0 ) S(t s) [(u u0 )(u + u0 )]ds + WL, (t) WL,0 (t).
2 0 x
On conclut finalement lexistence dune solution mild (voir (1.3.12)), puis une solution forte.
Les principales difficults sont ici les estimes concernant la partie linaire de lquation. En
fait, dans les quations o le bruit est additif, il faut trs souvent vrifier que la solution du
problme linaire, ici WL , appartient aux mmes espaces que ceux de la thorie dterministe.
Ici, du fait de la prsence dune drive dans le terme non linaire, il faut obtenir une estime
de WL /x sur L1 ([0, T ], L (R). Cette estime particulire est obtenue grce une proprit
de rgularisation fine du groupe {S(t)}tR dcouverte par [90] et qui permet dobtenir
Z t p !
(2.1.5) sup E sup S(t ) dW ( ) Cp kkL2 (L2 (R),H (R))
tR xR x 0
pour tout entier p 1. Cette dernire estime requiert lhypothse L2 (L2 (R), H (R)) (voir
(2.1.4).
La deuxime construction repose sur une mthode de compacit base sur une mthode dnergie
pour lobtention des estimes a priori. Les hypothses sur les donnes sont moins restrictives :
Thorme 2.1.5 ([133]) Soit T > 0. Sous les hypothses (2.1.6, il existe une unique solution
u de (1.3.10)(1.3.11). De plus, les estimes suivantes ont lieu p.s. :
u L ([0, T ], Y ),
0
s
u C([0, T ], Hloc (R)), pour tout s0 > 2,
u
L2 ([0, T ], Hloc
s
(R)), pour tout s < 0.
x
La dmonstration consiste construire une suite approche de solutions {un } obtenues en rgu-
larisant les donnes (cf. [155]) puis obtenir les estimes suivantes :
On conclut la tension des lois de {un } grce au lemme de compacit suivant bas sur un rsultat
classique dinjection compacte (voir [104, thorme 5.2, p. 61]), le thorme dAscoliArzela et
une extraction diagonale.
Lemme 2.1.8 Soit T > 0, > 0, > 0. Soit A un ensemble de distributions u telle que
2
(i) A est born dans L2 ([0, T ], Hloc
1
(R)) W ,2 ([0, T ], Hloc (R)) ;
2
(ii) A est born dans C ([0, T ], H (R)).
0
Alors A est relativement compact dans L2 ([0, T ], Hloc s
(R)) C([0, T ], H s (R)) pour tout s < 1
et s0 > 2.
On utilise pour finir le lemme 1.3.4 et les arguments exposs dans le paragraphe 1.3.1.
(a)
Single soliton with noise | gamma = 0.01 | tau = 0.01 | h = 0.01 | epsilon = 1e-4
"KdV1_1.save"
0.9
0.7
0.5
20 t
15
10
0
x 0 0.5 1 1.5 2
(b)
Null initial data with noise | gamma = 0.01 | tau = 0.01 | h = 0.01 | epsilon = 1e-4
"KdV1_ter.save"
0.9
0.7
0.5
20 t
15
10
0
x 0 0.5 1 1.5 2
Fig. 2.1 Courbes de niveau dans le plan (x, t) correspondant aux niveaux 0.5, 0.7 et 0.9 pour
une donne initiale c = 0.3, x0 = 0.4 et des coefficients = 104 (dispersion) et = 0.01
(amplitude du bruit).
32 CHAPITRE 2. QUATIONS AUX DRIVES PARTIELLES STOCHASTIQUES.
Dans [45, 46], les conditions aux bords taient spcifies sur un intervalle born puisquil est
impossible de discrtiser une quation sur la droite relle. De plus, une discrtisation spatiale
base de splines tait introduites. Ici, nous nous concentrons sur la discrtisation en temps.
Le schma (2.3.7) a t choisi car il est conservatif quant la partie dterministe. Le problme
est quun schma conservatif est ncessairement implicite et lanalyse numrique des schmas
implicites pour des quations aux drives partielles stochastiques est souvent trs difficile. De
plus, nous avons tenir compte de la structure mathmatiquement complexe de lquation de
Kortewegde Vries.
Nous allons utiliser le cadre fonctionnel introduit dans [61] et utilis dans le cas stochastique
dans [133] (voir paragraphe 2.1). Il donne lunicit dans des espaces poids sur L2 (R) grce un
effet rgularisant local du groupe dAiry. Dans [133], le processus gaussien est un processus de
Wiener sur L2 (R) dont loprateur de covariance ? est de trace finie dans un espace poids
sur L2 (R), c.--d. dans L2w o
n o
L2w = (1 + x+ )3/8 u L2 (R) .
o on na pas indiqu la dpendance en n. Il est noter quil ne sagit pas de la partie linaire de
lquation. En crivant la norme L2 (R) de uk+1 en fonction de la norme de uk + zk+1 , on arrive
la borne approprie dans L2 (R). Le point cl est de choisir un alatoire et de montrer des
estimes prcises sur {zk }k . Lide naturelle serait dutiliser ce processus auxiliaire avec = 0
mais il est facile de voir que la preuve des estimes L2 (R) ne marche plus avec ce choix. Cest
un point technique et on a besoin davoir zk petit trajectoriellement, cest pourquoi on choisit
un alatoire. Remarquons pour finir que lindpendance de uk et zk+1 est cruciale.
Un autre argument utilis pour contrer le problme que pose le manque de formule dIt
consiste injecter dans le terme de bruit de lquation dvolution de la norme L2 (R) la date
k lquation intgre entre 0 et k de faon exprimer u la date (k + 1)t en fonction de u la
date kt et dun terme martingale. Cela fournit des puissances supplmentaires en t trs utiles
et permet dobtenir les estimes voulues grce des ingalits de martingales. Cette technique
nest pas spcifique au caractre additif de lquation.
Le rsultat principal est
pour un > 0. La suite {un }n1 dfinie par (2.3.7) converge vers la solution u de (1.3.10)
(1.3.11). La convergence a lieu en probabilit dans L2 ([0, T ], Hloc
s
) pour tout s < 1 et dans
2 2
L (, L ([0, T ], L (R))).
(2.4.9) X0 = x H,
o on a pos X n+ = X n+1 + (1 )X n pour un [0, 1] et o {n+1 }n0 est une suite i.i.d.
de v.a. normales valeurs dans H.
34 CHAPITRE 2. QUATIONS AUX DRIVES PARTIELLES STOCHASTIQUES.
Concernant le schma (2.4.10), notons que les rsultats de convergence dans le cas dter-
ministe ( = 0) sont classiques. Par exemple, dans [102], lauteur montre que le cadre de la
dimension infinie impose
Ce rsultat est gnral et peut sappliquer toutes les quations aux drives partielles
stochastiques de type parabolique avec une non-linarit Lipschitzienne pourvu que (2.4.12) ait
lieu. Par exemple, en dimension d avec un bruit blanc ( = 0), soit A = ()r/2 pour un rel
positif r > d sur un ouvert born de Rd avec des conditions de Dirichlet ou de Neumann aux
bords. Si > d/r alors (2.4.12) est vrifie. Si s = 0, alors on a un ordre de convergence de X n
de 12 (1 dr ). Pour lquation de CahnHilliard avec une non-linarit f Lipschitzienne, si = 0,
on obtient un ordre 3/8 en dimension 1, 1/4 en dimension 2 et 1/8 en dimension 3. Si = 1/4,
la condition (2.4.12) na plus lieu si d = 2 ou 3. Et pour d = 1 on obtient un ordre 1/8.
Le deuxime rsultat concerne les cas o est toujours globalement Lipschitz mais o f est
seulement localement Lipschitz. On se restreint au cas de la dimension 1 de lquation de Burgers
stochastique. Dans ce cas H = L2 (0, 1), s > 3/4, = 0 et > 1/2. Cependant cette approche
reste gnrale et peut sappliquer dautres situations. Lide est dimiter la preuve dexistence
et dunicit pour le problme continu [37]. Nanmoins, on suppose une hypothse supplmentaire
sur :
pour C > 0.
Thorme 2.4.2 ([134]) Soit x Lp (, L2 (0, 1)) pour p 2. Soit X solution de (2.4.8)
(2.4.9) (version Burgers stochastique en dimension 1 sur domaine born avec conditions aux
bords Dirichlet) et soit {X n }n0 donn par le schma (2.4.10). Alors la suite X n converge en
2.4. APPROXIMATION FAIBLE ET FORTE DE LQUATION DE LA CHALEUR 35
probabilit vers X. De plus, pour tout < 1/4, le schma (2.4.10) est dordre en probabilit
dans L2 (0, 1), c.--d.
n p 1/p
lim lim sup P max |Xnt X | C t + t(E|u0 | ) = 0.
C+ 0 0nN
Dans [48], nous nous sommes intresss lapproximation en loi, dite faible, de lquation de
la chaleur stochastique. Mme si lanalyse numrique des EDPS se dveloppe assez rapidement,
peu dtudes abordent le cas de lordre faible [26, 43, 48].
On a pu tablir dans [48] un ordre faible pour lquation (2.4.8) linaire (f = 0 et constante)
compltement discrtise (lments finis en espace et schma dEuler en temps) sans condition
de stabilit impliquant les pas de temps et despace comme il est naturel de sy attendre pour
un schma implicite. La mthode utilise est celle dite de lEDP dvelopp initialement par
[150, 151, 152] dans le cadre des quations Diffrentielles Stochastiques (EDS) (lanalogue en
dimension finie). Elle consiste estimer lerreur travers les solutions dquations de Kolmogorov
associes la diffusion.
La principale difficult ici est la prsence, du fait des drives partielles, dun potentiel
trs irrgulier (AX). Une astuce pour la contourner consiste travailler avec linconnue Yt =
exp((T t)A)Xt en mme temps quavec ses variantes discrtes. On considre donc lquation
Cest une ide dj prsente dans [43]. Une autre ide, propre au cas linaire, est de constater que
lon a une reprsentation de Feynman-Kac explicite de la solution de lquation de Kolmogorov
associe (2.4.16) :
v 1
= Tr (exp((T t)A))? D2 v(exp((T t)A)) , v(0) = ,
t 2
pour une fonctionnelle suffisamment rgulire sur H (cf. thorme 2.4.3). En fait, on a
Z T !
v(T t, y) = E y + exp((T s)A) dWs .
t
La mme ide sert dans les approximations en temps et en espace pour les variantes discrtes de
Yt et v.
On dcrit en quelques mots lapproximation spatiale par lments finis : soit {Vh }h>0 une
famille dlments finis, c.--d. une famille de sous-espaces de dimension finie de V = D(A1/2 ).
On dsigne par Ph le projecteur orthogonal de H sur Vh par rapport au produit scalaire de H.
Le schma compltement discrtis scrit
(2.4.17) (Xhn+1 Xhn , vh ) + t(AXhn+1 , vh ) = t(Q1/2 n+1 , vh ), Xh0 = Ph x,
pour tout vh Vh . Par rapport au contexte prcdent, les hypothses changent un peu. Ici
= Q1/2 o Q est un oprateur positif symtrique born de H dans D(A ) pour 0 tel que
1 + > 0. Alors, on a le thorme
Thorme 2.4.3 ([48]) Soit Cb2 (H), c.--d. une fonctionnelle relle deux fois diffrentiable
dfinie sur H dont les drives premires et secondes sont bornes. Soit {Xhn }0nN une solution
de (2.4.17). Sous les hypothses prcdentes, il existe une constante C(T, ) > 0 qui ne dpend
ni de h, ni de N telle que pour tout < 1 + 1, on a
|E (XhN ) E(XT )| C h2 + t .
36 CHAPITRE 2. QUATIONS AUX DRIVES PARTIELLES STOCHASTIQUES.
2.5 Perspectives.
Par la suite, un travail en cours, en collaboration avec Arnaud Debussche (ENS Cachan,
antenne de Bretagne) sintresse lapproximation faible en temps de (2.4.8) pour f non nulle
et non constante. Il nest pas difficile de se convaincre quen effet la principale difficult se
concentre sur la partie approximation en temps.
Plusieurs difficults se manifestent. La premire concerne linconnue Yt qui, parce que le
semi-groupe {exp(tA)} nest pas inversible, nest plus un processus de Markov. En effet, pour
f = 0 pour simplifier, on a
On ne peut donc pas parler dEDP de Kolmogorov comme dans le paragraphe prcdent.
La deuxime difficult est galement inhrente la mthode dite de lEDP. Pour sen convaincre,
modifions un peu le schma en temps et considrons {X n } construit de la sorte :
X n = Xtn avec dXt + AXt dt + f (Xtn )dt + (Xtn )dWt , t [tn , tn+1 ].
Or le terme en f (par exemple) nest pas petit , du moins pas dans les topologies qui nous
intressent du point de vue de lanalyse numrique. En effet, deux applications successives de la
formule dIt dans la formule ci-dessus nous amnent des contrles en |A(X(tn , x) X n )|H . On
retrouve donc le problme du potentiel irrgulier AX. Le problme est le mme pour le terme
en .
en norme H 1 jusqu des temps de lordre de 1/2 . De plus, sous des hypothses de rgularit
plus fortes sur le bruit (H 2 ), le terme en premier ordre en tend en loi lorsque tend vers
0 vers un processus gaussien. Cette tude thorique vient, aprs plusieurs tudes numriques
[30, 132, 143], confirmer le fait que la solution issue dune donne initiale soliton avec un bruit
additif tend asymptotiquement, en moyenne, vers 0.
La question reste ouverte concernant le cas du bruit multiplicatif. Des expriences numriques
rcentes semblent montrer que les solutions de lquation suivante crite sur un intervalle born
avec conditions aux bords priodiques tendent vers 0 p.s. lorsque t tend vers linfini :
3
u u
du + 3 + u dt = u dW, u(x, 0) = c (x),
x x
Je rsume ici les articles [8, 9, 62, 123, 124, 125, 126]. Il sagit de collaborations avec V. Bally,
E. Gobet, H. Pham et G. Pags. Ils sont en grande partie consacrs aux aspects numriques des
mthodes de quantification et leurs applications spcifiques certains problmes de mathma-
tiques financires : options europennes, amricaines (cas vanille ) et options trajectoires
dpendantes travers le cas des options asiatiques.
Nous avons mis disposition des grilles sur un site ddi la quantification
www.quantize.maths-fi.com
www-rocq.inria.fr/mathfi/Premia/
Ceci bien sr concerne toutes les lois en dimension 1 pour lesquelles on connat les fonctions
de rpartition.
En dimension plus grande, le mme type de mthode dterministe requiert a priori une
trs bonne connaissance de la gomtrie des cellules de Vorono, ce qui peut induire une trop
39
40 CHAPITRE 3. QUANTIFICATION ET APPLICATION EN FINANCE
grande complexit quand d devient de plus en plus grand. On se tourne alors vers des procdures
doptimisation stochastiques comme celles dcrites au paragraphe 1.4.2. Nous allons aborder ici
un point qui pose problme dans la mthode de gradient stochastique.
Ce point est li la quantification dune loi prs de ses modes, ou du moins au voisinage des
points o sa densit est stationnaire. En effet, nous navons pas prcis dans (1.4.22) quel choix
faire pour la suite {k+1 }, le pas de la descente. Dans le cas o lon choisit un pas de la forme
k = /k, on sait, sous certaines hypothses de rgularit de la fonction minimiser, disons g,
que la convergence vers le quantifieur optimal x? de la suite {xN (k)} dfinie par (1.4.22) est
contrle par un Thorme Centrale Limite du type
xN (k) x?
N (0; ),
k
pourvu que
1
>
2min
o la matrice dpend essentiellement du Hessien de la fonction g (cf. [52, 100]) et o min est
la plus petite valeur propre du Hessien de g.
Dans le cas de la loi uniforme en dimension 1, il est facile de calculer le Hessien de la fonction
de distorsion et, aprs calcul, on saperoit que celui-ci nest rien dautre que le laplacien discret
obtenu par diffrences finies sur [0, 1] ( un facteur N prs). Il est facile de calculer ses valeurs
propres et on trouve
1 2
min = sin2
N 2N 4N 3
quand N est grand. Ainsi un critre suffisant de convergence est > 2N 3 / 2 . Il est au passage
intressant de noter quici le caractre mal conditionn, bien connu, de la matrice du laplacien est
directement li la lenteur de lalgorithme puisque prend des valeurs de plus en plus grandes
lorsque N crot.
Pour ce qui est maintenant de la loi normale, au voisinage du point (ici 0) o la densit
gaussienne est stationnaire, il semble que lon doive spcifier comme pas celui que lon voudrait
adopter si lon voulait quantifier la loi uniforme sur [0, 1]d . Lheuristique suivie dans [125] consiste
choisir comme pas celui qui simposerait si lon quantifiait les marginales de dimension 1 de la
loi uniforme, c.--d. la loi uniforme avec N 1/d points. Ainsi le choix du pas se porte sur
a
n = 0 , a = 4N 1/d , b = 2 N 2/d .
a + 0 bn
Alors n a/bn 4N 3/d / 2 n > 2N 3/d / 2 n qui est le pas critique pour la loi uniforme pour
avoir un TCL pour n grand.
ou 1/d 1/d
E erT K2 ST1 STd E erT K1 ST1 STd ,
+ +
3.3. QUANTIFICATION DE CHANES DE MARKOV ET OPTIONS AMRICAINES. 41
avec r > 0, K1 < K2 et o les actifs {Sti } suivent la dynamique BlackScholes, c.--d. qu la
date T , ils ont la mme loi que
2
(3.2.2) STi s0 exp r T + i T Z i , i = 1, . . . , d,
2
o Z = (Z 1 , . . . , Z d ) suit une loi normale dans Rd . Lhypothse dindpendance des actifs nest
pas raliste mais cest clairement le pire cas du point de vue de la quantification. On dispose
de formules exactes pour le calcul de telles esprances et on peut calculer lerreur obtenue pour
chaque grille de quantification ZbN de taille N et de dimension d associe la v.a. Z. Pour une
dimension d fixe, on trace les erreurs obtenues dans un diagramme log-log. On retrouve alors
la pente prdite en 2/d. On trace par ailleurs lcart-type dun estimateur Monte Carlo N
points de la mme fonction.
En conclusion, les rsultats savrent favorable la quantification au moins tant que d 4.
Lorsque d 5, les grilles de quantification donnent un meilleur rsultat que Monte Carlo jusqu
une taille critique N (d) qui dcrot lorsque d crot. Des dveloppements rcents permettent de
repousser cette limite (voir paragraphe 3.5).
o Tt,T dsigne lensemble des temps darrt valeurs dans [t, T ]. Ici la dynamique de {St } peut
tre celle dune diffusion de type BlackScholes dans Rd :
X
dSti = Sti (r dt + i,j (St ) dWtj ), S0i = si0 , 1 i d,
1jq
En dimension 1, une approche populaire pour discrtiser spatialement (3.3.4) est la mthode de
larbre binomiale initie par Cox-Ross & Rubinstein qui est un maillage recombinant permettant
un calcul simple de lesprance conditionnelle. Ce fut lorigine envisag comme une discrtisa-
tion du modle continu de Black & Scholes. En gnral ce type de mthodes ne fonctionne plus
trs bien ds que la dimension augmente. Or il est frquent de considrer des produits drivs
portant sur plus dun actif risqu.
Plus rcemment, des auteurs ont cherch dpasser le problme pos par les grandes
dimensions. Dans [103], lalgorithme dfini par Longstaff et Schwartz est bas sur lapproximation
42 CHAPITRE 3. QUANTIFICATION ET APPLICATION EN FINANCE
des esprances conditionnelles par une rgression sur une famille finie de fonctions polynmiales
de Xk .
Cette dernire approche fait le choix dune approximation rgulire (fonctions polynmiales)
mais globale (puisque les coefficients de rgression sont obtenus en intgrant sur tout le domaine).
Lobjectif ici est de quantifier la chane de Markov {Xk } (cf. le paragraphe 1.4.4) et de remplacer
dans (3.3.4) Xk par son vecteur quantifi X bk . On propose ainsi une approximation irrgulire
(fonctions continues par morceaux) mais locale. Lalgorithme se lit comme suit :
(
Vbn = h(tn ,X bn ),
(3.3.5)
Vbk = max h(tk , X bk ), E (Vbk+1 | X
bk ) , 0 k n 1.
Thorme 3.3.1 ([9]) Si les coefficients de la diffusion sont suffisamment rguliers et lobstacle
est Lipschitzien, alors
1/p n1+1/d n
max E |Vk Vbk |p C(T, p) 1/d = CT,p ,
0kn N (N/n)1/d
o N = N1 + + Nn est le nombre total de points distribus sur toutes les grilles.
En pratique, on construit des fonctions vbk dfinies sur les grilles k de la faon suivante
vbn (xin ) = h(tn , xin ), 1 i Nn ,
(3.3.6) Nk+1
X i,j
vbk (xik ) = max h(tk , xik ), k vbk+1 (xjk+1 1 i Nk , 0 k n 1.
j=1
Les expriences numriques montrent quil est souvent ncessaire de soustraire vbk des
fonctions mk plus ou moins explicites en les {xik } telles que
Nk+1
X
ki,j mk+1 (xjk+1 ) mk (xik ).
j=1
Des approximations sur la grille de loption europenne associe h peuvent jouer ce rle. Ces
variables mk sont appeles, par analogie avec les techniques de rduction de variance dans les
mthodes de Monte Carlo, des variables de contrles.
Les tests numriques sont effectus pour des options du style options dchange sur des indices
gomtriques. On a ainsi explicitement loption europenne associe ainsi quune bonne rfrence
numrique pour loption amricaine puisque lon peut se ramener un arbre binomial (1d) pour
lestimer.
3.4. QUANTIFICATION FONCTIONNELLE ET OPTIONS ASIATIQUES. 43
0.08
0.07
4
3 0.06
2
0.05
1
0.04
0
0.03
1
2 0.02
3 0.01
4
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0
Brownian motion on [0,1], N=400 points 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Trajectoires de la volatilit Heston NX = 400. Paramtres : v0=0.01, k=2, a=0.01, theta=0.2, rho=0.5
Fig. 3.1 Exemple de quantifieur vbtN1 (droite) pour N1 = 400 du processus carr de la volatilit
Heston obtenu avec le quantifieur N1 de W2 (gauche). Paramtres : s0 = 100, k = 2, a = 0.01,
= 0.5, v0 = 10%, = 20%.
3.5 Perspectives.
Les deux directions de recherche suggres ci-dessous sont des collaborations avec Gilles Pags
(Univ. Paris 6).
Une premire direction trs prometteuse est dappliquer les techniques dextrapolation de
Richardson-Romberg aux techniques dintgration numriques par quantification aussi bien vec-
torielle que fonctionnelle. Compare aux mthodes de Monte Carlo, ds la dimension 5, la quan-
tification vectorielle est efficace jusqu une taille critique aprs quoi lcart-type Monte Carlo (en
N 1/2 ) devient comptitif. Ce qui suit repose sur une conjecture et permet de repousser cette
limite. Soit F : H R une fonctionnelle deux fois diffrentiable avec un Hessien Lipschitz D2 F
et soit {Xb N }N 1 une suite de quantifieurs optimaux quadratiques. Alors grce (1.4.19)
EF (X) = EF (X b N ) + 1 E D2 F (Xb N ) (X Xb N )2 + O(|X X b N |3 ).
2
b N |3 =
Quand H = Rd , sous certaines hypothses sur la loi de X, on montre dans [106] que |X X
3/d
O(N ), aussi conjecture-t-on
E D2 F (X b N )2 = c + o( 1 ).
b N ) (X X
N 2/d N 3/d
On peut alors utiliser une extrapolation pour calculer EF (X) plus prcisment. Une approche
similaire dans le cas de la dimension infinie a dj t teste avec succs dans [126].
Un test numrique a t effectu sur des options put-spread sur indices gomtriques avec
les mmes paramtres que dans [125] pp. 152 sqq. Les rsultats sont montrs dans la figure 3.2.
On y voit que la taille critique est trs basse sinon dpasse lorsque lon utilise les grilles de
quantification pour ce nombre de points N 4000 dans ces dimensions (d 8). Par contre, la
mthode dextrapolation fournit dexcellents rsultats. Il semble mme que lon puisse rcuprer
un vitesse en 1/N dans les deux dimensions.
Un travail en collaboration avec Gilles Pags (Univ. Paris 6) qui en est aux prliminaires pour
le moment jette les bases (thoriques pour le moment) dune mthode de stratification base sur
3.5. PERSPECTIVES. 45
(a)
d=8
0.1
QTF g4 (slope -0.25)
QTF g4 Romberg (slope -1.2)
MC
0.01
0.001
0.0001
100 1000 10000
(b)
d = 10
0.1
QTF g4 (slope -0.23)
QTF g4 Romberg (slope -0.8)
MC
0.01
0.001
100 1000 10000
la quantification afin de rduire la variance des simulations Monte Carlo. On peut le voir comme
une mthode de Monte Carlo guide ou hybride Monte Carlo/Quantification. Elle fut introduite
dans [126] pour des fonctionnelles Lipschitz du mouvement brownien. Nous donnons simplement
lexemple de fonctions diffrentiables de diffrentielle Lipschitz. Si F : Rd R dsigne lune
b N dsigne un N -quantifieur de X, on peut crire
delles et si X
EF (X) = EF (X) b + E E (F (X) F (X bN ) | X
bN )
M
b N 1 X
= E F (X ) + FX,m + RM,N ,
M m=1
bN ) | X
o (FX,m )m1 est une suite i.i.d. de vecteurs alatoires de lois L(E(F (X) F (X b N )).
Alors
bN ) | X
(E(F (X) F (X b N ))
kRN,M k2 =
M
bN )
(F (X) F (X
.
M
Ceci est vrai pour toute fonction borlienne. Mais si F est rgulire, alors
bN ) | X
Var(E(F (X) F (X b N )) [D2 F ]Lip kX X
b N k24 .
47
48 BIBLIOGRAPHIE
[23] J. BOURGAIN, Fourier restriction phenomena for certain lattice subsets and applications to non-
linear evolution equations, part II, Geom. Funct. Anal. 3 (1993), 209-262.
[24] J. BOUSSINESQ, Thorie de lintumescence liquide appele onde solitaire ou de translation se
propageant dans un canal rectangulaire, Comptes Rendus lAcadmie des Sciences 72 (1871),
755-759.
[25] J. A. BUCKLEW et G. L. WISE, Multidimensional asymptotic quantization theory, with the rth
power distortion, IEEE Trans. Inform. Theory 28(2), 239247.
[26] E. BUCKWAR et T. SHARDLOW, Weak approximation of stochastic differential delay equations,
IMA J. Numer. Anal. 25(1), 5786 (2005).
[27] Z. BRZEZNIAK, On stochastic convolution in Banach spaces, and applications, Stochastics Sto-
chastics Rep. 61, 245295 (1997).
[28] C. CARDON-WEBER, Autour dquations aux drives partielles stochastiques drives non-
Lipschitzienne, Thse, Universit de Paris 6, Paris, 2000.
[29] G. F. CAREY et Y. SHEN, Approximations of the KdV equation by least squares finite elements,
Comput. Methods Appl. Mech. Engrg., 93 (1991), 1-11.
[30] H. Y. CHANG, Ch. LIEN, S. SUKARTO, S. RAYCHAUDHURY, J. HILL, E. K. TSIKIS and K.
E. LONNGREN, Propagation of Ion-Acoustic solitons in a non-quiescent plasma, Plasma Phys.
Controlled Fusion 28 (1986), 675-681.
[31] P. COHORT, Sur quelques problmes de quantification, Thse, Universit de Pierre et Marie Curie,
Paris, 2000.
[32] P. COHORT, Limit theorems for random normalized distortion, Ann. Appl. Probab. 14(1), 118143
(2004).
[33] S. L. COLE, Transcientwaves produced by flow past a bump, Wave motion 7 (1985), 579-587.
[34] P. CONSTANTIN, J. C. SAUT, Local smoothing properties of dispersive equations, J. Amer. Math.
Soc. 1 (1988), 413-439.
[35] G. DA PRATO et A. DEBUSSCHE, Stochastic CahnHilliard equations, Nonlinear Analysis 26(2),
241263 (1996).
[36] G. DA PRATO, A. DEBUSSCHE et R. TEMAM, Stochastic Burgers equation, Nonlinear Differ.
Equ. Appl. 1(4), 389402 (1994).
[37] G. DA PRATO et D. GATAREK, Stochastic Burgers equation with correlated noise, Stochastics
Stochastics Rep. 52(12), 2941 (1995).
[38] G. DA PRATO et J. ZABCZYK, Stochastic equations in infinite dimensions, Encyclopedia
of Mathematics and its applications, Cambridge University Press, 1992.
[39] T. DAUXOIS, M. PEYRARD et A.R. BISHOP, Dynamics and thermodynamics of a nonlinear
model for DNA denaturation, Phys. Rev. E 47 (1993), 684-695.
[40] A. M. DAVIE et J. G. GAINES, Convergence of numerical schemes for the solution of parabolic
stochastic partial differential equations, Math. of Comput. 70(233), 121134 (2000).
[41] D. DAWSON, Stochastic evolution equations, Math. Biosci. 15 (1972).
[42] A. DEBUSSCHE et A. de BOUARD, On the stochastic Korteweg-de Vries equation, J. Funct. Anal
154 (1998), 215-251.
[43] A. DEBUSSCHE et A. de BOUARD, Weak and strong order of convergence of a semidiscrete scheme
for the stochastic nonlinear Schrdinger equation, Appl. Math. Optim. 54(3), 369399 (2006).
[44] A. DEBUSSCHE et A. de BOUARD, Random modulation of solitons for the stochastic Korteweg-de
Vries equation, Ann. Inst. H. Poincar Anal. Non Linaire 24(2), 251278 (2007).
[45] A. DEBUSSCHE et J. PRINTEMS, Numerical simulation of the stochastic Korteweg-de Vries equa-
tion, Physica D 134(2), 200226 (1999).
[46] A. DEBUSSCHE et J. PRINTEMS, Effect of a Localized Random Forcing Term on the Korteweg-De
Vries Equation, J. of Comput. and Appl. Anal. 3(3), 183206 (2001).
[47] A. DEBUSSCHE et J. PRINTEMS, Convergence of a semi-discrete scheme for the stochastic
Korteweg-de Vries equation, Discrete Contin. Dyn. Syst. Ser. B 6(4), 761781 (2006).
[48] A. DEBUSSCHE et J. PRINTEMS, On a fully discrete weak approximation of parabolic type sto-
chastic partial differential equations, prpublication Laboratoire dAnalyse et de Mathmatiques
Appliques, Universit de Paris 12 (2007).
[49] S. DEREICH, F. FEHRINGER, A. MATOUSSI et M. SCHEUTZOW, On the link between small ball
probabilities and the quantization problem for Gaussian measures on Banach spaces, J. Theoretical
Probab. 16, 249265 (2003).
BIBLIOGRAPHIE 49
[50] S. DEREICH et M. SCHEUTZOW, High resolution quantization and entropy coding for fractional
Brownian motions, Electron. J. Probab. 11, 700722 (2006).
[51] P. G. DRAZIN, Solitons, London Mathematical Society Lecture Note Series 85, Cambridge Uni-
versity Press, 1983.
[52] M. DUFLO, Algorithmes stochastiques, coll. Mathmatiques & Applications 23, Springer
Verlag, Berlin, 1997.
[53] J. C. EILBECK, P. S. LOMDAHL et A. C. SCOTT, Soliton structure in crystalline acetanilide,
Phys. Rev. B. 30 (1984), 4703-4712.
[54] K. EL DIKA, Comportement qualitatif des solutions de lquation de Benjamin-Bona-Mahoney
dterministe et stochastique, Thse, Universit de Paris-Sud, Orsay, France (2004).
[55] J. FARAGO et M. PEYRARD, A first approach to reaction kinetics in large molecules, Physica D
113 (1998), 297-306.
[56] F. FLANDOLI et D. GATAREK, Martingale and stationary solutions for stochastic Navier-Stokes
equations, Probab. Theory Relat. Fields 102, 367-391 (1995).
[57] M. I. FREIDLIN, A. D. WENTZELL, Random Perturbations of Dynamical Systems, Grund-
lehren der mathematischen Wissenschaften, Springer Verlag, 1984.
[58] C. S. GARDNER, J. M. GREENE, M. D. KRUSKAL et R. M. MIURA, A method for solving the
Kortewegde Vries equation, Phys. Rev. Lett. 19 (1967), 1095.
[59] A. GERSHO et R. M. GRAY, Vector Quantization and Signal Compression, Kluwer, Bos-
ton, 1992.
[60] I. GIHMAN et A. SKOROHOD, The Theory of Stochastic Process I, Grundlehren der
mathematischen Wissenschaften, Springer Verlag, 1980.
[61] J. GINIBRE et Y. TSUTSUMI, Uniqueness of solutions for the generalized Korteweg-de Vries
equation, SIAM J. Math. Anal., 20 (1989), 1388-1425.
[62] E. GOBET, H. PHAM, G. PAGS, J. PRINTEMS, Discretization and simulation of Zakai equation,
SIAM, J. of Numer. Anal. 44(6), 25052538 (2006).
[63] I. C. GOHBERG, M. G. KREIN, Introduction to the theory of linear nonselfadjoint
operators, Transl. Math. Monogr. , 18, Amer. Math. Soc., Providence, R.I., 1969.
[64] S. GRAF, H. LUSCHGY, Foundations of Quantization for Probability Distributions, Lectures Notes
in Math. 1730, Springer Verlag, Berlin, 2000.
[65] W. GRECKSCH, P.E. KLOEDEN Time-discretised Galerkin approximations of parabolic stochastic
PDEs, Bull. Austral. Math. Soc. 54(1), 7985 (1996).
[66] R. GRIMSHAW, Resonant flow of a rotating fluid past an obstacle : the general case, Stud. Appl.
Math. 83 (1990), 249-269.
[67] R. GRIMSHAW, Resonant forcing of barotropic coastally trapped waves, J. Phys. Ocean 17 (1987),
53-65.
[68] R. GRIMSHAW, E. PELINOVSKI et X. TIAN, Interaction of a solitary wave with an external
force, Phys. D 77, 405433 (1994).
[69] R. GRIMSHAW and Z. YI, Resonant generation of finite-amplitude waves by flow past topography
on a beta-plane, Stud. Appl. Math. 88 (1993), 89-112.
[70] I. GYNGY, Lattice approximations for stochastic quasi-linear parabolic partial differential equa-
tions driven by space-time whte noise. I., Potential Anal. 9(1), 125 (1998).
[71] I. GYNGY, Lattice approximations for stochastic quasi-linear parabolic partial differential equa-
tions driven by space-time whte noise. II., Potential Anal. 11(1), 137 (1999).
[72] I. GYNGY et N. V. KRYLOV, Existence of strong solutions for Its stochastic equations via
approximations, Probab. Theory Related Fields 105, 143158 (1996).
[73] I. GYNGY et A. MILLET, On discretization schemes for stochastic evolution equations, Potential
Anal. 23(2), 99134 (2005).
[74] I. GYNGY et A. MILLET, Rate of convergence of implicit approximations for stochastic evolution
equations, Stochastic Differential Equations : Theory and Applications. A volume in Honor of
Professor Boris L. Rosovskii, Interdisciplinary Mathematical Sciences, Vol. 2, World Scientific, 281
310 (2007).
[75] I. GYNGY et A. MILLET Rate of Convergence of Space Time Approximations for stochastic
evolution equations, Prpublication (2007).
[76] I. GYNGY et D. NUALART, Implicit scheme for stochastic parabolic partial differential equations
driven by space-time white noise, Potential Analysis 7(4), 725757 (1997).
50 BIBLIOGRAPHIE
[133] J. PRINTEMS, The stochastic Korteweg-de Vries equation in L2 (R), J. Diff. Eq. 153(2), 338373
(1999).
[134] J. PRINTEMS, On the discretization in time of parabolic stochastic partial differential equations,
Math. Model. and Numer. Anal. 35(6), 10551078 (2001).
[135] M. I. RABINOVICH and T. D. TRUBETSKOV, Introduction to Theory of Oscillations
and Waves, Nauka, Moscow, 1984.
[136] K. RACHID, Simulation numrique des systmes de Davey-Stewartson. Sur un systme dinter-
action ondes courtes-ondes longues, Thse, Universit dOrsay, 1993.
[137] RAYLEIGH (J. W. STRUTT, Lord), On waves, Phil. Mag. 1 (1876), 257-279.
[138] D. REVUZ et M. YOR, Continuous martingales and Brownian motion, Grundlehren der
mathematischen Wissenschaften 293, 3ime dition, Springer-Verlag Berlin Heidelberg, New-York,
1999.
[139] J. S. RUSSEL, Report on Waves, Report of the fourteenth meeting of the British Association for
the Advancement of Science, York (1844), pp 311-390, Plates XLVII-LVII.
[140] B. L. ROZOVSKII, Stochastic Evolutio Equations. Linear Theory and application to
Nonlinear Filtering, Kluwer, Boston, 1990.
[141] J. M. SANZ-SERNA et J. G. VERWER, Conservative and Nonconservative Schemes for the So-
lution of the Nonlinear Schrdinger Equation, IMA J. Num. Anal. 6 (1986), 25-42.
[142] J. C. SAUT et R. TEMAM, Remarks on the Korteweg-de Vries equation, Isral J. Math. 24 (1976),
7887.
[143] M. SCALERANDI, A. ROMANO and C. A. CONDAT, Kortewegde Vries solitons under additive
stochastic perturbations, Phys. Review E 58 (1998), 4166-4173.
[144] K.U. SCHAUMLFFEL, White noise in space and time as the time-derivative of a cylindri-
cal Wiener process, Proceedings of the Conference "Stochastic Partial Differential Equations and
Applications II", Trento, Italy, 16, 1988, Lectures Notes in Mathematics 1390, Springer Ber-
lin/Heidelberg, 1989.
[145] T. SHARDLOW, Numerical methods for stochastic parabolic PDEs, Numer. Funct. Anal. and
Appl. 20(12), 121145 (1999).
[146] B. K. SHIVAMOGGI, Introduction to Nonlinear Fluid-Plasma Waves, Kluwer Academic
Publisher, Dordrecht, 1988.
[147] G. G. STOKES, On the theory of oscillatory waves, Camb. Trans. 8 (1847), 441-473.
[148] T. R. TAHA et M. J. ABLOWITZ, Analytical and numerical aspects of certain nonlinear evolution
equations. III. Numerical, the Korteweg-de Vries equation, J. Comp. Phys., 55 (1984), 231-253.
[149] S. TAKENO, K. KISODA et A. J. SIEVERS, Intrinsic localized vibrationnal modes in anharmonic
crystals, Prog. Theor. Phys. Suppl. 94 (1988), 242-269.
[150] D. TALAY, Rsolution trajectorielle et analyse numrique des quations difrentielles stochas-
tiques, Stochastics 9(4), 275306 (1983).
[151] D. TALAY, Efficient numerical schemes for the approximation of expectation of functionals of
the solutions of an stochastic differential equation and applications, Lecture Notes in Control and
Inform. Sc. 61 (1984), 294-313.
[152] D. TALAY, Discrtisation dune quation diffrentielle stochastique et calcul approch desprance
de fonctionnelles de la solution, M2 AN 20(1), 141-179 (1986).
[153] D. TALAY, Probabilistic numerical methods for partial differential equations : elements of analysis,
Probabilistic models for nonlinear partial differential equations (Montecatini Terme, 1995), 148196,
Lecture Notes in Math. 1627, Springer, Berlin, 1996.
[154] D. TALAY et L. TUBARO, Expansion of the global error for numerical schemes solving stochastic
differential equations, Stochastic Anal. Appl. 8(4), 483509 (1991).
[155] R. TEMAM, Sur un problme non linaire, J. Math. Pures Appl. 48 (1969), 159-172.
[156] R. TEMAM, Navier-Stokes equations, North-Holland, 1984.
[157] Y. TSUTSUMI, Time decay of solution for the Kortewegde Vries equation with multiplicative
space-time noise, communication personnelle.
[158] M. VIOT, Solutions faibles aux quations aux drives partielles stochastiques non linaires, Thse,
Universit Pierre et Marie Curie, Paris, 1976.
[159] M. WADATI, Stochastic Korteweg-de Vries equation, J. Phys. Soc. Japan 52 (1983), 2642-2648.
[160] M. WADATI and Y. AKUTSU, Stochastic Kortewegde Vries Equation with and without Damping,
J. Phys. Soc. Japan 53 (1984), 3342.
BIBLIOGRAPHIE 53