Andere Kunden interessierten sich auch für
![Description et prédiction de données structurées en plusieurs tableaux]( "Description et prédiction de données structurées en plusieurs tableaux")
Description et prédiction de données structurées en plusieurs tableaux41,99 €![Analyse statistique de données entomologiques]( "Analyse statistique de données entomologiques")
Analyse statistique de données entomologiques35,99 €![Exploration de données à la recherche de sous-groupes optimaux]( "Exploration de données à la recherche de sous-groupes optimaux")
Exploration de données à la recherche de sous-groupes optimaux35,99 €![Fusion de Données Et Modèles Bayésiens Pour La Télémédecine]( "Fusion de Données Et Modèles Bayésiens Pour La Télémédecine")
Fusion de Données Et Modèles Bayésiens Pour La Télémédecine34,99 €![Analyse de données sur-dispersées par l'analyse inférentielle exacte]( "Analyse de données sur-dispersées par l'analyse inférentielle exacte")
Analyse de données sur-dispersées par l'analyse inférentielle exacte48,99 €![Data Assimilation]( "Data Assimilation")
Data Assimilation202,99 €![Probabilistic Forecasting and Bayesian Data Assimilation]( "Probabilistic Forecasting and Bayesian Data Assimilation")
Probabilistic Forecasting and Bayesian Data Assimilation61,99 €
Cette thèse porte sur les méthodes d assimilation de données, qui consistent à combiner des informations provenant d un modèle dynamique avec des observations. Nous présentons des méthodes d assimilation de données: l interpolation statistique, les méthodes variationnelles et les méthodes séquentielles. Nous nous intéressons particulièrement au filtre de Kalman d ensemble qui est de plus en plus utilisé dans les applications océanographiques. Nous démontrons que, quand le nombre d éléments tend vers l infini, dans le cas où la fonction du modèle dynamique est continue et localement lipschitzienne avec un accroissement au plus polynomial à l infini, les éléments du filtre de Kalman d ensemble convergent vers les éléments indépendants et identiquement distribués selon une loi qui diffère de la loi a posteriori du filtre bayésien optimal dans le cas général. Dans le cas du modèle linéaire gaussien, cette loi asymptotique n est autre que la loi a posteriori du filtre de Kalman. Nous présentons aussi des résultats de simulations du filtre de Kalman d ensemble et du filtre particulaire sur le modèle de Lorenz afin de comparer la performance des deux filtres.