Méthode de Monte Carlo. - Université du Maine
Méthode de Monte Carlo. - Université du Maine
Méthode de Monte Carlo. - Université du Maine
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
MÉTHODE DE MONTE CARLO.<br />
Alexandre Popier<br />
Université <strong>du</strong> <strong>Maine</strong>, Le Mans<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 1 / 95
PLAN DU COURS<br />
1 MÉTHODE DE MONTE CARLO<br />
2 PROBLÈME DE SIMULATION<br />
Théorème fondamental<br />
Simulation <strong>de</strong> la loi uniforme<br />
Fonction <strong>de</strong> répartition<br />
Métho<strong>de</strong> d’inversion<br />
Cas particuliers<br />
Vérifications<br />
Métho<strong>de</strong> <strong>de</strong> rejet<br />
Lois gaussiennes<br />
3 RÉDUCTION DE VARIANCE<br />
Variables antithétiques<br />
Variables <strong>de</strong> contrôle<br />
<strong>Monte</strong> <strong>Carlo</strong> conditionnel<br />
Échantillonnage d’importance<br />
Échantillonnage stratifié<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 2 / 95
BUT : CALCUL D’ESPÉRANCE.<br />
Soient X une v.a.r. et f : R → R une fonction.<br />
BUT<br />
Calculer numériquement E(f (X)).<br />
EXEMPLES<br />
FINANCE : prix d’une option d’achat<br />
◮ modèle <strong>de</strong> Cox-Ross-Rubinstein :<br />
⎡(<br />
1<br />
C =<br />
(1 + r) N E ⎣ S 0<br />
N<br />
∏<br />
i=1<br />
T i − K<br />
) +<br />
⎤<br />
P(T i = 1 + u) = p = 1 − P(T i = 1 + d) où p = (u − r)/(u − d).<br />
◮ modèle <strong>de</strong> Black-Scholes :<br />
[ ( ) ] +<br />
C = e −rT E S 0 e (r−σ2 /2)T +σW T<br />
− K avec W T ∼ N (0, T ).<br />
⎦ .<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 3 / 95
BUT : CALCUL D’ESPÉRANCE.<br />
Soient X une v.a.r. et f : R → R une fonction.<br />
BUT<br />
Calculer numériquement E(f (X)).<br />
EXEMPLES<br />
FINANCE : prix d’une option d’achat<br />
ASSURANCE : calcul <strong>de</strong> la prime<br />
◮ Prime pure : E(X),<br />
◮ Prime exponentielle : 1 c ln E(ecX ),<br />
◮ Prime quantile : F<br />
−1<br />
(1 − ε),<br />
X<br />
CALCUL DE PERTE ou Value At Risk en finance : P(X < seuil).<br />
etc.<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 3 / 95
PLAN<br />
1 MÉTHODE DE MONTE CARLO<br />
2 PROBLÈME DE SIMULATION<br />
Théorème fondamental<br />
Simulation <strong>de</strong> la loi uniforme<br />
Fonction <strong>de</strong> répartition<br />
Métho<strong>de</strong> d’inversion<br />
Cas particuliers<br />
Vérifications<br />
Métho<strong>de</strong> <strong>de</strong> rejet<br />
Lois gaussiennes<br />
3 RÉDUCTION DE VARIANCE<br />
Variables antithétiques<br />
Variables <strong>de</strong> contrôle<br />
<strong>Monte</strong> <strong>Carlo</strong> conditionnel<br />
Échantillonnage d’importance<br />
Échantillonnage stratifié<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 4 / 95
LOI DES GRANDS NOMBRES.<br />
THÉORÈME<br />
Soit (Y i ) i∈N une suite <strong>de</strong> variables aléatoires.<br />
HYPOTHÈSES<br />
indépendance<br />
distribution i<strong>de</strong>ntique (comme une v.a. Y )<br />
E(|Y |) < +∞.<br />
Alors presque sûrement :<br />
lim Y 1<br />
n = lim<br />
n→+∞ n→+∞ n (Y 1 + . . . + Y n ) = E(Y ).<br />
Autrement dit, pour n assez grand<br />
1<br />
n∑<br />
Y i ≈ E(Y ).<br />
n<br />
i=1<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 5 / 95
MÉTHODE DE MONTE CARLO.<br />
MÉTHODE<br />
Pour calculer µ = E(f (X)),<br />
simuler N v.a. (X n ) 1≤n≤N i.i.d. <strong>de</strong> même loi que X,<br />
poser :<br />
ˆµ N = 1 N<br />
N∑<br />
i=1<br />
f (X i ) = f (X 1) + . . . + f (X N )<br />
.<br />
N<br />
Loi <strong>de</strong>s grands nombres : ˆµ N ≈ µ pour N grand.<br />
PROBLÈME : quelle est l’erreur commise <br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 6 / 95
LOI EXPONENTIELLE (2) (ESPÉRANCE 1/2)<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 7 / 95
LOI DE PARETO (0,5) PAS D’ESPÉRANCE<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 8 / 95
THÉORÈME CENTRAL LIMITE.<br />
THÉORÈME<br />
Soit (Y i ) i∈N une suite <strong>de</strong> v.a.<br />
HYPOTHÈSES<br />
indépendance<br />
distribution i<strong>de</strong>ntique (comme une v.a. Y )<br />
E(|Y | 2 ) < +∞.<br />
Alors Y n<br />
∼ = N (0, 1) : pour tout a < b<br />
(<br />
lim P a < √ )<br />
n Y n − µ<br />
< b = P(a < Z < b), Z ∼ N (0, 1).<br />
n→+∞ σ<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 9 / 95
INTERVALLE DE CONFIANCE.<br />
TCL : µ = E(Y 1 ), Y n = 1 n (Y 1 + . . . + Y n )<br />
P<br />
(Y n − a√ σ ≤ µ ≤ Y n + a σ ) (<br />
√ = P −a ≤ √ )<br />
n Y n − µ<br />
≤ a<br />
n n σ<br />
≈<br />
P(|Z | ≤ a),<br />
où σ 2 = Var(f (X)).<br />
Pour un niveau <strong>de</strong> confiance α ∈ [0, 1] fixé, il existe c α > 0 tel que<br />
Donc avec a = c α , pour n grand<br />
avec<br />
P(|Z | ≤ c α ) = α.<br />
P (µ ∈ I α,n ) ≈ P(|Z | ≤ c α ) = α<br />
]<br />
σ σ<br />
I α,n =<br />
[Y n − c α √n , Y n + c α √n<br />
: intervalle <strong>de</strong> confiance.<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 10 / 95
MÉTHODE DE MONTE CARLO : ERREUR.<br />
MÉTHODE<br />
Simuler N v.a. (X n ) 1≤n≤N i.i.d. <strong>de</strong> même loi que X.<br />
Poser :<br />
ˆµ N = 1 N<br />
N∑<br />
i=1<br />
f (X i ) = f (X 1) + . . . + f (X N )<br />
.<br />
N<br />
Erreur donnée par un intervalle <strong>de</strong> confiance :<br />
P ( µ ∈ I α,N<br />
)<br />
≈ α<br />
avec<br />
[<br />
]<br />
σ<br />
σ<br />
I α,N = ˆµ N − c α √N , ˆµ N + c α √N , σ 2 = Var (f (x)).<br />
Problème : on ne connaît pas en général la variance σ 2 .<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 11 / 95
ESTIMATION DE LA VARIANCE.<br />
On estime σ 2 grâce à l’estimateur Sn 2 = 1<br />
n − 1<br />
montrer que<br />
ES 2 n = σ 2 = Var(Y ) et<br />
n∑<br />
(Y i − Y n ) 2 . On peut<br />
i=1<br />
lim<br />
n→+∞ S2 n = σ 2 .<br />
MÉTHODE<br />
Simuler N v.a. (X n ) 1≤n≤N i.i.d. <strong>de</strong> même loi que X.<br />
Poser :<br />
ˆσ N = √ 1 N∑<br />
(f (X i ) − ˆµ N )<br />
N − 1<br />
2 .<br />
i=1<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 12 / 95
MÉTHODE DE MONTE CARLO COMPLÈTE.<br />
MÉTHODE<br />
1 Simuler N v.a. (X n ) 1≤n≤N i.i.d. <strong>de</strong> même loi que X.<br />
2 Poser :<br />
ˆµ N = 1 N∑<br />
f (X i ) = f (X 1) + . . . + f (X N )<br />
,<br />
N<br />
N<br />
i=1<br />
ˆσ N = √ 1 N∑<br />
(f (X i ) − ˆµ N )<br />
N − 1<br />
2 .<br />
3 Erreur donnée par intervalle <strong>de</strong> confiance avec niveau <strong>de</strong><br />
confiance α<br />
[<br />
]<br />
ˆσ N ˆσ<br />
I α,N = ˆµ N − c α √ N<br />
, ˆµ N + c α √ .<br />
N N<br />
i=1<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 13 / 95
LOI EXPONENTIELLE (2) (ESPÉRANCE 1/2)<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 14 / 95
LOI EXPONENTIELLE (2) (DÉCROISSANCE EN 1/ √ N)<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 15 / 95
PARETO (1,5) (ESPÉRANCE 3, PAS DE VARIANCE)<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 16 / 95
PARETO (1,5) (TAILLE INTERVALLE CONFIANCE)<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 17 / 95
MÉTHODE DE MONTE CARLO : REMARQUES.<br />
OBLIGATOIRE<br />
Donner ˆµ N sans intervalle <strong>de</strong> confiance n’a aucune valeur !<br />
ERREUR<br />
Pour diminuer la taille <strong>de</strong> IC,<br />
diminuer le niveau <strong>de</strong> confiance α,<br />
augmenter N,<br />
diminuer σ (−→ ré<strong>du</strong>ction <strong>de</strong> variance).<br />
AVANT :<br />
SIMULATION<br />
Que signifie « Simuler N v.a. (X n ) 1≤n≤N i.i.d. <strong>de</strong> même loi que X » <br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 18 / 95
PLAN<br />
1 MÉTHODE DE MONTE CARLO<br />
2 PROBLÈME DE SIMULATION<br />
Théorème fondamental<br />
Simulation <strong>de</strong> la loi uniforme<br />
Fonction <strong>de</strong> répartition<br />
Métho<strong>de</strong> d’inversion<br />
Cas particuliers<br />
Vérifications<br />
Métho<strong>de</strong> <strong>de</strong> rejet<br />
Lois gaussiennes<br />
3 RÉDUCTION DE VARIANCE<br />
Variables antithétiques<br />
Variables <strong>de</strong> contrôle<br />
<strong>Monte</strong> <strong>Carlo</strong> conditionnel<br />
Échantillonnage d’importance<br />
Échantillonnage stratifié<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 19 / 95
PLAN<br />
1 MÉTHODE DE MONTE CARLO<br />
2 PROBLÈME DE SIMULATION<br />
Théorème fondamental<br />
Simulation <strong>de</strong> la loi uniforme<br />
Fonction <strong>de</strong> répartition<br />
Métho<strong>de</strong> d’inversion<br />
Cas particuliers<br />
Vérifications<br />
Métho<strong>de</strong> <strong>de</strong> rejet<br />
Lois gaussiennes<br />
3 RÉDUCTION DE VARIANCE<br />
Variables antithétiques<br />
Variables <strong>de</strong> contrôle<br />
<strong>Monte</strong> <strong>Carlo</strong> conditionnel<br />
Échantillonnage d’importance<br />
Échantillonnage stratifié<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 20 / 95
THÉORÈME FONDAMENTAL DE LA SIMULATION.<br />
THÉORÈME<br />
Toute variable aléatoire X à valeurs dans R d peut être simulée sous la<br />
forme<br />
X = en loi<br />
f (U 1 , U 2 , . . . , U n )<br />
où<br />
(U 1 , U 2 , . . . , U n ) est uniformément répartie sur [0, 1] n ,<br />
la fonction f : R n → R d est borélienne et a ses points <strong>de</strong><br />
discontinuité dans un ensemble Lebesgue-négligeable.<br />
Il est même possible <strong>de</strong> réaliser ceci en imposant n = 1 ou n = d ou<br />
encore n ≥ 1 donné.<br />
REMARQUE : f est « explicite ».<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 21 / 95
PLAN<br />
1 MÉTHODE DE MONTE CARLO<br />
2 PROBLÈME DE SIMULATION<br />
Théorème fondamental<br />
Simulation <strong>de</strong> la loi uniforme<br />
Fonction <strong>de</strong> répartition<br />
Métho<strong>de</strong> d’inversion<br />
Cas particuliers<br />
Vérifications<br />
Métho<strong>de</strong> <strong>de</strong> rejet<br />
Lois gaussiennes<br />
3 RÉDUCTION DE VARIANCE<br />
Variables antithétiques<br />
Variables <strong>de</strong> contrôle<br />
<strong>Monte</strong> <strong>Carlo</strong> conditionnel<br />
Échantillonnage d’importance<br />
Échantillonnage stratifié<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 22 / 95
SUITES ALÉATOIRES.<br />
Considérons une suite finie x := x 1 , . . . , x n ∈ {0, 1}. Toutes les suites<br />
finies <strong>de</strong> ce type sont équiprobables et <strong>de</strong> probabilité 2 −n .<br />
Certaines suites moins aléatoires que d’autres<br />
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1<br />
1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1, 0, 0, 1, 1<br />
1, 0, 0, 1, 0, 1, 1, 1, 0, 1, 0, 1, 1, 0, 0, 0, 1, 0<br />
Quel sens donner et comment quantifier le caractère aléatoire<br />
d’une suite finie ou infinie donnée <br />
Comment pro<strong>du</strong>ire <strong>de</strong>s suites finies qui sont <strong>de</strong> « bonnes »<br />
approximations finies <strong>de</strong>s suites infinies probables correspondant<br />
à <strong>de</strong>s réalisations i.i.d. d’une loi donnée Comment mesurer la<br />
qualité <strong>de</strong> ces algorithmes <br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 23 / 95
SUITES ALÉATOIRES.<br />
D.H. Lehmer (1951) :<br />
A random sequence is a vague notion... in which each term is<br />
unpredictable to the uninitiated and whose digits pass a certain<br />
number of tests traditional with statisticians...<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 23 / 95
NOMBRES PSEUDO-ALÉATOIRES.<br />
Simuler la loi uniforme consistera à pro<strong>du</strong>ire par un algorithme <strong>de</strong>s<br />
suites finies <strong>de</strong> nombres que nous pouvons considérer comme autant<br />
<strong>de</strong> réalisations indépendantes <strong>de</strong> variables aléatoires uniformes sur<br />
[0, 1].<br />
Mathématiquement les n sorties successives d’un tel générateur<br />
seront considérées comme la donnée <strong>de</strong> U 1 (ω), . . . , U n (ω) pour un<br />
ω ∈ Ω où les U i sont <strong>de</strong>s v.a.r. U i : (Ω, F, P) → [0, 1] <strong>de</strong> loi uniforme.<br />
Matlab permet <strong>de</strong> simuler la loi uniforme via la fonction rand, qui<br />
renvoie un nombre « aléatoire » compris entre [0, 1].<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 24 / 95
NOMBRES PSEUDO-ALÉATOIRES.<br />
Intéressons nous au nombre<br />
0, 950129285147175.<br />
C’est par défaut le premier nombre pro<strong>du</strong>it par la fonction rand <strong>de</strong><br />
Matlab.<br />
Pour cela redémarrer Matlab, et exécuter les comman<strong>de</strong>s<br />
✞<br />
format long<br />
rand<br />
✝<br />
Si tous les utilisateurs <strong>de</strong> Matlab trouvent toujours ce même nombre il<br />
ne peut être qualifié d’aléatoire. D’ailleurs il ne l’est pas.<br />
☎<br />
✆<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 25 / 95
NOMBRES PSEUDO-ALÉATOIRES.<br />
À ce sta<strong>de</strong> il est important <strong>de</strong> faire la distinction entre <strong>de</strong>ux types <strong>de</strong><br />
métho<strong>de</strong>s <strong>de</strong> génération <strong>de</strong> suites « aléatoires ».<br />
Métho<strong>de</strong>s prédictibles : ce sont <strong>de</strong>s métho<strong>de</strong>s déterministes<br />
basées entièrement sur <strong>de</strong>s algorithmes bien établis qui<br />
nécessitent d’être initialisés. On parlera <strong>de</strong> suites ou nombres<br />
pseudo-aléatoires.<br />
Métho<strong>de</strong>s non-prédictibles : surtout utiles en cryptographie, où il<br />
est capital que le hasard utilisé ne soit pas prédictible ni<br />
repro<strong>du</strong>ctible. Elles peuvent être obtenues à partir <strong>de</strong>s premières<br />
en utilisant <strong>de</strong>s « fonctions <strong>de</strong> hachage », difficilement inversibles<br />
en terme <strong>de</strong> temps <strong>de</strong> calcul.<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 26 / 95
ALGORITHMES PAR CONGRUENCE (LEHMER, 1950).<br />
utilisent trois paramètres entiers a, c et m et une valeur initiale x 0 ,<br />
appelé seed ;<br />
créent une suite d’entiers y n+1 = ay n + c mod m compris entre 0<br />
et m ;<br />
ramènent les valeurs entre 0 et 1 : x n = y n /m.<br />
Exemple : a = 13, c = 0, m = 31 et x 0 = 1. Suite <strong>de</strong>s y n :<br />
Celle <strong>de</strong>s x n :<br />
1 13 14 27 10 6 16 22 7 29 5 3 . . .<br />
0.0323, 0.4194, 0.4516, 0.8710, 0.3226, 0.1935, 0.5161, . . .<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 27 / 95
ALGORITHMES PAR CONGRUENCE (LEHMER, 1950).<br />
Dans les années 60, sur IBM, Scientific Subroutine Package (SSP) :<br />
a = 65539, c = 0, et m = 2 31 .<br />
Comme le codage se fait en 32-bits, l’arithmétique mo<strong>du</strong>lo 2 31 se<br />
fait très rapi<strong>de</strong>ment.<br />
a = 2 16 + 3 : multiplication par a = shift + addition.<br />
Problème : y k+2 = 6y k+1 − 9y k : très forte corrélation.<br />
cf. graphique randssp<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 27 / 95
ALGORITHMES PAR CONGRUENCE (LEHMER, 1950).<br />
À partir <strong>de</strong> Matlab 4, on a choisi : a = 7 5 = 16807, c = 0,<br />
m = 2 31 − 1 = 2147483647.<br />
Toujours disponible via<br />
◮ s=rand(’seed’) : fournit le paramètre x0 <strong>de</strong> cette métho<strong>de</strong>.<br />
◮ rand(’seed’,s) : impose à Matlab d’utiliser cet algorithme avec<br />
x 0 = s.<br />
Périodicité gran<strong>de</strong> : m − 1.<br />
Génére toutes les valeurs k/m avec k = 1, . . . , m, i.e.<br />
[0, 1] ≈ D r = {k/m, 1 ≤ k ≤ m}<br />
⊂ [0.00000000046566, 0.99999999953434].<br />
cf. graphique randmcg<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 27 / 95
ALGORITHME PAR DÉFAUT.<br />
À partir <strong>de</strong> la version 5 (1995),<br />
Du à G. Marsaglia.<br />
N’utilise plus les algorithmes à la Lehmer, plus <strong>de</strong> multiplication,<br />
plus <strong>de</strong> division.<br />
Génère directement <strong>de</strong>s nombres décimaux.<br />
Disponible via<br />
◮ s=rand(’state’) : fournit le paramètre x0 <strong>de</strong> cette métho<strong>de</strong><br />
(vecteur <strong>de</strong> dimension 35).<br />
◮ rand(’state’,s) : impose à Matlab d’utiliser cet algorithme<br />
avec x 0 = s.<br />
Peut générer tous les nombres (flottants) entre 2 −53 et 1 − 2 −53<br />
(on ne connaît pas <strong>de</strong> nombre non atteint).<br />
Pério<strong>de</strong> proche <strong>de</strong> 2 1492 .<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 28 / 95
ALGORITHME « MERSENNE TWISTER ».<br />
Troisième algorithme implémenté sous Matlab (version 5 et plus).<br />
Disponible via<br />
◮ s=rand(’twister’) : fournit le paramètre x 0 <strong>de</strong> cette métho<strong>de</strong><br />
(vecteur <strong>de</strong> dimension 625).<br />
◮ rand(’twister’,s) : impose à Matlab d’utiliser cet algorithme<br />
avec x 0 = s.<br />
Pério<strong>de</strong> <strong>de</strong> l’ordre <strong>de</strong> (2 19937 − 1)/2.<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 29 / 95
IMPORTANCE DE LA RACINE.<br />
REMARQUE<br />
Connaître la valeur <strong>de</strong> la racine avant <strong>de</strong> lancer un programme peut<br />
être important ! Notamment pour pouvoir :<br />
comparer <strong>de</strong>s vitesses <strong>de</strong> calcul ;<br />
générer <strong>de</strong>s variables aléatoires couplées.<br />
Pour éviter d’avoir toujours le même nombre <strong>de</strong> départ :<br />
✞<br />
rand ( ’ s t a t e ’ ,sum(100∗ clock ) )<br />
rand<br />
✝<br />
☎<br />
✆<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 30 / 95
PLAN<br />
1 MÉTHODE DE MONTE CARLO<br />
2 PROBLÈME DE SIMULATION<br />
Théorème fondamental<br />
Simulation <strong>de</strong> la loi uniforme<br />
Fonction <strong>de</strong> répartition<br />
Métho<strong>de</strong> d’inversion<br />
Cas particuliers<br />
Vérifications<br />
Métho<strong>de</strong> <strong>de</strong> rejet<br />
Lois gaussiennes<br />
3 RÉDUCTION DE VARIANCE<br />
Variables antithétiques<br />
Variables <strong>de</strong> contrôle<br />
<strong>Monte</strong> <strong>Carlo</strong> conditionnel<br />
Échantillonnage d’importance<br />
Échantillonnage stratifié<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 31 / 95
FONCTION DE RÉPARTITION.<br />
DÉFINITION<br />
La fonction <strong>de</strong> répartition <strong>de</strong> X, notée F X , est définie sur R par :<br />
∀x ∈ R, F X (x) = P(X ≤ x).<br />
PROPOSITION<br />
Soit F X la fonction <strong>de</strong> répartition d’une v.a.r. X. Alors :<br />
1 F X (x) ∈ [0, 1].<br />
2 F X est croissante.<br />
3 lim F X (x) = 0 et lim F X (x) = 1.<br />
x→−∞ x→+∞<br />
4 F X est continue à droite et a une limite à gauche en tout point.<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 32 / 95
V.A. À DENSITÉ.<br />
DÉFINITION<br />
Une v.a. X est à <strong>de</strong>nsité (par rapport à la mesure <strong>de</strong> Lebesgue) s’il<br />
existe f t.q.<br />
pour tout x ∈ R, f (x) ≥ 0 ;<br />
∫ +∞<br />
−∞<br />
f (x) dx = 1 ;<br />
et pour tout −∞ ≤ a < b ≤ +∞, P(a < X ≤ b) = ∫ b<br />
a f (t)dt.<br />
EXEMPLE : LOI UNIFORME SUR [a, b]<br />
X suit une loi uniforme sur [a, b] si sa <strong>de</strong>nsité f est<br />
f (x) = 1<br />
b − a 1 [a,b](x).<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 33 / 95
V.A. À DENSITÉ.<br />
PROPOSITION<br />
Si X a pour <strong>de</strong>nsité f , alors<br />
∀x ∈ R, F X (x) = P(X ≤ x) = ∫ x<br />
−∞ f (t)dt.<br />
F X est continue.<br />
F X est dérivable aux points <strong>de</strong> continuité <strong>de</strong> f avec f X (x) = F ′ X (x).<br />
EXEMPLE : LOI UNIFORME SUR [a, b]<br />
Si X suit la loi uniforme sur [a, b], alors<br />
F X (x) = 0 si x ≤ a,<br />
F X (x) = x − a si x ∈ [a, b],<br />
b − a<br />
F X (x) = 1 pour x ≥ b.<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 33 / 95
V.A. DISCRÈTES.<br />
DÉFINITION<br />
Une v.a. X est discrète si elle ne prend qu’un nombre fini (ou<br />
dénombrable) <strong>de</strong> valeurs {x i ∈ R, i ∈ N} avec probabilité<br />
p i = P(X = x i ) ≥ 0. De plus<br />
+∞∑<br />
P(X = x i ) =<br />
+∞∑<br />
i=0<br />
i=0<br />
p i = 1.<br />
REPRÉSENTATION en tableau<br />
X x 0 x 1 x 2 x 3 . . . (valeurs prises parX)<br />
P(X = x i ) p 0 p 1 p 2 p 3 . . . (probabilité)<br />
PROPOSITION<br />
Si X est une v.a. discrète, F X est constante par morceaux.<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 34 / 95
EXEMPLE : DÉ À SIX FACES.<br />
FONCTION DE RÉPARTITION d’une v.a. <strong>de</strong> loi uniforme sur {1, . . . , 6}<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 35 / 95
PLAN<br />
1 MÉTHODE DE MONTE CARLO<br />
2 PROBLÈME DE SIMULATION<br />
Théorème fondamental<br />
Simulation <strong>de</strong> la loi uniforme<br />
Fonction <strong>de</strong> répartition<br />
Métho<strong>de</strong> d’inversion<br />
Cas particuliers<br />
Vérifications<br />
Métho<strong>de</strong> <strong>de</strong> rejet<br />
Lois gaussiennes<br />
3 RÉDUCTION DE VARIANCE<br />
Variables antithétiques<br />
Variables <strong>de</strong> contrôle<br />
<strong>Monte</strong> <strong>Carlo</strong> conditionnel<br />
Échantillonnage d’importance<br />
Échantillonnage stratifié<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 36 / 95
MÉTHODE D’INVERSION.<br />
Si X est une v.a.r. alors la fonction <strong>de</strong> répartition F X est définie par<br />
∀x ∈ R, F X (x) = P(X ≤ x).<br />
Comme F X est croissante, on peut définir la fonction pseudo-inverse<br />
q X <strong>de</strong> F X ainsi :<br />
∀u ∈ (0, 1), q X (u) = inf{x ∈ R, F X (x) > u}.<br />
THÉORÈME<br />
Si U suit une loi uniforme sur [0, 1], q X (U) suit la même loi que X.<br />
PROPOSITION<br />
Si F est inversible, alors q = F −1 .<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 37 / 95
EXEMPLES.<br />
Si U suit une loi uniforme sur [0, 1], alors<br />
LOI UNIFORME SUR [a, b]<br />
X = a + (b − a)U suit la loi uniforme sur [a, b].<br />
LOI EXPONENTIELLE<br />
X = − 1 ln(1 − U) suit la loi exponentielle <strong>de</strong> paramètre λ.<br />
λ<br />
LOI DE CAUCHY<br />
X = c tan(π(U − 1/2)) suit la loi <strong>de</strong> Cauchy <strong>de</strong> paramètre c.<br />
LOI DE BERNOULLI<br />
Si U < 1 − p, X = 0, sinon X = 1 : suit la loi <strong>de</strong> Bernoulli <strong>de</strong> paramètre<br />
p ∈ [0, 1].<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 38 / 95
LOI DISCRÈTE À SUPPORT FINI.<br />
✞<br />
function r e a l i s = r d i s t ( x , p )<br />
n=length ( p ) ;<br />
r = rand ; a = 0; b = p ( 1 ) ;<br />
for i = 1 : n−1,<br />
i f ( ( r >=a ) & ( r
LOI UNIFORME.<br />
✞<br />
☎<br />
function r e a l i s = r a n d d i s c r ( x , n ,m)<br />
%Renvoie <strong>de</strong>s realisations iid<br />
%<strong>de</strong> loi uniforme sur x(1),...,x(length(x)).<br />
%n et m sont <strong>de</strong>s entiers optionnels, valant 1 par <strong>de</strong>faut.<br />
i f ( nargin ==0)<br />
error ( ’ Pas assez <strong>de</strong> parametres ’ ) ;<br />
e l s e i f ( nargin ==1)<br />
n=1;m=1;<br />
e l s e i f ( nargin ==2)<br />
m=1;<br />
e l s e i f ( nargin >3)<br />
error ( ’ Trop <strong>de</strong> parametres ’ ) ;<br />
end ;<br />
r e a l i s = reshape ( x ( c e i l ( length ( x )∗ rand ( n ,m) ) ) , n ,m) ;<br />
return ;<br />
✝<br />
✆<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 40 / 95
INVERSION : DIMENSION QUELCONQUE.<br />
Soit une v.a. X = (X 1 , X 2 ) <strong>de</strong> loi connue P X sur R 2 avec <strong>de</strong>nsité f > 0.<br />
Fonction <strong>de</strong> répartition <strong>de</strong> X 1 :<br />
∫ x1<br />
∫<br />
F X1 (x 1 ) = f (x, y)dxdy.<br />
−∞<br />
Soit q 1 son inverse.<br />
Fonction <strong>de</strong> répartition F X 1=x 1<br />
X 2<br />
<strong>de</strong> la loi conditionnelle <strong>de</strong> X 2 sachant<br />
X 1 = x 1 :<br />
∫ x2<br />
F X 1=x 1<br />
−∞<br />
X 2<br />
(x 2 ) =<br />
f (x 1, y)dy<br />
∫ +∞<br />
−∞ f (x 1, y)dy .<br />
Inverse : q 2 .<br />
MÉTHODE<br />
Si U 1 et U 2 sont <strong>de</strong>ux v.a. uniformes sur [0, 1] indépendantes, alors<br />
X 1 = q 1 (U 1 ), X 2 = q 2 (q 1 (U 1 ), U 2 ).<br />
R<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 41 / 95
PLAN<br />
1 MÉTHODE DE MONTE CARLO<br />
2 PROBLÈME DE SIMULATION<br />
Théorème fondamental<br />
Simulation <strong>de</strong> la loi uniforme<br />
Fonction <strong>de</strong> répartition<br />
Métho<strong>de</strong> d’inversion<br />
Cas particuliers<br />
Vérifications<br />
Métho<strong>de</strong> <strong>de</strong> rejet<br />
Lois gaussiennes<br />
3 RÉDUCTION DE VARIANCE<br />
Variables antithétiques<br />
Variables <strong>de</strong> contrôle<br />
<strong>Monte</strong> <strong>Carlo</strong> conditionnel<br />
Échantillonnage d’importance<br />
Échantillonnage stratifié<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 42 / 95
LOI BINOMIALE.<br />
DÉFINITION<br />
Une v.a. X à valeurs entières comprises entre 1 et N suit une loi<br />
binômiale <strong>de</strong> paramètres N ∈ N ∗ et p ∈ [0, 1] si :<br />
∀k = 1, . . . , N, P(X = k) = C k N pk (1 − p) N−k .<br />
PROPOSITION<br />
Soient U i , i = 1, . . . , N <strong>de</strong>s v.a. uniformes sur [0, 1] indépendantes.<br />
N∑<br />
Soit X le nombre <strong>de</strong>s U i inférieures à p ∈ [0, 1], i.e. X = 1 Ui
LOI GÉOMÉTRIQUE.<br />
DÉFINITION<br />
Une v.a. X à valeurs entières strictement positives suit une loi<br />
géométrique <strong>de</strong> paramètre p ∈]0, 1[ si :<br />
QUELQUES RÉSULTATS :<br />
E(X) = 1 1−p<br />
p<br />
, Var(X) = .<br />
p 2<br />
P(X ≥ k) = (1 − p) k−1 .<br />
PILE OU FACE<br />
∀n ≥ 1, P(X = n) = p(1 − p) n−1 .<br />
Une loi géométrique est la loi <strong>du</strong> nombre <strong>de</strong> tirages à pile ou face<br />
(indépendants) à réaliser pour obtenir face (si face a p % <strong>de</strong> chances<br />
<strong>de</strong> sortir).<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 44 / 95
LOI DE POISSON.<br />
DÉFINITION<br />
Une v.a. X à valeurs entières positives suit une loi <strong>de</strong> Poisson <strong>de</strong><br />
paramètre λ > 0 si :<br />
MOMENTS : E(X) = Var(X) = λ.<br />
PROPOSITION<br />
−λ λn<br />
∀n ≥ 0, P(X = n) = e<br />
n! .<br />
Soit (E n ) n∈N v.a. i.i.d. exponentielles <strong>de</strong> paramètre λ. Alors<br />
−λ λn<br />
P(E 1 + . . . + E n ≤ 1 < E 1 + . . . + E n+1 ) = e<br />
n! .<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 45 / 95
LOI DE POISSON.<br />
DÉFINITION<br />
Une v.a. X à valeurs entières positives suit une loi <strong>de</strong> Poisson <strong>de</strong><br />
paramètre λ > 0 si :<br />
MOMENTS : E(X) = Var(X) = λ.<br />
MÉTHODE<br />
−λ λn<br />
∀n ≥ 0, P(X = n) = e<br />
n! .<br />
X = 1 E1 ≤1
PLAN<br />
1 MÉTHODE DE MONTE CARLO<br />
2 PROBLÈME DE SIMULATION<br />
Théorème fondamental<br />
Simulation <strong>de</strong> la loi uniforme<br />
Fonction <strong>de</strong> répartition<br />
Métho<strong>de</strong> d’inversion<br />
Cas particuliers<br />
Vérifications<br />
Métho<strong>de</strong> <strong>de</strong> rejet<br />
Lois gaussiennes<br />
3 RÉDUCTION DE VARIANCE<br />
Variables antithétiques<br />
Variables <strong>de</strong> contrôle<br />
<strong>Monte</strong> <strong>Carlo</strong> conditionnel<br />
Échantillonnage d’importance<br />
Échantillonnage stratifié<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 46 / 95
QUELLES VÉRIFICATIONS <br />
DEUX TYPES <strong>de</strong> vérifications :<br />
histogramme normalisé contre <strong>de</strong>nsité,<br />
fonctions <strong>de</strong> répartition empirique contre théorique.<br />
Dans les <strong>de</strong>ux cas, il faut d’abord simuler un grand nombre <strong>de</strong> fois la<br />
loi en question. Pour n ∈ N ∗ , on obtient un vecteur (x 1 , . . . , x n ) qui<br />
contient n réalisations <strong>de</strong> la loi <strong>de</strong> X.<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 47 / 95
HISTOGRAMME VS. DENSITÉ.<br />
HISTOGRAMME NORMALISÉ<br />
1 regrouper les n termes dans un certain nombre m <strong>de</strong> classes<br />
(avec<br />
∑<br />
m < n). Dans chaque classe r m réalisations <strong>de</strong> X avec<br />
r m = n.<br />
m<br />
2 normalisation : la somme <strong>de</strong>s aires <strong>de</strong>s colonnes fait 1<br />
−→ r m /(n(C m+1 − C m )).<br />
3 tracé : sur l’axe <strong>de</strong>s abscisses, placer les m centres <strong>de</strong>s m<br />
classes, et mettre une colonne <strong>de</strong> hauteur r m /(n(C m+1 − C m )).<br />
CONVERGENCE VERS LA DENSITÉ<br />
r m<br />
n(C m+1 − C m )<br />
−→<br />
n→+∞<br />
1<br />
C m+1 − C m<br />
P(X ∈ [C m , C m+1 [).<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 48 / 95
HISTOGRAMME VS. DENSITÉ.<br />
CONVERGENCE VERS LA DENSITÉ<br />
CONCLUSION<br />
r m<br />
n(C m+1 − C m )<br />
−→<br />
n→+∞<br />
1<br />
C m+1 − C m<br />
P(X ∈ [C m , C m+1 [).<br />
Si X discrète avec C k espacés <strong>de</strong> 1, approximativement p k .<br />
Si X à <strong>de</strong>nsité, alors<br />
P(X ∈ [C m , C m+1 [)<br />
C m+1 − C m<br />
=<br />
∫<br />
1 Cm+1<br />
f (t)dt −→<br />
C m+1 − C f (C m).<br />
m C m<br />
C m+1 −C m→0<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 48 / 95
RÉPARTITION EMPIRIQUE VS. THÉORIQUE.<br />
FONCTION DE RÉPARTITION EMPIRIQUE<br />
∀t ∈ R, F n (t) = 1 n<br />
n∑<br />
1 ]−∞,t] (x i ).<br />
i=1<br />
THÉORÈME DE KOLMOGOROV-SMIRNOV<br />
∀t ∈ R,<br />
lim F n (t) = F X (t).<br />
n→+∞<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 49 / 95
EXEMPLE SUR LA LOI EXPONENTIELLE(2).<br />
n=100<br />
Histogramme vs <strong>de</strong>nsite<br />
Fcts <strong>de</strong> repartition<br />
2.0<br />
1.8<br />
1.6<br />
1.0<br />
empirique<br />
theorique<br />
1.4<br />
0.8<br />
1.2<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.6<br />
0.2<br />
0.4<br />
0.2<br />
0.0<br />
0.0<br />
0 1 2 3 4 5 6<br />
!0.2<br />
!1 0 1 2 3 4 5<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 50 / 95
EXEMPLE SUR LA LOI EXPONENTIELLE(2).<br />
n=10000<br />
Histogramme vs <strong>de</strong>nsite<br />
Fcts <strong>de</strong> repartition<br />
2.0<br />
1.8<br />
1.6<br />
1.0<br />
empirique<br />
theorique<br />
1.4<br />
0.8<br />
1.2<br />
1.0<br />
0.8<br />
0.6<br />
0.4<br />
0.6<br />
0.2<br />
0.4<br />
0.2<br />
0.0<br />
0.0<br />
0 1 2 3 4 5 6 7 8<br />
!0.2<br />
!1 0 1 2 3 4 5 6 7<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 51 / 95
EXEMPLE SUR LA LOI DE BERNOULLI(0.3).<br />
n=100<br />
Histogramme<br />
Fcts <strong>de</strong> repartition<br />
0.8<br />
0.7<br />
1.0<br />
empirique<br />
theorique<br />
0.6<br />
0.8<br />
0.5<br />
0.6<br />
0.4<br />
0.3<br />
0.4<br />
0.2<br />
0.2<br />
0.1<br />
0.0<br />
0.0<br />
!0.5 0.0 0.5 1.0 1.5 2.0<br />
!0.2<br />
!1.0 !0.5 0.0 0.5 1.0 1.5 2.0<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 52 / 95
EXEMPLE SUR LA LOI DE BERNOULLI(0.3).<br />
n=10000<br />
Histogramme<br />
Fcts <strong>de</strong> repartition<br />
0.7<br />
0.6<br />
1.0<br />
empirique<br />
theorique<br />
0.5<br />
0.8<br />
0.4<br />
0.6<br />
0.3<br />
0.4<br />
0.2<br />
0.2<br />
0.1<br />
0.0<br />
0.0<br />
!0.5 0.0 0.5 1.0 1.5 2.0<br />
!0.2<br />
!1.0 !0.5 0.0 0.5 1.0 1.5 2.0<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 53 / 95
PLAN<br />
1 MÉTHODE DE MONTE CARLO<br />
2 PROBLÈME DE SIMULATION<br />
Théorème fondamental<br />
Simulation <strong>de</strong> la loi uniforme<br />
Fonction <strong>de</strong> répartition<br />
Métho<strong>de</strong> d’inversion<br />
Cas particuliers<br />
Vérifications<br />
Métho<strong>de</strong> <strong>de</strong> rejet<br />
Lois gaussiennes<br />
3 RÉDUCTION DE VARIANCE<br />
Variables antithétiques<br />
Variables <strong>de</strong> contrôle<br />
<strong>Monte</strong> <strong>Carlo</strong> conditionnel<br />
Échantillonnage d’importance<br />
Échantillonnage stratifié<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 54 / 95
MÉTHODE DE REJET.<br />
On veut simuler une v.a. <strong>de</strong> <strong>de</strong>nsité f , et il existe une <strong>de</strong>nsité g<br />
simulable facilement et une constante k ≥ 1 telle que<br />
Soit α(x) = f (x)<br />
kg(x) .<br />
PROPOSITION<br />
∀x ∈ R, f (x) ≤ kg(x).<br />
Soit (X i ) i≥1 une suite <strong>de</strong> v.a. i.i.d. <strong>de</strong> <strong>de</strong>nsité g, et (U i ) i≥1 une suite <strong>de</strong><br />
v.a. i.i.d. <strong>de</strong> loi uniforme sur [0, 1], indépendante <strong>de</strong> la suite (X i ) i≥1 .<br />
Soit<br />
T = inf{i ≥ 1, U i ≤ α(X i )}.<br />
La variable X T a pour <strong>de</strong>nsité f .<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 55 / 95
MÉTHODE DE REJET.<br />
MÉTHODE<br />
Soit (X 1 , U 1 ) un couple <strong>de</strong> v.a. indépendantes telles que X 1 suive la loi<br />
<strong>de</strong> <strong>de</strong>nsité g et U 1 suive une loi uniforme sur [0, 1]. Si U 1 ≤ α(U 1 ), on<br />
pose X = X 1 .<br />
Sinon on rejette X 1 et on recommence en générant une suite<br />
(X n , U n ) n≥2 <strong>de</strong> v.a. indépendantes <strong>de</strong> même loi que (X 1 , U 1 ) jusqu’à<br />
l’instant p où U p ≤ α(X p ). On pose alors X = X p .<br />
REMARQUES<br />
on n’a pas besoin <strong>de</strong> connaître F , ni F −1 .<br />
elle s’étend à R d , à <strong>de</strong>s lois discrètes, etc.<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 56 / 95
MÉTHODE DE REJET : VITESSE.<br />
Calcul <strong>de</strong> la probabilité d’acceptation :<br />
p = P(U ≤ α(X)) = 1 k .<br />
Donc T a pour distribution une loi géométrique <strong>de</strong> paramètre p. En<br />
moyenne, on doit rejeter k = 1/p fois avant d’accepter la valeur.<br />
Ainsi il faut choisir g telle que<br />
( ) f<br />
k = max<br />
g<br />
soit la plus petite possible.<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 57 / 95
PLAN<br />
1 MÉTHODE DE MONTE CARLO<br />
2 PROBLÈME DE SIMULATION<br />
Théorème fondamental<br />
Simulation <strong>de</strong> la loi uniforme<br />
Fonction <strong>de</strong> répartition<br />
Métho<strong>de</strong> d’inversion<br />
Cas particuliers<br />
Vérifications<br />
Métho<strong>de</strong> <strong>de</strong> rejet<br />
Lois gaussiennes<br />
3 RÉDUCTION DE VARIANCE<br />
Variables antithétiques<br />
Variables <strong>de</strong> contrôle<br />
<strong>Monte</strong> <strong>Carlo</strong> conditionnel<br />
Échantillonnage d’importance<br />
Échantillonnage stratifié<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 58 / 95
LOI NORMALE : MÉTHODE POLAIRE.<br />
PROPOSITION<br />
Si Y ∼ N (µ, σ 2 ), alors X = (Y − µ)/σ ∼ N (0, 1).<br />
Pour simuler X (et Y )<br />
simuler <strong>de</strong>ux lois uniformes U et V sur [0, 1] ;<br />
poser<br />
X = √ −2 ln U cos(2πV ), Y = √ −2 ln U sin(2πV ).<br />
PROPOSITION<br />
X et Y sont <strong>de</strong>ux v.a. normales centrées ré<strong>du</strong>ites indépendantes.<br />
Ou utiliser sous Matlab randn(n,m).<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 59 / 95
LOI NORMALE : MÉTHODE POLAIRE.<br />
Pour simuler X (et Y )<br />
simuler <strong>de</strong>ux lois uniformes U et V sur [0, 1] ;<br />
poser<br />
✞<br />
c l f ;<br />
X = √ −2 ln U cos(2πV ), Y = √ −2 ln U sin(2πV ).<br />
hold on<br />
t i t l e ( ’ Simulation d ’ ’ une l o i normale ’ )<br />
ylabel ( ’ E f f e c t i f s ’ ) ; xlabel ( ’ Valeurs ’ ) ;<br />
[ E,C]= ecdf ( sqrt (−2∗log ( rand ( 5 0 0 0 , 1 ) ) )<br />
. ∗ cos(2∗ pi ∗rand ( 5 0 0 0 , 1 ) ) ) ;<br />
e c d f h i s t (E,C, 4 0 ) ;<br />
hold on<br />
plot (C, ( 2 ∗ pi )^( −1/2)∗ exp(−C. ^ 2 / 2 ) , ’ r− ’ ) ;<br />
legend ( ’ Empirique ’ , ’ Theorique ’ )<br />
hold o f f<br />
✝<br />
☎<br />
✆<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 60 / 95
LOI NORMALE : MÉTHODE POLAIRE.<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 61 / 95
LOI NORMALE : MÉTHODE POLAIRE.<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 61 / 95
LOI NORMALE : MÉTHODE POLAIRE-REJET.<br />
PROPOSITION<br />
(X, Y ) = (ρ cos(θ), ρ sin(θ)) suit une loi uniforme sur le disque unité <strong>du</strong><br />
plan, alors<br />
√<br />
−4 ln(ρ)<br />
(X, Y )<br />
ρ<br />
suit une loi normale centrée ré<strong>du</strong>ite bidimensionnelle.<br />
(X, Y ) facile à simuler par rejet à partir d’une uniforme sur le carré<br />
[−1, 1] 2 (rejet dans 21 % <strong>de</strong>s cas puisque π/4 ≈ 0, 79).<br />
θ et ρ indépendantes,<br />
ρ loi <strong>de</strong> <strong>de</strong>nsité u ↦→ 2u1 [0,1] (u), −4 ln(ρ) exponentielle <strong>de</strong><br />
paramètre 1/2,<br />
θ uniforme sur [0, 2π].<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 62 / 95
LOI UNIFORME SUR LE DISQUE.<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 63 / 95
VECTEUR GAUSSIEN.<br />
PROPOSITION<br />
Soit<br />
m ∈ R n ,<br />
Γ ∈ S + n (R) matrice réelle <strong>de</strong> taille n symétrique positive,<br />
Y vecteur aléatoire gaussien standard <strong>de</strong> moyenne nulle et<br />
matrice <strong>de</strong> covariance Id n .<br />
Alors le vecteur aléatoire X = Γ 1/2 Y + m est gaussien <strong>de</strong> moyenne m<br />
et <strong>de</strong> matrice <strong>de</strong> covariance Γ.<br />
Si Y est un vecteur gaussien <strong>de</strong> loi N (0, Id n ), ses coordonnées sont<br />
i.i.d. <strong>de</strong> loi N (0, 1). Ainsi on peut simuler une réalisation <strong>de</strong> Y en<br />
simulant n réalisations indépendantes Y 1 (ω), . . . , Y n (ω) <strong>de</strong> loi N (0, 1).<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 64 / 95
PLAN<br />
1 MÉTHODE DE MONTE CARLO<br />
2 PROBLÈME DE SIMULATION<br />
Théorème fondamental<br />
Simulation <strong>de</strong> la loi uniforme<br />
Fonction <strong>de</strong> répartition<br />
Métho<strong>de</strong> d’inversion<br />
Cas particuliers<br />
Vérifications<br />
Métho<strong>de</strong> <strong>de</strong> rejet<br />
Lois gaussiennes<br />
3 RÉDUCTION DE VARIANCE<br />
Variables antithétiques<br />
Variables <strong>de</strong> contrôle<br />
<strong>Monte</strong> <strong>Carlo</strong> conditionnel<br />
Échantillonnage d’importance<br />
Échantillonnage stratifié<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 65 / 95
DEUX EXEMPLES.<br />
EXEMPLE THÉORIQUE. Calculer θ = E(e 5Z ) = e 52 /2 avec Z ∼ N (0, 1)<br />
variance théorique : σ 2 = e 50 − e 25 ≈ 7 × 10 10 .<br />
valeur exacte : 268337.<br />
nombre tirages : N = 500000.<br />
valeur estimée : θ = 221741.<br />
Intervalle <strong>de</strong> confiance : I = [−65186, 508668].<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 66 / 95
DEUX EXEMPLES.<br />
EXEMPLE PLUS CONCRET. Call C = E((5e (Z −1/2) − 3) + ) avec<br />
Z ∼ N (0, 1)<br />
valeur exacte : 2,71.<br />
nombre tirages : N = 1000.<br />
valeur estimée : 2,83.<br />
Intervalle <strong>de</strong> confiance : I = [2, 42; 3, 24].<br />
Put P = E((3 − 5e (Z −1/2) ) + ) et C − P = 2.<br />
valeur exacte : 0,71.<br />
valeur estimée : 0,70.<br />
Intervalle <strong>de</strong> confiance : I = [0, 64; 0, 76].<br />
Contrôle : C = 2 + P.<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 66 / 95
RÉDUCTION DE VARIANCE : MÉTHODES.<br />
Variables antithétiques.<br />
Variables <strong>de</strong> contrôle.<br />
Échantillonnage préférentiel (ou d’importance).<br />
Échantillonnage stratifié.<br />
Métho<strong>de</strong>s adaptatives (chaînes <strong>de</strong> Markov).<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 67 / 95
PLAN<br />
1 MÉTHODE DE MONTE CARLO<br />
2 PROBLÈME DE SIMULATION<br />
Théorème fondamental<br />
Simulation <strong>de</strong> la loi uniforme<br />
Fonction <strong>de</strong> répartition<br />
Métho<strong>de</strong> d’inversion<br />
Cas particuliers<br />
Vérifications<br />
Métho<strong>de</strong> <strong>de</strong> rejet<br />
Lois gaussiennes<br />
3 RÉDUCTION DE VARIANCE<br />
Variables antithétiques<br />
Variables <strong>de</strong> contrôle<br />
<strong>Monte</strong> <strong>Carlo</strong> conditionnel<br />
Échantillonnage d’importance<br />
Échantillonnage stratifié<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 68 / 95
VARIABLES ANTITHÉTIQUES.<br />
BUT : calculer θ = E(Y ) = E(f (X)).<br />
DEUX V.A. Y 1 et Y 2 <strong>de</strong> même loi que Y .<br />
(<br />
E(Y ) = 1 2 (E(Y 1) + E(Y 2 )) = E<br />
Y1 +Y 2<br />
2<br />
)<br />
Var<br />
(<br />
Y1 +Y 2<br />
2<br />
)<br />
;<br />
= Var (Y 1)+Var (Y 2 )+2Cov(Y 1 ,Y 2 )<br />
4<br />
;<br />
si Y 1 ( et Y 2 décorrélées ) (ou indépendantes),<br />
Var<br />
Y1 +Y 2<br />
2<br />
=<br />
Var (Y )<br />
2<br />
;<br />
( )<br />
si Cov(Y 1 , Y 2 ) < 0, alors Var<br />
Y1 +Y 2<br />
2<br />
<<br />
Var (Y )<br />
2<br />
.<br />
QUESTION : comment obtenir Y 1 et Y 2 <strong>de</strong> même loi que Y avec<br />
Cov(Y 1 , Y 2 ) < 0 <br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 69 / 95
VARIABLES ANTITHÉTIQUES UNIFORMES.<br />
HYPOTHÈSE : Y = g(U) où U uniforme sur [0, 1] .<br />
ALGORITHME CLASSIQUE avec échantillon <strong>de</strong> taille 2n.<br />
MÉTHODE<br />
<strong>de</strong> i = 1 à 2n<br />
générer U i<br />
définir Y i = g(U i )<br />
fin<br />
définir ˆθ 2n = Y 2n = 1<br />
2n<br />
2n∑<br />
i=1<br />
Y i et ˆσ 2 2n = 1<br />
2n − 1<br />
définir CI = [ˆθ 2n − c α<br />
ˆσ 2n<br />
√<br />
2n<br />
, ˆθ 2n + c α<br />
ˆσ 2n<br />
√<br />
2n<br />
]<br />
2n∑<br />
i=1<br />
(Y i − ˆθ 2n ) 2<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 70 / 95
VARIABLES ANTITHÉTIQUES UNIFORMES.<br />
HYPOTHÈSE : Y = g(U) avec U uniforme sur [0, 1].<br />
ALGORITHME avec échantillon <strong>de</strong> taille 2n.<br />
MÉTHODE<br />
<strong>de</strong> i = 1 à 2n<br />
générer U i<br />
définir Y i = g(1 − U i )<br />
fin<br />
définir ˆθ 2n = Y 2n = 1<br />
2n<br />
2n∑<br />
i=1<br />
Y i et ˆσ 2 2n = 1<br />
2n − 1<br />
définir CI = [ˆθ 2n − c α<br />
ˆσ 2n<br />
√<br />
2n<br />
, ˆθ 2n + c α<br />
ˆσ 2n<br />
√<br />
2n<br />
]<br />
2n∑<br />
i=1<br />
(Y i − ˆθ 2n ) 2<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 70 / 95
VARIABLES ANTITHÉTIQUES UNIFORMES.<br />
HYPOTHÈSE : Y = g(U) avec U uniforme sur [0, 1].<br />
ALGORITHME MÉLANGÉ avec échantillon <strong>de</strong> taille n.<br />
MÉTHODE<br />
<strong>de</strong> i = 1 à n<br />
générer U i<br />
définir Y i = g(U i ), Ỹi = g(1 − U i ) et Z i = Y i + Ỹi<br />
2<br />
fin<br />
définir ˆθ n,a = Z n = 1 n∑<br />
Z i et ˆσ n 2 = 1 n∑<br />
(Z i − ˆθ n ) 2<br />
n<br />
n − 1<br />
i=1<br />
définir CI = [ˆθ n,a − c α<br />
ˆσ n<br />
√ n<br />
, ˆθ n,a + c α<br />
ˆσ n<br />
√ n<br />
]<br />
i=1<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 70 / 95
VARIABLES ANTITHÉTIQUES UNIFORMES.<br />
HYPOTHÈSE : Y = g(U) avec U uniforme sur [0, 1].<br />
DIFFÉRENTS RÉSULTATS :<br />
ˆθ 2n = Y 2n = 1 ∑ 2n<br />
2n i=1 Y i ;<br />
ˆθ n,a = Z n = 1 ∑ n<br />
n i=1 Z i.<br />
COMPARAISON DES VARIANCES<br />
Var (ˆθ 2n ) = Var<br />
( ∑2n )<br />
i=1 Y i Var (Y )<br />
=<br />
2n 2n<br />
Ainsi<br />
Var (ˆθ n,a ) = Var (ˆθ 2n ) + Cov(Y , Ỹ ) .<br />
2n<br />
Var (ˆθ n,a ) < Var (ˆθ 2n ) ⇐⇒ Cov(g(U), g(1 − U)) < 0.<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 70 / 95
VARIABLES ANTITHÉTIQUES UNIFORMES.<br />
HYPOTHÈSE : Y = g(U) avec U uniforme sur [0, 1].<br />
THÉORÈME<br />
Si g est une fonction monotone, alors Cov(g(U), g(1 − U)) < 0.<br />
CONSÉQUENCE<br />
Métho<strong>de</strong> d’inversion : g = f (F −1 ) est monotone si f l’est.<br />
X<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 70 / 95
VARIABLES ANTITHÉTIQUES : GÉNÉRALISATION.<br />
HYPOTHÈSE SUR X : il existe a t.q. X et a − X aient la même loi.<br />
EXEMPLES<br />
Lois normales N (µ, σ 2 ) : a = 2µ.<br />
Lois <strong>de</strong> Laplace <strong>de</strong> paramètre λ > 0 : f (x) = λ 2<br />
exp(−λ|x|). a = 0.<br />
MÉTHODE<br />
<strong>de</strong> i = 1 à n<br />
générer X i<br />
définir Y i = g(X i ), Ỹi = g(a − X i ) et Z i = Y i + Ỹi<br />
2<br />
fin<br />
définir ˆθ n,a = Z n = 1 n∑<br />
Z i et ˆσ n 2 = 1 n∑<br />
(Z i − ˆθ n ) 2<br />
n<br />
n − 1<br />
i=1<br />
définir CI = [ˆθ n,a − c α<br />
ˆσ n<br />
√ n<br />
, ˆθ n,a + c α<br />
ˆσ n<br />
√ n<br />
]<br />
i=1<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 71 / 95
EXEMPLE : OPTION KNOCK-IN.<br />
CONTRAT FINANCIER <strong>de</strong> payoff h(S T ) = max(0, S T − K )1 ST >B.<br />
MODÈLE BLACK-SCHOLES S T = S 0 exp((r − σ 2 /2)T + σ √ T X,<br />
X ∼ N (0, 1).<br />
PRIX DU CONTRAT<br />
C = e −rT E (h(S T )) = e −rT E ( max(0, S T − K )1 ST >B)<br />
.<br />
JEU DE PARAMÈTRES S 0 = 2, K = 1, B = 2, 5, r = 0, 1, σ = 0.3,<br />
T = 10, N = 5000.<br />
RÉSULTATS OBTENUS<br />
sans ré<strong>du</strong>ction <strong>de</strong> variance : C = 1.5720 (variance 5.4236) ;<br />
avec ré<strong>du</strong>ction <strong>de</strong> variance : C = 1.5543 (variance 1.5827).<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 72 / 95
PLAN<br />
1 MÉTHODE DE MONTE CARLO<br />
2 PROBLÈME DE SIMULATION<br />
Théorème fondamental<br />
Simulation <strong>de</strong> la loi uniforme<br />
Fonction <strong>de</strong> répartition<br />
Métho<strong>de</strong> d’inversion<br />
Cas particuliers<br />
Vérifications<br />
Métho<strong>de</strong> <strong>de</strong> rejet<br />
Lois gaussiennes<br />
3 RÉDUCTION DE VARIANCE<br />
Variables antithétiques<br />
Variables <strong>de</strong> contrôle<br />
<strong>Monte</strong> <strong>Carlo</strong> conditionnel<br />
Échantillonnage d’importance<br />
Échantillonnage stratifié<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 73 / 95
VARIABLES DE CONTRÔLE.<br />
BUT : calculer θ = E(Y ) = E(f (X)).<br />
AJOUT d’une variable Z<br />
facilement simulable ;<br />
E(Z ) connue ou facilement calculable (variance « petite »).<br />
DEUX CALCULS POSSIBLES DE θ :<br />
par métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong> standard,<br />
en posant W c = Y + c(Z − E(Z )) et en calculant E(W c ) par<br />
<strong>Monte</strong> <strong>Carlo</strong> (c : paramètre constant fixé).<br />
QUESTION : Var (W c ) < Var (Y ) <br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 74 / 95
VARIABLES DE CONTRÔLE.<br />
CALCUL DE LA VARIANCE :<br />
Var (W c ) = Var (Y ) + c 2 × Var (Z ) + 2c × Cov(Y , Z ).<br />
CHOIX OPTIMAL DE c : c ∗ Cov(Y ,Z )<br />
= −<br />
Var (Z )<br />
Cov(Y ,Z )2<br />
Var (W c ∗) = Var (Y ) − ;<br />
Var (Z )<br />
Var (W c ∗) < Var (Y ) ⇔ Cov(Y , Z ) < 0 ;<br />
Z : variable <strong>de</strong> contrôle <strong>de</strong> Y .<br />
;<br />
ALGORITHME :<br />
ˆθ N,c ∗ = 1 N<br />
N∑<br />
(Y i + c ∗ (Z i − E(Z ))) ≈ θ.<br />
i=1<br />
PROBLÈMES : calcul <strong>de</strong> E(Z ) De Cov(Y , Z ) <br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 75 / 95
MMC AVEC VARIABLE DE CONTRÔLE.<br />
MÉTHODE<br />
ÉTAPE 1 : p petit → détermine une valeur approchée <strong>de</strong> c ∗ .<br />
Simuler p v.a. (Y n ) 1≤n≤p et p v.a. (Z n ) 1≤n≤p .<br />
Poser :<br />
Calculer ĉ ∗ =<br />
Ê(Z ) = 1 p<br />
p∑<br />
Z i , Ê(Y ) = 1 p<br />
i=1<br />
̂Var (Z ) = 1<br />
p − 1<br />
Ĉov(Y , Z ) = 1<br />
p − 1<br />
,Z )<br />
−Ĉov(Y . ̂Var (Z )<br />
p∑<br />
Y i ,<br />
i=1<br />
p∑<br />
(Z j − Ê(Z ))2 ,<br />
j=1<br />
p∑<br />
(Y i − Ê(Y ))(Z j − Ê(Z ))).<br />
j=1<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 76 / 95
MMC AVEC VARIABLE DE CONTRÔLE.<br />
MÉTHODE<br />
ÉTAPE 1 : p petit → détermine une valeur approchée <strong>de</strong> c ∗ .<br />
ÉTAPE 2 : N grand.<br />
Simuler N v.a. (Y n ) 1≤n≤N et N v.a. (Z n ) 1≤n≤N .<br />
Poser :<br />
̂θ = 1 N<br />
N∑<br />
(Y i + ĉ ∗ (Z i − Ê(Z ))) ≈ θ.<br />
i=1<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 76 / 95
UN EXEMPLE.<br />
ÉNONCÉ<br />
Calculer θ = E(e (U+V )2 ) avec U et V <strong>de</strong> loi uniforme sur [0, 1].<br />
Y = e (U+V )2 .<br />
Variables <strong>de</strong> contrôle : Z 1 = U + V , Z 2 = (U + V ) 2 ou encore<br />
Z 3 = exp(U + V ).<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 77 / 95
LE PROGRAMME (CALCUL DE c ∗ ).<br />
✞<br />
p=500;<br />
u=rand ( p , 1 ) ; v=rand ( p , 1 ) ;<br />
y=exp ( ( u+v ) . ^ 2 ) ; z1=u+v ; z2 =(u+v ) . ^ 2 ; z3=exp ( u+v ) ;<br />
a1=cov ( [ y z1 ] ) ;<br />
a2=cov ( [ y z2 ] ) ;<br />
a3=cov ( [ y z3 ] ) ;<br />
c_est1=−a1 ( 1 , 2 ) / a1 ( 2 , 2 )<br />
c_est2=−a2 ( 1 , 2 ) / a2 ( 2 , 2 )<br />
c_est3=−a3 ( 1 , 2 ) / a3 ( 2 , 2 )<br />
✝<br />
Valeurs obtenues :<br />
c est1 = - 11.088954<br />
c est2 = - 5.7049857<br />
c est3 = - 3.9928724<br />
☎<br />
✆<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 78 / 95
LE PROGRAMME (MMC).<br />
✞<br />
n=5000;<br />
u=rand ( n , 1 ) ; v=rand ( n , 1 ) ;<br />
y=exp ( ( u+v ) . ^ 2 ) ; z1=u+v ; z2 =(u+v ) . ^ 2 ; z3=exp ( u+v ) ;<br />
m1=mean( z1 )<br />
m2=mean( z2 )<br />
m3=mean( z3 )<br />
w1=y+c_est1 ∗( z1−m1 ) ;<br />
w2=y+c_est2 ∗( z2−m2 ) ;<br />
w3=y+c_est3 ∗( z3−m3 ) ;<br />
b0 =[mean( y ) st<strong>de</strong>v ( y ) ^ 2 ]<br />
b1 =[mean(w1) var (w1 ) ]<br />
b2 =[mean(w2) var (w2 ) ]<br />
b3 =[mean(w3) var (w3 ) ]<br />
%Intervalle <strong>de</strong> confiance<br />
CI =[ b2(1) −1.96∗ st<strong>de</strong>v (w2 ) / sqrt ( n ) ,<br />
b2 (1)+1.96∗ st<strong>de</strong>v (w2 ) / sqrt ( n ) ]<br />
✝<br />
☎<br />
✆<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 79 / 95
BILAN.<br />
Valeurs obtenues :<br />
m1 = 1.0006399 (exacte 1) ;<br />
m2 = 1.171765 (exacte 7/6 ≈ 1.1666667) ;<br />
m3 = 2.959135 (exacte (e − 1) 2 ≈ 2.9524924) ;<br />
CI = [4.8545742, 5.0088663].<br />
moyenne variance<br />
b0 4.9317203 34.564778<br />
b1 4.9317203 13.840552<br />
b2 4.9317203 7.7461357<br />
b3 4.9317203 7.2175877<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 80 / 95
PLAN<br />
1 MÉTHODE DE MONTE CARLO<br />
2 PROBLÈME DE SIMULATION<br />
Théorème fondamental<br />
Simulation <strong>de</strong> la loi uniforme<br />
Fonction <strong>de</strong> répartition<br />
Métho<strong>de</strong> d’inversion<br />
Cas particuliers<br />
Vérifications<br />
Métho<strong>de</strong> <strong>de</strong> rejet<br />
Lois gaussiennes<br />
3 RÉDUCTION DE VARIANCE<br />
Variables antithétiques<br />
Variables <strong>de</strong> contrôle<br />
<strong>Monte</strong> <strong>Carlo</strong> conditionnel<br />
Échantillonnage d’importance<br />
Échantillonnage stratifié<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 81 / 95
MONTE CARLO CONDITIONNEL.<br />
IDÉE : au lieu <strong>de</strong> calculer θ = E(Y ) = E(f (X)), pour Z v.a.<br />
poser V = E(Y |Z ) = g(Z ) v.a. ;<br />
et θ = E(V ).<br />
CONDITIONS :<br />
Z facilement simulable ;<br />
V facilement calculable.<br />
CALCULS DE LA VARIANCE : Var (Y |Z ) est une v.a. positive :<br />
[<br />
Var (Y |Z ) = E (Y − E(Y |Z )) 2∣ ]<br />
∣Z ,<br />
et comme Y − E(Y ) − (E(Y |Z ) − E(Y )) ⊥ E(Y |Z ) − E(Y ),<br />
Var (Y ) = E(Var (Y |Z )) + Var (E(Y |Z )) ⇒ Var (Y ) ≥ Var (E(Y |Z )).<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 82 / 95
PLAN<br />
1 MÉTHODE DE MONTE CARLO<br />
2 PROBLÈME DE SIMULATION<br />
Théorème fondamental<br />
Simulation <strong>de</strong> la loi uniforme<br />
Fonction <strong>de</strong> répartition<br />
Métho<strong>de</strong> d’inversion<br />
Cas particuliers<br />
Vérifications<br />
Métho<strong>de</strong> <strong>de</strong> rejet<br />
Lois gaussiennes<br />
3 RÉDUCTION DE VARIANCE<br />
Variables antithétiques<br />
Variables <strong>de</strong> contrôle<br />
<strong>Monte</strong> <strong>Carlo</strong> conditionnel<br />
Échantillonnage d’importance<br />
Échantillonnage stratifié<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 83 / 95
ÉVÉNEMENTS RARES.<br />
Technique utilisée beaucoup pour<br />
θ = P(X ≤ seuil ) = E(1 X≤seuil ),<br />
quand l’occurence <strong>de</strong> X ≤ seuil est très petite.<br />
EXEMPLES.<br />
Catastrophes climatiques, ferroviaires, aériennes, etc.<br />
Faillites <strong>de</strong> grosses entreprises, d’états, etc.<br />
Cracks boursiers importants<br />
BUT : mesurer les risques <strong>de</strong> portefeuille, opérationnels, etc.<br />
(obligation légale pour les banques ou les assurances).<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 84 / 95
EXEMPLE.<br />
X suit une loi normale <strong>de</strong> paramètres 0 et 1<br />
θ = P(X ≤ −10) = E(1 X≤−10 ).<br />
MONTE-CARLO CLASSIQUE.<br />
Nombre <strong>de</strong> tirages N variant <strong>de</strong> 1000 à 10000000.<br />
Valeur estimée : 0.<br />
CONCLUSION ERRONÉE : θ = 0.<br />
VALEUR EXACTE : θ = 7.6199 × 10 −24 .<br />
Nombre <strong>de</strong> tirages nécessaires <strong>de</strong> l’ordre <strong>de</strong> 10 25 : impossible !<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 85 / 95
ÉCHANTILLONNAGE PRÉFÉRENTIEL : PRINCIPE.<br />
Changer la loi. Soient φ la <strong>de</strong>nsité <strong>de</strong> X et ψ une autre <strong>de</strong>nsité telle<br />
que ψ(x) ≠ 0 si φ(x) ≠ 0. Alors<br />
∫<br />
θ = E(f (X)) =<br />
∫<br />
f (x)φ(x)dx =<br />
f (x) φ(x)<br />
ψ(x) ψ(x)dx<br />
= E(h(Y )), avec h(x) = f (x) φ(x) et Y ∼ ψ.<br />
ψ(x)<br />
DÉFINITION : g est une fonction d’importance.<br />
QUESTION : comment choisir g <br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 86 / 95
RETOUR SUR L’EXEMPLE.<br />
X ∼ N (0, 1) et θ = P(X ≤ −10) : forcer les tirages <strong>de</strong> Y à être aux<br />
alentours <strong>de</strong> -10. Donc Y ∼ N (−10, 1).<br />
REMARQUE<br />
Si Y ∼ N (µ, σ 2 ), alors P(Y ≤ µ) = 1/2.<br />
∫<br />
θ = P(X ≤ −10) =<br />
=<br />
=<br />
∫<br />
∫<br />
R<br />
R<br />
1 x≤−10<br />
⎛<br />
⎝<br />
R<br />
√1<br />
exp 2π<br />
√1<br />
exp 2π<br />
1<br />
1 x≤−10 √ exp<br />
(− x 2 )<br />
2π 2<br />
( ) ⎞<br />
− x 2<br />
2<br />
( ) ⎠ √ 1 exp<br />
2π<br />
− (x+10)2<br />
2<br />
(<br />
1 x≤−10 exp 10x + (−10) 2 /2<br />
= E [1 Y ≤−10 exp (10Y + 50)] .<br />
(−<br />
) 1<br />
√ exp<br />
(−<br />
2π<br />
)<br />
(x + 10)2<br />
dx<br />
2<br />
)<br />
(x + 10)2<br />
dx<br />
2<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 87 / 95
RETOUR SUR L’EXEMPLE.<br />
θ = P(X ≤ −10) = E [1 Y ≤−10 exp (10Y + 50)].<br />
MONTE-CARLO AVEC Y.<br />
Valeur exacte θ = 7.6199 × 10 −24 .<br />
Y=randn(N,1) - 10.<br />
Nombre <strong>de</strong> tirages N variant <strong>de</strong> 1 à 10000.<br />
Valeur estimée : 8.0060 × 10 −24 .<br />
Écart-type : 2.6893 × 10 −23<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 87 / 95
RETOUR SUR L’EXEMPLE.<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 87 / 95
CHOIX DE LA FONCTION D’IMPORTANCE.<br />
DONNÉES : φ <strong>de</strong>nsité <strong>de</strong> X, ψ autre <strong>de</strong>nsité t.q. ψ(x) ≠ 0 si φ(x) ≠ 0.<br />
(<br />
θ = E(f (X)) = E(h(Y )) = E f (Y ) φ(Y ) )<br />
, Y ∼ ψ.<br />
ψ(Y )<br />
CALCULS DE LA VARIANCE :<br />
∫<br />
Var (f (X)) =<br />
∫<br />
Var (h(Y )) =<br />
Donc<br />
∫<br />
Var (f (X)) − Var (h(Y )) =<br />
f 2 (x)φ(x)dx − θ 2 ;<br />
f 2 (x) φ2 (x)<br />
ψ(x) dx − θ2 .<br />
(<br />
f 2 (x) 1 − φ(x) )<br />
φ(x)dx > 0.<br />
ψ(x)<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 88 / 95
CHOIX DE LA FONCTION D’IMPORTANCE.<br />
DONNÉES : φ <strong>de</strong>nsité <strong>de</strong> X, ψ autre <strong>de</strong>nsité t.q. ψ(x) ≠ 0 si φ(x) ≠ 0.<br />
(<br />
θ = E(f (X)) = E(h(Y )) = E f (Y ) φ(Y ) )<br />
, Y ∼ ψ.<br />
ψ(Y )<br />
CALCULS DE LA VARIANCE :<br />
∫<br />
Var (f (X)) − Var (h(Y )) =<br />
(<br />
f 2 (x) 1 − φ(x) )<br />
φ(x)dx > 0.<br />
ψ(x)<br />
PISTE : si ψ(x) = f (x)φ(x)/θ, Var (h(Y )) = 0 ! Prendre ψ proche <strong>de</strong><br />
f φ...<br />
THÉORÈME (RUBINSTEIN)<br />
La <strong>de</strong>nsité ψ qui minimise la variance est<br />
ψ(x) =<br />
1<br />
∫<br />
|f (x)|φ(x)dx<br />
|f (x)|φ(x).<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 88 / 95
CHOIX DE LA FONCTION D’IMPORTANCE.<br />
DONNÉES : φ <strong>de</strong>nsité <strong>de</strong> X, ψ autre <strong>de</strong>nsité t.q. ψ(x) ≠ 0 si φ(x) ≠ 0.<br />
(<br />
θ = E(f (X)) = E(h(Y )) = E f (Y ) φ(Y ) )<br />
, Y ∼ ψ.<br />
ψ(Y )<br />
CALCULS DE LA VARIANCE :<br />
IDÉE :<br />
∫<br />
Var (f (X)) − Var (h(Y )) =<br />
prendre φ/ψ > 1 quand f φ petit ;<br />
prendre φ/ψ < 1 quand f φ grand.<br />
(<br />
f 2 (x) 1 − φ(x) )<br />
φ(x)dx > 0.<br />
ψ(x)<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 88 / 95
PLAN<br />
1 MÉTHODE DE MONTE CARLO<br />
2 PROBLÈME DE SIMULATION<br />
Théorème fondamental<br />
Simulation <strong>de</strong> la loi uniforme<br />
Fonction <strong>de</strong> répartition<br />
Métho<strong>de</strong> d’inversion<br />
Cas particuliers<br />
Vérifications<br />
Métho<strong>de</strong> <strong>de</strong> rejet<br />
Lois gaussiennes<br />
3 RÉDUCTION DE VARIANCE<br />
Variables antithétiques<br />
Variables <strong>de</strong> contrôle<br />
<strong>Monte</strong> <strong>Carlo</strong> conditionnel<br />
Échantillonnage d’importance<br />
Échantillonnage stratifié<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 89 / 95
PRINCIPE DE L’ÉCHANTILLONNAGE STRATIFIÉ.<br />
OBJECTIF : évaluer θ = E(Y ) avec Y v.a. réelle. Soit A 1 , . . . , A K<br />
sous-ensembles disjoints <strong>de</strong> R tels que P(Y ∈ ∪ i A i ) = 1. Alors<br />
θ =<br />
K∑<br />
P(Y ∈ A i )E(Y |Y ∈ A i ) =<br />
i=1<br />
K∑<br />
p i E(Y |Y ∈ A i ).<br />
i=1<br />
STRATIFICATION PROPORTIONNELLE. Soit N la taille <strong>de</strong> l’échantillon.<br />
choisir les A i avec p i = P(Y ∈ A i ) ;<br />
poser n i = Np i (considéré comme entier) ;<br />
pour chaque i = 1, . . . , K , simuler Y ij , j = 1, . . . , n i i.i.d. suivant la<br />
loi <strong>de</strong> Y sachant Y ∈ A i .<br />
θ ≈<br />
K∑<br />
i=1<br />
p i<br />
⎛<br />
⎝ 1 n i<br />
n i<br />
∑<br />
j=1<br />
Y ij<br />
⎞<br />
⎠ = 1 N<br />
K∑ ∑n i<br />
Y ij .<br />
i=1 j=1<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 90 / 95
GÉNÉRALISATION.<br />
◮ STRATIFICATION FONCTION DE X .<br />
A i choisis tels que P(X ∈ ∪ i A i ) = 1 :<br />
θ =<br />
K∑<br />
P(X ∈ A i )E(Y |Y ∈ A i ) =<br />
i=1<br />
K∑<br />
p i E(Y |X ∈ A i ).<br />
i=1<br />
Générer (X ij , Y ij ) suivant la loi conditionnelle <strong>de</strong> (X, Y ) sachant<br />
X ∈ A i .<br />
◮ SUPPRIMER LA PROPORTIONNALITÉ.<br />
Autoriser<br />
∑<br />
le nombre <strong>de</strong> tirages n 1 , . . . , n k arbitraire (avec<br />
i n i = N) ;<br />
Poser q i = n i /N :<br />
⎛ ⎞<br />
K<br />
θ ≈ Ŷ = ∑<br />
p i<br />
⎝ 1 ∑n i<br />
Y ij<br />
⎠ = 1 K∑ p i<br />
∑n i<br />
Y ij .<br />
n i<br />
N q i<br />
i=1<br />
j=1<br />
i=1<br />
j=1<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 91 / 95
EXEMPLES.<br />
◮ STRATIFICATION DE LA LOI UNIFORME.<br />
Partition <strong>de</strong> ]0, 1[ : A i =]a i , b i ] ;<br />
Loi <strong>de</strong> U sachant U ∈ A i : uniforme entre a i et b i ;<br />
Échantillon : V i = a i + (b i − a i )U i .<br />
Exemple : A i =](i − 1)/N, i/N], i = 1, . . . , N.<br />
◮ VIA FONCTION DE RÉPARTITION.<br />
Y <strong>de</strong> fonction <strong>de</strong> répartition F.<br />
Pour p 1 , . . . , p K données, avec a 0 = −∞,<br />
a 1 = F −1 (p 1 ), a 2 = F −1 (p 1 + p 2 ), . . . , a K = F −1 (1),<br />
et A i =]a i−1 , a i ] pour i = 1, . . . , K . Si a k = +∞, alors<br />
A K =]a K −1 , a K [.<br />
V = a i−1 + U(a i − a i−1 ) uniforme sur A i et F −1 (V ) a la loi <strong>de</strong> Y<br />
sachant Y ∈ A i .<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 92 / 95
ANALYSE DE L’ESTIMATEUR Ŷ .<br />
NOTATIONS :<br />
θ i = E(Y ij ) = E(Y |X ∈ A i ), σ 2 = Var (Y ij ) = Var (Y |X ∈ A i ).<br />
ESTIMATEUR SANS BIAIS :<br />
E(Ŷ ) =<br />
K ∑<br />
i=1<br />
p i<br />
⎛<br />
⎝ 1 n i<br />
⎞<br />
∑n i<br />
E(Y ij ) ⎠ =<br />
j=1<br />
N∑<br />
p i θ i = θ.<br />
i=1<br />
<strong>de</strong> variance :<br />
avec<br />
Var (Ŷ ) = K ∑<br />
i=1<br />
p 2 i Var ⎛<br />
⎝ 1 n i<br />
⎞<br />
∑n i<br />
E(Y ij ) ⎠ =<br />
j=1<br />
σ 2 (q) =<br />
N∑<br />
i=1<br />
p 2 i<br />
q i<br />
σ 2 i .<br />
N∑<br />
i=1<br />
p 2 i<br />
σ 2 i<br />
n i<br />
= σ2 (q)<br />
N<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 93 / 95
ANALYSE DE L’ESTIMATEUR Ŷ .<br />
INTERVALLE DE CONFIANCE :<br />
[Nq i ]<br />
1 ∑<br />
√ (Y ij − θ i )<br />
[Nqi ]<br />
j=1<br />
en loi<br />
−→ N (0, σ 2 i )<br />
d’où<br />
√<br />
N<br />
(Ŷ − θ<br />
)<br />
= √ N<br />
≈<br />
K∑<br />
i=1<br />
⎛<br />
⎞<br />
K∑<br />
p i<br />
⎝ 1<br />
[Nq i ]<br />
∑<br />
(Y ij − θ i ) ⎠<br />
[Nq i ]<br />
i=1<br />
j=1<br />
⎛<br />
⎞<br />
p i<br />
√ ⎝√ 1<br />
[Nq i ]<br />
∑<br />
(Y ij − θ i ) ⎠<br />
qi [Nqi ]<br />
j=1<br />
Ainsi<br />
√<br />
N<br />
(Ŷ − θ<br />
) en loi<br />
−→ N (0, σ(q) 2 ).<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 93 / 95
ANALYSE DE L’ESTIMATEUR Ŷ .<br />
INTERVALLE DE CONFIANCE :<br />
Ainsi<br />
√<br />
N<br />
(Ŷ − θ<br />
) en loi<br />
−→ N (0, σ(q) 2 ).<br />
σ(q) 2 : estimé via<br />
N∑<br />
s 2 pi<br />
2 (q) = si 2 q , avec s i déviation standard <strong>de</strong> Y i1 , . . . , Y ini ;<br />
i<br />
ou<br />
i=1<br />
◮ N = mk, ki = q i k et n i = mk i ,<br />
◮<br />
◮<br />
Ŷ moyenne <strong>de</strong> m estimateurs Ŷi qui allouent une fraction q i<br />
d’observations pour la strate i et <strong>de</strong> taille k,<br />
Ŷi <strong>de</strong> variance σ(q) 2 /k et Ŷ <strong>de</strong> variance (σ(q)2 /k)/m.<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 93 / 95
RÉDUCTION DE VARIANCE <br />
◮ CAS PROPORTIONNEL.<br />
[<br />
σ 2<br />
N = 1 N (E(Y 2 ) − θ 2 ) = 1 K<br />
]<br />
∑<br />
p i E(Y 2 |X ∈ A i ) − θ 2<br />
N<br />
i=1<br />
[<br />
= 1 K<br />
]<br />
∑<br />
p i (σi 2 + θi 2 N<br />
) − θ2<br />
= 1 N<br />
i=1<br />
K∑<br />
p i σi 2 + 1 N<br />
i=1<br />
Ainsi : σ2<br />
N − Var (ŶProp) = 1 N<br />
K∑<br />
p i (θ i − θ) 2<br />
i=1<br />
K∑<br />
p i (θ i − θ) 2 .<br />
i=1<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 94 / 95
RÉDUCTION DE VARIANCE <br />
◮ CAS PROPORTIONNEL. Ainsi : σ2<br />
N − Var (ŶProp) = 1 N<br />
◮ OPTIMISATION.<br />
Trouver le minimum <strong>de</strong> σ 2 (q) =<br />
n 1 + . . . + n k = N.<br />
Optimum : qi ∗ = p iσ i<br />
.<br />
K∑<br />
p j σ j<br />
Ainsi<br />
j=1<br />
N∑<br />
i=1<br />
p 2 i<br />
q i<br />
σ 2 i<br />
j=1<br />
K∑<br />
p i (θ i − θ) 2 .<br />
i=1<br />
avec q i = n i /N et<br />
⎛ ⎞2<br />
Var (ŶOpt) = 1 K∑<br />
⎝ p j σ j<br />
⎠ = ¯σ2<br />
N<br />
N .<br />
Var (ŶProp) − Var (ŶOpt) = 1 N<br />
K∑ (<br />
p j σj − ¯σ ) 2 .<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 94 / 95<br />
j=1
RÉDUCTION DE VARIANCE <br />
◮ CAS PROPORTIONNEL. Ainsi : σ2<br />
N − Var (ŶProp) = 1 N<br />
◮ OPTIMISATION.<br />
K∑<br />
p i (θ i − θ) 2 .<br />
i=1<br />
Var (ŶProp) − Var (ŶOpt) = 1 N<br />
K∑ (<br />
p j σj − ¯σ ) 2 .<br />
j=1<br />
◮ CONCLUSION.<br />
σ 2<br />
N = σ2<br />
N − Var (ŶProp) + Var (ŶProp) − Var (ŶOpt) + ¯σ2<br />
⎡<br />
⎤<br />
N<br />
= 1 K∑<br />
K∑<br />
⎣ p i (θ i − θ) 2 (<br />
+ p j σj − ¯σ ) 2 + ¯σ<br />
2⎦ .<br />
N<br />
i=1<br />
j=1<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 94 / 95
EXEMPLE NUMÉRIQUE.<br />
OBJECTIF : calculer θ = E(Y ) = E( √ 1 − U 2 ), avec variable <strong>de</strong><br />
stratification X = U.<br />
Pour A i =]a i , b i ], Y i = ( √ 1 − U 2 |U ∈ A i ) obtenue via (U|U ∈ A i )<br />
uniforme sur A i .<br />
Choix : A 1 =]0, 1 K ], A 2 =] 1 K , 2 K ], . . . , A K =] K −1<br />
K , 1].<br />
p i = 1/K , n i = Np i = N/K .<br />
RÉSULTATS :<br />
N = 10000, K = 100.<br />
<strong>Monte</strong>-<strong>Carlo</strong> standard : θ = 0, 782 avec intervalle <strong>de</strong> confiance<br />
[0, 7775; 0, 7864]. Variance : 0,05.<br />
Échantillonnage stratifié : θ = 0, 7854 avec intervalle <strong>de</strong> confiance<br />
[0, 7853; 0, 7855]. Variance : 2, 65 × 10 −5 .<br />
A. Popier (Le Mans) Métho<strong>de</strong> <strong>de</strong> <strong>Monte</strong> <strong>Carlo</strong>. 95 / 95