MÃ©thode de Monte Carlo. - UniversitÃ© du Maine

More documents

Recommendations

Info

NOMBRES PSEUDO-ALÉATOIRES. Simuler la loi uniforme consistera à produire par un algorithme des suites finies de nombres que nous pouvons considérer comme autant de réalisations indépendantes de variables aléatoires uniformes sur [0, 1]. Mathématiquement les n sorties successives d’un tel générateur seront considérées comme la donnée de U 1 (ω), . . . , U n (ω) pour un ω ∈ Ω où les U i sont des v.a.r. U i : (Ω, F, P) → [0, 1] de loi uniforme. Matlab permet de simuler la loi uniforme via la fonction rand, qui renvoie un nombre « aléatoire » compris entre [0, 1]. A. Popier (Le Mans) Méthode de Monte Carlo. 24 / 95
NOMBRES PSEUDO-ALÉATOIRES. Intéressons nous au nombre 0, 950129285147175. C’est par défaut le premier nombre produit par la fonction rand de Matlab. Pour cela redémarrer Matlab, et exécuter les commandes ✞ format long rand ✝ Si tous les utilisateurs de Matlab trouvent toujours ce même nombre il ne peut être qualifié d’aléatoire. D’ailleurs il ne l’est pas. ☎ ✆ A. Popier (Le Mans) Méthode de Monte Carlo. 25 / 95
Page 1 and 2: MÉTHODE DE MONTE CARLO. Alexandre
Page 3 and 4: BUT : CALCUL D’ESPÉRANCE. Soient
Page 5 and 6: PLAN 1 MÉTHODE DE MONTE CARLO 2 PR
Page 7 and 8: MÉTHODE DE MONTE CARLO. MÉTHODE P
Page 9 and 10: LOI DE PARETO (0,5) PAS D’ESPÉRA
Page 11 and 12: INTERVALLE DE CONFIANCE. TCL : µ =
Page 13 and 14: ESTIMATION DE LA VARIANCE. On estim
Page 15 and 16: LOI EXPONENTIELLE (2) (ESPÉRANCE 1
Page 17 and 18: PARETO (1,5) (ESPÉRANCE 3, PAS DE
Page 19 and 20: MÉTHODE DE MONTE CARLO : REMARQUES
Page 25: SUITES ALÉATOIRES. D.H. Lehmer (19
Page 29 and 30: ALGORITHMES PAR CONGRUENCE (LEHMER,
Page 31 and 32: ALGORITHMES PAR CONGRUENCE (LEHMER,
Page 33 and 34: ALGORITHME « MERSENNE TWISTER ».
Page 37 and 38: V.A. À DENSITÉ. DÉFINITION Une v
Page 39 and 40: V.A. DISCRÈTES. DÉFINITION Une v.
Page 43 and 44: EXEMPLES. Si U suit une loi uniform
Page 45 and 46: LOI UNIFORME. ✞ ☎ function r e
Page 49 and 50: LOI GÉOMÉTRIQUE. DÉFINITION Une
Page 51 and 52: LOI DE POISSON. DÉFINITION Une v.a
Page 53 and 54: QUELLES VÉRIFICATIONS DEUX TYPES
Page 55 and 56: HISTOGRAMME VS. DENSITÉ. CONVERGEN
Page 57 and 58: EXEMPLE SUR LA LOI EXPONENTIELLE(2)
Page 59 and 60: EXEMPLE SUR LA LOI DE BERNOULLI(0.3
Page 63 and 64: MÉTHODE DE REJET. MÉTHODE Soit (X
Page 67 and 68: LOI NORMALE : MÉTHODE POLAIRE. Pou
Page 69 and 70: LOI NORMALE : MÉTHODE POLAIRE. A.
Page 71 and 72: LOI UNIFORME SUR LE DISQUE. A. Popi
Page 75 and 76: DEUX EXEMPLES. EXEMPLE PLUS CONCRET
Page 77 and 78:
PLAN 1 MÉTHODE DE MONTE CARLO 2 PR
Page 79 and 80:
VARIABLES ANTITHÉTIQUES UNIFORMES.
Page 81 and 82:
Page 83 and 84:
Page 85 and 86:
EXEMPLE : OPTION KNOCK-IN. CONTRAT
Page 87 and 88:
VARIABLES DE CONTRÔLE. BUT : calcu
Page 89 and 90:
MMC AVEC VARIABLE DE CONTRÔLE. MÉ
Page 91 and 92:
UN EXEMPLE. ÉNONCÉ Calculer θ =
Page 93 and 94:
LE PROGRAMME (MMC). ✞ n=5000; u=r
Page 95 and 96:
Page 97 and 98:
Page 99 and 100:
EXEMPLE. X suit une loi normale de
Page 101 and 102:
RETOUR SUR L’EXEMPLE. X ∼ N (0,
Page 103 and 104:
RETOUR SUR L’EXEMPLE. A. Popier (
Page 105 and 106:
CHOIX DE LA FONCTION D’IMPORTANCE
Page 107 and 108:
Page 109 and 110:
GÉNÉRALISATION. ◮ STRATIFICATIO
Page 111 and 112:
ANALYSE DE L’ESTIMATEUR Ŷ . NOTA
Page 113 and 114:
ANALYSE DE L’ESTIMATEUR Ŷ . INTE
Page 115 and 116:
RÉDUCTION DE VARIANCE ◮ CAS PRO
Page 117:
EXEMPLE NUMÉRIQUE. OBJECTIF : calc
show all

MÃ©thode de Monte Carlo. - UniversitÃ© du Maine

Create successful ePaper yourself

Delete template?

Save as template?