Présentation

Article

1 - PRÉSENTATION DES MÉTHODES DE MONTE CARLO

2 - PRINCIPES DE BASE

  • 2.1 - Calcul de sommes et intégrales
  • 2.2 - Simulation à événements discrets
  • 2.3 - Simulation de processus stochastiques
  • 2.4 - Méthodes de Monte Carlo et problèmes de comptage
  • 2.5 - MCMC
  • 2.6 - Méthodes de Monte Carlo et résolution d'équations
  • 2.7 - Méthodes de Monte Carlo et problèmes d'optimisation

3 - ANALYSE DE LA PRÉCISION

  • 3.1 - Intervalles de confiance
  • 3.2 - Réplications indépendantes
  • 3.3 - Réplications/délétions
  • 3.4 - Méthodes régénératives
  • 3.5 - Estimations par blocs
  • 3.6 - Techniques utilisant les séries temporelles
  • 3.7 - Bootstrap

4 - TECHNIQUES D'ACCÉLÉRATION

  • 4.1 - Efficacité
  • 4.2 - Cas des événements rares
  • 4.3 - Réduction de la variance
  • 4.4 - Réduction du temps de calcul

5 - GÉNÉRATION DE NOMBRES PSEUDO-ALÉATOIRES

  • 5.1 - Génération d'une suite i.i.d., uniforme sur [0, 1]
  • 5.2 - Génération d'autres lois

6 - MÉTHODES DE QUASI-MONTE CARLO

  • 6.1 - Principes
  • 6.2 - Exemples de suites à discrépance faible
  • 6.3 - Randomized QMC

Article de référence | Réf : AF600 v1

Techniques d'accélération
Simulations et méthodes de Monte Carlo

Auteur(s) : Gerardo RUBINO, Bruno TUFFIN

Relu et validé le 19 nov. 2019

Pour explorer cet article
Télécharger l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !

Sommaire

Présentation

Version en anglais En anglais

RÉSUMÉ

Les méthodes de Monte Carlo sont indispensables dans des domaines aussi variés que la finance, les télécommunications, la biologie ou encore les sciences sociales. Elles permettent de résoudre des problèmes centrés sur un calcul à l’aide du hasard. Cet article effectue une présentation de ces méthodes, au travers dans un premier temps des principes de base (calcul de sommes et intégrales, simulation à évènements discrets, etc.). Dans un second temps, une analyse de la précision de ces méthodes est proposée : elle aborde notamment les intervalles de confiance, les réplications indépendantes, les estimations par blocs, etc.

Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.

Lire l’article

ABSTRACT

Simulations and Monte Carlo methods

Monte Carlo methods are essential in domains as varied as finance, telecommunications, biology or even social sciences. They allow for solving problems centered on random calculation. This article firstly presents these methods via their basic principles (calculation of sums and integrals, discrete event simulation, etc.). An analysis of the precision of these methods is then provided; it notably deals with confidence intervals, independent replications, block estimates, etc.

Auteur(s)

  • Gerardo RUBINO : Directeur de recherche - Institut national de recherche en informatique et en automatique (INRIA) - Institut de recherche en informatique et systèmes aléatoires (IRISA), Rennes

  • Bruno TUFFIN : Chargé de recherche, INRIA, IRISA, Rennes

INTRODUCTION

Les méthodes de simulation Monte Carlo peuvent être vues comme des méthodes d'approximation, même s'il s'agit d'approximations au sens statistique du terme. Il n'y a pas un consensus absolu sur une définition précise de ce qu'est une technique de type Monte Carlo, mais la description la plus habituelle consiste à dire que les méthodes de ce type se caractérisent par l'utilisation du hasard pour résoudre des problèmes centrés sur un calcul. Elles sont en général applicables à des problèmes de type numérique, ou bien à des problèmes de nature elle-même probabiliste.

Du point de vue des applications, ces méthodes sont aujourd'hui indispensables dans des domaines aussi variés et différents que la finance, la mise au point de nouveaux microcomposants électroniques, la sismologie, les télécommunications, en ingénierie ou en physique, mais aussi en biologie, en sciences sociales, etc. Par exemple, en chimie, en physique, ou même en biologie, de nombreux problèmes exigent l'analyse des propriétés dynamiques d'un nombre tellement grand d'objets (particules atomiques, atomes, molécules ou macromolécules), que ceci ne peut se faire que par des techniques de type Monte Carlo.

Cet article est réservé aux abonnés.
Il vous reste 94% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

DOI (Digital Object Identifier)

https://doi.org/10.51257/a-v1-af600


Cet article fait partie de l’offre

Mathématiques

(166 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

Version en anglais En anglais

4. Techniques d'accélération

On adresse ici la notion de coût d'une méthode de type Monte Carlo, c'est-à-dire de complexité des procédures de calcul, et, plus spécifiquement, de leur efficacité. En particulier, nous décrivons des méthodes générales pour l'améliorer (voir aussi [6] pour plus de détails).

4.1 Efficacité

Pour comparer l'efficacité de deux méthodes différentes de Monte Carlo, on regarde à la fois les variances des deux estimateurs et les temps de calcul correspondants. Si l'on désigne par et deux estimateurs différents de Monte Carlo, par et leurs variances respectives et par t1 et t2 les temps de calcul nécessaires pour les obtenir, l'efficacité de l'estimateur est définie par :

On dira que l'estimateur le plus efficace sera celui qui donnera le produit le plus petit, c'est-à-dire celui qui atteindra le plus rapidement une précision désirée pour un temps de simulation donné [8].

HAUT DE PAGE

4.2 Cas des événements rares

Les événements rares interviennent, et sont critiques, dans de nombreux domaines : en fiabilité des systèmes...

Cet article est réservé aux abonnés.
Il vous reste 94% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Mathématiques

(166 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS

Lecture en cours
Techniques d'accélération
Sommaire
Sommaire

BIBLIOGRAPHIE

  • (1) - BUCKLEW (J.A.) -   Introduction to Rare Event Simulation  -  . Springer-Verlag, New York (2004).

  • (2) - CANCELA (H.), RUBINO (G.), TUFFIN (B.) -   New measures of robustness in rare event simulation  -  . In F.B. Armstrong, M.E. Kuhl, N.M. Steiger and J.A. Joines (éd.), Proceedings of the 2005 Winter Simulation Conference, 519-527 (2005).

  • (3) - CHENG (R.C.H.), DAVENPORT (T.) -   The problem of dimensionality in stratified sampling  -  . Management Science, 35(11), 1278-1296 (1989).

  • (4) - DEVROYE (L.) -   Non-Uniform Random Variate Generation  -  . Springer-Verlag (1986).

  • (5) - FISHMAN (G.S.), HUANG (B.D.) -   Antithetic Variates Revisited  -  . Communications of the ACM, 26(11), 964-971 (1983).

  • (6) - FISHMAN (G.S.) -   Monte Carlo : Concepts, Algorithms and Applications  -  . Springer-Verlag (1996).

  • ...

Cet article est réservé aux abonnés.
Il vous reste 92% à découvrir.

Pour explorer cet article
Téléchargez l'extrait gratuit

Vous êtes déjà abonné ?Connectez-vous !


L'expertise technique et scientifique de référence

La plus importante ressource documentaire technique et scientifique en langue française, avec + de 1 200 auteurs et 100 conseillers scientifiques.
+ de 10 000 articles et 1 000 fiches pratiques opérationnelles, + de 800 articles nouveaux ou mis à jours chaque année.
De la conception au prototypage, jusqu'à l'industrialisation, la référence pour sécuriser le développement de vos projets industriels.

Cet article fait partie de l’offre

Mathématiques

(166 articles en ce moment)

Cette offre vous donne accès à :

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques

Des services

Un ensemble d'outils exclusifs en complément des ressources

Un Parcours Pratique

Opérationnel et didactique, pour garantir l'acquisition des compétences transverses

Doc & Quiz

Des articles interactifs avec des quiz, pour une lecture constructive

ABONNEZ-VOUS