projet 2017 2018 monte carlo

Telechargé par Chadha Mhalla
Université Paris Dauphine
Département MIDO
Master 1 – Méthodes de Monte Carlo
2017–2018
Projet RPython
Méthodes de Monte Carlo
stoehr@ceremade.dauphine.fr
Préliminaires.
Vérifiez que vous et votre binôme êtes inscrit-e-s sur la plateforme MyCourse (accessible
via l’ENT) au cours M1 Maths_2017-2018_Méthodes de Monte Carlo_Julien Stoehr.Au-
cune remise de projet ne sera acceptée par e-mail! La procédure de dépôt se fera obliga-
toirement sur la plateforme MyCourse.
Renseignez, avant le 4 décembre, votre nom et celui de votre binôme à l’adresse : https:
//goo.gl/forms/c38mPnXCRzBQowJ83.
À rendre avant le 08 janvier 2018
Consignes
Sont à rendre : un rapport au format .pdf et un script contenant l’ensemble des codes
utilisés. Les différents documents peuvent être archivés au format .zip.
Chaque jour de retard sera pénalisé d’un point.
Le rapport :
il contiendra les réponses aux différentes questions ainsi que des commentaires sur les
expériences menées. Une rédaction soignée et concise sera appréciée.
Les graphiques doivent être soigneusement annotés et présentés (titre, couleur, légendes,
...).
Vous pourrez ajouter du pseudo-code pour expliquer les différents algorithmes. Néan-
moins, il est strictement interdit de copier-coller les vrais codes dans le rapport.
Le code :
les languages autorisés sont Ret Python.
Les codes doivent être bien commentés. Il est possible qu’une explication orale de votre
travail vous soit demandée.
Les codes doivent être optimisés (vectorisés) un minimum pour utiliser les spécificités du
language.
Les codes fournis doivent s’exécuter sans erreurs et permettre de reproduire l’intégralité
des résultats présentés dans le rapport.
1
Projet Méthodes de Monte Carlo
Exercice.
Objectifs. On considère X=(X1,X2) une variable aléatoire de R2admettant une densité f1pro-
portionnelle à
˜
f1(x1,x2)=expÃ1
2(x2
1
4+x2
2)!1{|x2|≤1},
et Y=(Y1,Y2) une variable aléatoire de R2admettant une densité f2proportionnelle à
˜
f2(y1,y2)=©cos2(y1)+0.5sin2(3y2)cos4(y1)ªexpÃ1
2(y2
1
4+y2
2)!.
Les objectifs de ce projet sont :
1. simuler des réalisations suivant les lois de densités f1et f2,
2. estimer par des méthodes de Monte Carlo et des méthodes de Monte Carlo par Chaîne de
Markov des quantités de la forme E[h(X)]et E[h(Y)]pour des fonctions hparticulières.
Partie I Algorithme du rejet
On souhaite simuler suivant une loi de densité fdéfinie sur R2. On peut écrire f, pour tout xR2, sous
la forme, f(x)=c˜
f(x), avec cune constante positive. On suppose qu’il existe existe une densité get une
constante M0 telle que pour tout xR2,
˜
f(x)M g (x).
1. Justifiez que pour obtenir une réalisation suivant la loi de densité f, on peut appliquer l’algorithme
du rejet à ˜
f.
2. Trouvez des constantes M1,M2, et une densité gtelles que, pour tout x=(x1,x2)R2
˜
f1(x)M1g(x) et ˜
f2(x)M2g(x).
3. En déduire une méthode de simulation suivant les densités f1et f2.
4. Comparer les densités marginales empiriques d’un échantillon suivant la loi de densité f1avec les
densités marignales théoriques de f1.
Indication. On pourra calculer la constante de normalisation de f1en fonction de la fonction de
répartition Φde la loi normale N(0,1).
Partie II Retour sur les méthodes de réduction de variance
Pour chacune des méthodes ci-dessous, vous proposerez une expérience de Monte-Carlo permettant
d’étudier la convergence en fonction du nombre de réalisations de la loi de densité f1ou f2.
2
Projet Méthodes de Monte Carlo
Premier cas. On souhaite calculer pour X=(X1,X2) de densité f1,
p=P£eX1+eX25¤
1. Proposer une estimation de ppar :
(a) la méthode de Monte Carlo classique,
(b) la méthode des variables antithétiques,
(c) la méthode de la variable de contrôle,
Indication. On pourra considérer PνhpeX1+X2Ki.
(d) la méthode de stratification avec allocation proportionnelle.
Indication. On pourra partionner suivant x1en utilisant le principe utilisé dans le TP n°3.
2. Commenter les différents résultats obtenus.
Second cas. On souhaite calculer
I=ZR2cos(y1y2)sin(y1)exp©sin(y1+y2)ªf2(y1,y2)dy1dy2.
3. Proposer une estimation de Ipar :
(a) la méthode de Monte Carlo classique,
(b) la méthode des variables antithétiques.
4. Commenter les différents résultats obtenus.
Partie III Recyclage dans l’algorithme du rejet
L’algorithme d’acceptation-rejet génère Nréalisations suivant la densité instrumentale g, pour en ac-
cepter T,¡X(1),...,X(T)¢, distribuées suivante la loi d’intérêt f, et en rejeter NT,¡Z(1),...,Z(NT)¢. Dans
la suite, on considère que le nombre de réalisations Nsuivant gest fixé alors que Test une quantité
aléatoire. On suppose de plus que get Msont telles que ©xsupp(f) : f(x)=M g (x)ªest de mesure
nulle.
1. Donner la densité des Z(i),i=1,..., NT, conditionnellement à T.
Dans la suite, on raisonne conditionnellement à T=t(t6=0 et t6= N). On considère les suites ¡X(1),...,X(t)¢
et ¡Z(1),...,Z(Nt)¢et on définit, lorsque cela a un sens,
δ1=1
t
t
X
i=1
h³X(i)´, et δ2=1
Nt
Nt
X
i=1
h³Z(i)´(M1)f¡Z(i)¢
M g ¡Z(i)¢f¡Z(i)¢.
2. Montrer que δ1et δ2sont des estimateurs sans biais de Ef[h(X)].
3. Montrer que les variables aléatoires δ1et δ2sont indépendantes et déterminer la variance de δ(α)=
αδ1+(1α)δ2.
3
Projet Méthodes de Monte Carlo
4. En déduire un choix optimal de α,α?, et expliquer comment s’opère l’approximation de α?en pra-
tique.
5. Proposer une expérience de Monte-Carlo comparant, en fonction de N, la convergence de δ1,δ2et
α?δ1+(1α?)δ2(attention au choix de Met g) vers p=P£eX1+eX25¤:
(a) pour X=(X1,X2) de densité f1;
(b) pour X=(X1,X2) de densité proportionnelle à ˜
f3(x1,x2)=expn1
2³x2
1
4+x2
2´o(1{|x2|≤1}+0.5).
(c) Commenter les différents résultats obtenus. Commenter notamment les performances de ces
estimateurs à nombre de simulations fixé avec les estimateurs à taille d’échantillon fixé.
Partie IV Algorithme de Metropolis–Hastings
L’indépendance n’est pas une propriété nécessaire pour l’approximation de fonctionnelles de la forme
E[h(X)]avec Xune variable aléatoire de loi de densité f. Le théorème ergodique nous permet, en effet,
d’élargir la loi des grands nombres au cas des chaînes de Markov, ¡x(t)¢t1irréductibles, apériodiques et
de loi stationnaire de densité f, au sens où
1
T
T
X
t=1
h¡x(t)¢p.s.
T→+∞
E[h(X)]. (1)
Les méthodes de Monte Carlo par chaîne de Markov sont particulièrement utiles lorsque la loi station-
naire n’est connue qu’à une constante de normalisation près.
Un exemple de construction générique de chaîne de Markov vérifiant ces propriétés est l’algorithme de
Metropolis–Hastings indépendant. Il est fondé sur le choix d’une loi instrumentale de densité g,partout
positive, et sur le noyau de transition suivant
x(t+1) =
ξgavec probabilité α¡x(t),ξ¢
x(t)avec probabilité 1α¡x(t),ξ¢
avec
α¡x(t),ξ¢=min(1, f(ξ)
f¡x(t)¢
g¡x(t)¢
g(ξ)).
On admettra que la loi de densité fest une loi stationnaire pour cette transition.
1. À l’aide de l’algorithme de Metropolis–Hastings et en utilisant la fonction gobtenue à la question
2, produire une chaîne de Markov (xt)tN=¡x(t)
1,x(t)
2¢de loi stationnaire f1et une chaîne de Markov
¡yt¢tN=¡y(t)
1,y(t)
2¢de loi stationnaire f2.
2. Étudier, par une expérience de Monte-Carlo, la convergence de l’approximation (1) vers les quantités
pet I.
3. Commenter les différents résultats obtenus.
4
1 / 4 100%
La catégorie de ce document est-elle correcte?
Merci pour votre participation!

Faire une suggestion

Avez-vous trouvé des erreurs dans linterface ou les textes ? Ou savez-vous comment améliorer linterface utilisateur de StudyLib ? Nhésitez pas à envoyer vos suggestions. Cest très important pour nous !