Université Paris Dauphine U.F.R. Mathématiques de la Décision / MD3 Mat-6-3 — NOISE Année 2007-2008 Méthodes de simulation de variables aléatoires 1 Loi des grands nombres Nous considérons une variable aléatoire X suivant une loi de Cauchy C (0, 1) de densité f (x) = 1 1 π 1 + x2 sur R. 1 Montrer que l’on peut simuler des réalisations de X à l’aide de l’algorithme de BoxMüller de simulation de lois normales grâce à la proprièté suivante : si X1 , X2 ∼ N (0, 1) , alors X1 /X2 ∼ C (0, 1) . 2 Étudier l’évolution de la moyenne empirique Xn = n 1 X Xi n iid Xi ∼ C (0, 1) i=1 quand n ≥ 1 croit. Montrer que la loi C (0, 1) n’a pas de moyenne. 3 Construire une expérience de Monte Carlo pour montrer empiriquement que X n a aussi une loi de Cauchy C (0, 1), quel que soit n ≥ 1. 2 Slice sampler Nous considérons une variable aléatoire X suivant une loi exponentielle de paramètre λ = 1. Créer une fonction R permettant de simuler des réalisations de X à l’aide de l’algorithme Slice Sampler. 3 L’algorithme de Hastings-Metropolis 1 Nous considérons une variable aléatoire gaussienne X centrée réduite. Créer une fonction R permettant de simuler des réalisations de X à l’aide de l’algorithme de HastingMetropolis à marche aléatoire. 2 Nous considérons une variable aléatoire X suivant une loi inverse-gaussienne de pa3 ramètre θ1 = et θ2 = 2. La densité de X est donnée à une constante multiplicative près 2 par : 3 2 −3/2 x exp − x − 1x>0 . 2 x Créer une fonction R permettant de simuler des réalisations de X. Nous proposons d’utiliser l’algorithme de Hasting-Metropolis r avec comme propositions successives 4 et β = 1 ou une loi gamma de indépendantes une loi gamma de paramètre α = 3 r 1 4 1 paramètre α = et β = . 2 3 2 4 Simulation de vecteurs aléatoires gaussiens 2 Nous considérons un vecteur aléatoire gaussien Y =(Y1 , Y2 ) à valeurs dans R d’espérance 3 1 (1, 3) et de matrice de variance-covariance . 1 1 1 Créer une fonction R permettant de simuler n réalisations indépendantes de Y . 2 Vérifier empiriquement que, lorsque nous simulons Y , les réalisations marginales de Y1 et Y2 suivent bien des lois normales dont on précisera les espérances et les variances. 5 Simulation de lois normales tronquées Nous considérons une variable aléatoire gaussienne X centrée réduite contrainte au support [a, b] avec 0 < a < b. 1 Donner la densité de cette variable aléatoire en précisant la constante de normalisation et tracer en R la probabilité P (Y ∈ [a, b]) lorsque Y ∼ N (0, 1) et (a, b) varie. 2 Discuter de la pertinence de l’algorithme qui consiste à simuler Y ∼ N (0, 1) jusqu’à ce que Y ∈ [a, b]. 3 Proposer une méthode d’acceptation-rejet fondée sur une loi exponentielle E (λ) translatée de a. Optimiser en λ et écrire une fonction R idoine.