Professional Documents
Culture Documents
INFO-F-305
Gianluca Bontempi
Dpartement dInformatique
Boulevard de Triomphe - CP 212
http://www.ulb.ac.be/di
Simulation statistique
Jusquici nos avons considr des modles dterministes. En ralit le
manque de connaissance, la procdure dabstraction accomplie
pendant la modlisation, les erreurs de mesures rendent souvent une
reprsentation dterministe de la ralit trop limite.
Il est important donc reprsenter lintrieur de notre modle
lincertitude et tre capable de la tenir en considration pendant la
simulation.
Le formalisme probabiliste a t souvent utilis dans les sciences pour
reprsenter et manipuler lincertitude.
Trouver une solution analytique dun modle probabiliste est souvent
impossible. Dans ces cas, la seule manire dtudier le systme est
donc la simulation.
Simuler un systme avec des paramtres ou des conditions initiales
probabilistes demande la capacit de gnrer des nombres selon une
distribution de probabilit.
On dfinit simulation statistique toute mthode qui utilise des squences
des nombres alatoires (ou random).
Modlisation et simulation p. 2/36
msure 1
paramtre 1
11.5
Simulateur
paramtre 2
2
?
msure 2
paramtre 3
Exemple
Supposons davoir une population dont la dcroissance est dcrite par
lquation diffrentielle
x = Kx,
x(0) = 10
o la quantit K < 0 nest pas connue de manire exacte mais qui peut
tre dcrite par une distribution de probabilit uniforme K U(4, 2).
Puisque K est alatoire, la quantit x(t) le sera aussi.
Supposons de vouloir rpondre aux questions suivants: Aura quelle
forme la distribution de la valeur x(t) pour t = 2? Sera-t-elle encore une
distribution uniforme? Quelle moyenne et/ou variance a-t-elle? Quelle
probabilit nous avons que x(t) soit entre .1 et .2?
Script MATLAB mc.m.
Histogramme de x(2)
500
450
400
350
300
250
200
150
100
50
0
0.05
0.1
0.15
0.2
A lac
(N N0 )
A terrain
=
N
un gnrateur de nombres
alatoires uniformment distribus sur lintervalle [0, 1].
Loi dchantillonnage:
Simulateur:
la simulation.
ensemble de techniques statistiques qui permettent de
tirer conclusions partir des donnes gnres par le simulateur.
Analyseur de loutput:
Estimateur derreur:
Fz (z) = Prob {z z}
(1)
dFz (z)
pz (z) =
dz
(2)
La probabilit dune v.a. continue nest pas dfinie pour des valeurs z
ponctuelles mais seulement pour des intervalles de valeurs
Prob {a < z < b} =
pz (z)dz,
a
pz (z)dz = 1
zp(z)dz
l
Variance:
2
=
Moments dordre r
(z )2 p(z)dz
l
:
r = E[z r ] =
z r p(z)dz
l
Echantillonnage
Estimation
= E[g(x)] =
g(x)p(x)dx
h i 2
=
Var
N
Dfinition conceptuelle:
Dfinition empirique:
Latout de cette dfinition est que la randomness dune squence peut tre
dtermine par des outils statistiques conventionnels (tests dhypothse,...).
Distribution correcte.
Longue priode.
Rptabilit.
Portabilit.
Efficacit.
i1
Tests daleatoiret
Supposons davoir gnr N nombres pseudo-alatoires xi par un
gnrateur uniforme.
Test des moments: si x U(0, 1) alors les trois premiers moments
devraient tre 1/2, 1/3 et 1/4, respectivement.
Test chi-carr: supposons de diviser lintervalle [0, 1] en s
sous-intervalles Ij de taille gale. Soit
cj = {#xi Ij },
j = 1, . . . , s
px (x)
dF
dx
Fonction de rpartition
Prenons comme fonction F (x) la fonction suivante
F (x) = Fx (x)
o Fx : R [0, 1] est la fonction de rpartition de x.
Puisque Fx (x) est une fonction monotone non dcroissante et
dy
dFx (x)
=
= px (x)
dx
dx
Nous obtenons
py (y) = 1
En dautres termes la variable y = Fx (x) est toujours distribue de
manire uniforme sur [0, 1] pour quelconque densit de probabilit px (x).
Ce rsultat a un rle cl pour la gnration dchantillons partir de
distributions autres que luniforme.
F(x)
1
u1
u2
x2
x1
Distribution uniforme
Fx (x) =
xa
ba
. Soit x E() et
Fx (x) = 1 ex
Mthode de rejection
Pour des distributions difficiles grer dun point vue analytique, von
Neumann a propos en 1951 un algorithme trs gnral et indirect
connu sous le nom de mthode de rejection
Cet algorithme permet dchantillonner une fonction px (x) de manire
indirecte en passant par une densit de probabilit h(x) telle que
Ch(x) px (x),
x X
avec C > 1.
Supposons de
1. savoir comment chantillonner la densit h(x).
2. savoir calculer la valeur de px (x) pour un x donn.
Lalgorithme de rejection
La mthode est compose des tapes suivantes
1. Tirer un chantillon u selon la distribution U(0, 1)
2. Tirer un chantillon y selon la distribution h(y), indpendante de u.
p(y)
, la mthode renvoie x = y, autrement elle rejette y et
3. Si u Ch(y)
passe ltape 1.
Exemple
Supposons de vouloir gnrer des nombres partir de la densit de
probabilit suivante
(
2x,
0x1
p(x) =
0,
ailleurs
par la mthode de rejection. Nous fixons h(x) = U(0, 1) et C = 2. Il sensuit
que
Ch(x) p(x)
x X
Lalgorithme de rejection effectue les tapes suivantes
1. Tirer un chantillon u selon la distribution U(0, 1)
2. Tirer un chantillon y selon la distribution U(0, 1), indpendante de u.
p(y)
3. Si u Ch(y)
= 2y
2 = y, la mthode renvoie x = y, autrement elle rejette
y et passe ltape 1.