Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles

de conance

Modlisation stochastique, Simulation

Stephan Robert, HEIG-Vd

8 octobre 2009

1 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Introduction Gnration de nombres pseudo-alatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

2 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Introduction

3 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Etapes pour la simulation

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Avec la simulation nous essayons de reproduire le comportement dun systme. Ensuite nous essayons destimer certaines caractristiques (performance par exemple). Modlisation du systme comme un processus stochastique dynamique Gnration de direntes (plusieurs) ralisations du processus stochastique laide de gnrateurs de nombres alatoires. Mesures des rsultats obtenus Analyse statistique et conclusions

4 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Alternatives la simulation (2)

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Chapitre prcdent : Analyse mathmatique Modliser le systme comme un processus stochastique (modes de transmission par exemple) Rsolution du modle laide doutils mathmatiques La phase de modlisation est prsente pour les deux approches. La prcision peut tre dirente pour les deux mthodes...

5 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Exemple : Date danniversaire

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Combien faut-il runir de personnes pour que la probabilit que deux personnes aient leur anniversaire le mme jour soit dau moins 0.5 ? Les gens sont numrotes de 1 n. Si n = 1 alors il y a 365 possibilits de dates danniversaire, quiprobables (admis). Si n = 2 il y a 3652 possibilits de dates danniversaire. Observation : Lorsque n = 2, il y a 365 possibilits que les dates danniversaire tombent sur le mme jour. Donc il a y 3652 365 possibilits pour que les dates danniversaire ne tombent pas en mme temps, ou 365 (365 1) = 365 364.

6 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Exemple : Date danniversaire (2)

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

En gnralisant : Probabilit que aucun anniversaire ne tombe en mme temps parmi n personnes : 365 364 363 . . . (365 n + 1) 365n Autrement dit la probabilit quau moins deux personnes aient leurs anniversaires en mme temps (pn ) est de pn = 1 365 364 363 . . . (365 n + 1) 365n

7 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Exemple : Date danniversaire, exemple numrique

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Exemple numrique :
n = 23, pn = 0.5073 n = 40, pn = 0.8912 n = 75, pn = 0.9997

Question : Comment rsoudre le problme avec une simulation ?

8 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Avantages-Inconvnients de la simulation
Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Avantages
Hypothses moins restrictives Le modle et les paramtres peuvent tre changs rapidement. Utilisation possible de mesures relles dans les simulations. Certains rsultats ne peuvent tre obtenus que par simulation

Dsavantages
Prend beaucoup de temps de calcul La validation prend du temps Les rsultats peuvent tre diciles interprter, les relations entre variables dicile tablir. Les rsultats peuvent tre inexacts, surtout si le temps de simulation est trop court ou si lanalyse est trop courte. Les simulations peuvent tre complexes.

9 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Avantages-Inconvnients des calculs analytiques

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Avantages
Les rsultats sont obtenus rapidement. Les rsultats du modle sont exacts. Donnent de bonnes indications sur le comportement du modle Optimisation possible (souvent dicile) Analyse souvent rapide.

Dsavantages
Hypothses souvent trop restrictives (par exemple : stationarit). Les calculs-preuves sont souvent trs diciles, voire impossible.

10 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Classication des types de simulations

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Classication gnrale
Temps discret, tats discrets. Temps discret, tats continus. Temps continu, tats discrets. Temps continu, tats continus.

Classication temporelle
Temps continu : Le temps de lordinateur est toujours discret. On prend des intervalles aussi petits que possible pour observer tous les changements dtats. Temps discret : On observe le systme des temps dtermins : t, t + t, .... Simulations vnements discrets : Focalisation sur le systme chaque fois quil se passe quelque chose. On a une liste dvnements.

11 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Programmes de simulation, implmentation

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance 2

Programme gnraux
C/C++ : Fonctionnent pour tout type de simulations, trs exibles, sans fonctions spciques pour la simulation. Matlab, Octave, ... : Principal inconvnient : Lenteur.

Programmes spcialiss dans le domaine des communications

Opnet : Rseaux en gnral ns-2 : Fiable, standard de facto dans le monde de la recherche.

12 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Gnration de nombres pseudo-alatoires

13 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Ralisations de variables alatoires

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Les ralisations sont bases sur un gnrateur de nombres pseudo-alatoires. Premier pas :
Gnration de nombres pseudo-alatoires uniformment distribus dans lintervalle [0, 1].

Deuxime pas : Passer de la distribution uniforme la distribution dsire.

Discrtization (loi de Bernoulli, binmiale, Poisson, Gomtrique) Une possibilit : transformation inverse Sinon : autres mthodes (pour la loi normale) ou mthode dacceptation et de rejet (o deux variables alatoires uniformment distribues dans lintervalle [0, 1] doivent tre gnres.
Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

14 / 39

Gnrateur de nombres alatoires

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Un gnrateur de nombres alatoires est un algorithme qui gnre des nombres pseudo-alatoires Gnrateur de nombres pseudo-alatoires ! ! ! Gnration de nombres entiers Zi dans lintervalle 0, 1, 2, 3, . . . , m 1. Remarques :
La squence gnre est priodique (avec pour but davoir la priode la plus grande possible !) Les nombres gnrs ne sont pas alatoires du tout ! mais compltement dterministes, do le nom pseudo. La squence gnre est dguise : On ne remarque pas quelle est dterministe ! Les nombres produits apparassent comme tant indpendants et uniformment distribus dans {0, 1, 2, 3, . . . , m 1}

Validation : Tests statistiques pour vrier lindpendance des nombres gnrs et luniformit de la distribution.
15 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Gnrateur de nombres alatoires (2)

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Caractristiques souhaites :
Rapide Peu complexe Portable Longs cycles Les nombres doivent tre indpendants Les nombres doivent avoir une distribution dnie

16 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Gnrateur congruentiel multiplicatif

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Le gnrateur congruentiel multiplicatif utilise lalgorithme suivant pour gnrer des nombres dans {0, 1, 2, 3, . . . , m 1} :

Zn = aZn1 mod m

Paramtres :
Z0 < m : graine. a, m : entiers positifs. Doivent tre choisis avec soin ! m : Nombre premier. Priode : m 1. a : Racine primitive modulo m. Exemple (Cray Research) : m = 248 et a = 44485709377909.
Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

17 / 39

Gnrateur congruentiel multiplicatif (2)

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Calcul de 19 7 modulo 23 : Calcul en arithmtique normale, par exemple 19 7 = 133 Diviser 133 par 23 : 5 (5 23 = 115), reste : 133 115 = 18, donc 19 7 mod 23 = 18. Exemple : Z0 = 7, a = 19 et m = 23 Z1 = 19 7 mod 23 = 133 mod 23 = (5 23 + 18) mod 23 = 18, Z2 = 19 18 mod 23 = 342 mod 23 = (322 + 20) mod 23 = 20, etc...

18 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Gnrateur congruentiel linaire

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Le gnrateur congruentiel linaire utilise lalgorithme suivant pour gnrer des nombres dans {0, 1, 2, 3, . . . , m 1} :

Zn = (aZn1 + c) mod m

Paramtres :
Z0 < m : graine. a, m, c : entiers positifs. Doivent tre choisis avec soin ! m et c sont premiers entre eux. Priode maximale : m 1. a 1 est divisible par tous les facteurs premiers de m et est un multiple de 4 si m est un multiple de 4.
Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

19 / 39

Gnrateurs pseudo-alatoires utiliss en pratique

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Valeurs utilises en pratique

Source ANSI C, BSD : rand() Apple NAG Cray Maple m 231 235 1 259 1 248 1012 11 a 1103515245 513 1313 44485709377909 427419669081 c 12345 0 0 0 0 x0 12345 1 232 + 1 1 1

Matlab (2007), Mapple : Mersene Twister

Remarque : Soit Zn le nombre gnr dans lintervalle {0, 1, 2, 3, . . . , m 1}, alors Zn /m est peu prs distribu uniformment dans lintervalle [0, 1] (selon les tests statistiques).

20 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Gnration de ralisations de variables alatoires

21 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Gnration de ralisations de variables alatoires

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Mthode de transformation inverse Variable alatoire discrte : F (xn ) =

n i=1 P (X

= xi )

22 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Gnration de ralisations de variables alatoires

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Mthode de transformation inverse : Algorithme pour une fonction de rpartition arbitraire.

Si U < p(x0 ) alors on xe X = x0 Si p(x0 ) U < p(x0 ) + p(x1 ) alors on xe X = x1 Si p(x0 ) + p(x2 ) U < p(x0 ) + p(x1 ) + p(x2 ) alors on xe X = x2 ... P 1 Pn Si n i=0 p(xi ) U < i=0 p(xi ) alors on xe X = xn

23 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Simulation de variables alatoires exponentielles

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Fonction de rpartition pour la loi exponentielle : F (x) = 1 ex En dveloppant : 1 x = ln(1 F (x)) En remplaant 1 F (x) par U (gnr par le gnrateur de nombres alatoires, = 1 U ) :
1 x = ln(U )

24 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Simulation de variables alatoires gaussiennes

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Mthode de Box-Miller : Les deux variables alatoires ci-dessous sont iid et normalement distribues :

X1 = X2 =

2 ln(U1 ) sin(2U2 ) N (0, 1) 2 ln(U1 ) cos(2U2 ) N (0, 1)

avec U1 , U2 gnrs dans [0, 1]. Pour obtenir une distribution de Y N (, 2 ) il sut de savoir que Y = + X avec X N (0, 1).

25 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Estimation de paramtres
(Introduction)

26 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

estimation de la moyenne et de la variance

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Hypothse : Les variables alatoires Xi sont iid, desprance mathmatique et de variance 2 , alors Estimation de la moyenne n = n = X
1 n n

Xi =
i=1

n1 n

n1 + X

Xn n1

Estimation de la variance (non biais)

2 = 2 = Sn n2 n1 1 n1 n

)2 = (Xi X
)2 (Xn X n2

i=1

V ar(Xn1 ) +

Convergence et proprits des estimateurs : On y reviendra !

27 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Intervalles de conance
(Rappels)

28 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Intervalles de conance : Gnralits

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Observation : lestimation nest jamais exacte. On construit donc un intervalle de conance dans lequel lestimation doit se trouver avec une probabilit donne (typiquement 0.9, 0.95, 0.99). Principe : Considrons un estimateur (variable alatoire !) T du paramtre qui a une certaine densit de distribution fT (). Alors nous pouvons construire un intervalle de conance : On xe un risque derreur , ou seuil de conance 1 de telle sorte ce que P (|T | c) = 1

29 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Intervalles de conance : Esprance mathmatique inconnue, variance connue

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Faisons lhypothse que les variables alatoires Xi , i = 1, . . . , n sont iid avec une esprance mathmatique inconnue, et une variance connue, 2 . Nous savons par le thorme central limite, pour n grand, que n X N (0, 1) / n

30 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Intervalles de conance : Esprance mathmatique inconnue, variance connue (2)

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

n et par : Remplaons T par X n | c) = 1 P (|X Ce qui est quivalent P( n | c |X )=1 / n / n

P (

c X c n ) = 1 / n / n / n

31 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Intervalles de conance : Esprance mathmatique inconnue, variance connue (3)

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Soit F (x) la fonction de rpartition de la loi normale rduite :

x

F (x) =

1 2 eu /2 du 2

En reprenant les calculs : F c / n F c / n =1

En remarquant que F (x) = 1 F (x), il vient F c / n 1F F c / n c / n 2 =1

=1

32 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Intervalles de conance : Esprance mathmatique inconnue, variance connue (4)

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

c / n

=1

c = F 1 1 2 / n Si Z reprsente la variable alatoire normale rduite, c = z1 2 / n ou . c = z1 2 n

33 / 39

et donc

Stephan Robert, HEIG-Vd

Modlisation stochastique, Simulation

Intervalles de conance : Esprance mathmatique inconnue, variance connue (5)

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

et donc

P (|T | z1 . ) = 1 2 n

Proposition : Lintervalle de conance pour lestimation de la moyenne avec un niveau de conance de (1 ) est donn par

z1 . X n 2
34 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Intervalles de conance : Esprance mathmatique inconnue, variance connue (6)

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

seuil de conance 80% 90% 95% 96% 98% 99% 99.9%

0.2 0.1 0.05 0.04 0.02 0.01 0.001

/2 0.1 0.05 0.025 0.02 0.01 0.005 0.0005

1 /2 0.9 0.95 0.975 0.98 0.99 0.995 0.9995

z1/2 1.28 1.645 1.960 2.05 2.33 2.58 3.291

35 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Intervalles de conance : Esprance mathmatique inconnue, variance inconnue

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Souvent nous ne connaissons ni lesprance mathmatique, ni la variance, qui peut cependant tre estime avec lestimateur de la variance, alors n X Student(n-1) Sn / n o (Student(n-1)) est une loi de Student (n-1) degrs de libert (tend vers la loi normale que n devient grand !).

36 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Intervalles de conance : Esprance mathmatique inconnue, variance inconnue (2)

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Avec un raisonnement identique au prcdent, nous pouvons construire un intervalle de conance pour estimer : Proposition : Lintervalle de conance pour lestimation de la moyenne avec un niveau de conance de (1 ) est donn par

tn1,1 . X n 2

o les valeurs de tn1,1 sont donnes par la loi de Student. 2 Remarque : Pour n 30 , tn1,1 sera remplac par z1/2 . 2

37 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation

Table de Student (Wikipdia)

Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance n 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 75% 80% 85% 90% 1.000 1.376 1.963 3.078 0.816 1.061 1.386 1.886 0.765 0.978 1.250 1.638 0.741 0.941 1.190 1.533 0.727 0.920 1.156 1.476 0.718 0.906 1.134 1.440 0.711 0.896 1.119 1.415 0.706 0.889 1.108 1.397 0.703 0.883 1.100 1.383 0.700 0.879 1.093 1.372 0.697 0.876 1.088 1.363 0.695 0.873 1.083 1.356 0.694 0.870 1.079 1.350 0.692 0.868 1.076 1.345 0.691 0.866 1.074 1.341 0.690 0.865 1.071 1.337 0.689 0.863 1.069 1.333 0.688 0.862 1.067 1.330 0.688 0.861 1.066 1.328 0.687 0.860 1.064 1.325 0.686 0.859 1.063 1.323 0.686 0.858 1.061 1.321 0.685 0.858 1.060 1.319 0.685 0.857 1.059 1.318 0.684 0.856 1.058 1.316 0.684 0.856 1.058 1.315 0.684 0.855 1.057 1.314 0.683 0.855 1.056 1.313 0.683 0.854 1.055 1.311 0.683 0.854 1.055 1.310 Stephan Robert, HEIG-Vd 0.681 0.851 1.050 1.303 95% 97.5% 99% 99.5% 6.314 12.71 31.82 63.66 2.920 4.303 6.965 9.925 2.353 3.182 4.541 5.841 2.132 2.776 3.747 4.604 2.015 2.571 3.365 4.032 1.943 2.447 3.143 3.707 1.895 2.365 2.998 3.499 1.860 2.306 2.896 3.355 1.833 2.262 2.821 3.250 1.812 2.228 2.764 3.169 1.796 2.201 2.718 3.106 1.782 2.179 2.681 3.055 1.771 2.160 2.650 3.012 1.761 2.145 2.624 2.977 1.753 2.131 2.602 2.947 1.746 2.120 2.583 2.921 1.740 2.110 2.567 2.898 1.734 2.101 2.552 2.878 1.729 2.093 2.539 2.861 1.725 2.086 2.528 2.845 1.721 2.080 2.518 2.831 1.717 2.074 2.508 2.819 1.714 2.069 2.500 2.807 1.711 2.064 2.492 2.797 1.708 2.060 2.485 2.787 1.706 2.056 2.479 2.779 1.703 2.052 2.473 2.771 1.701 2.048 2.467 2.763 1.699 2.045 2.462 2.756 1.697 2.042 2.457 2.750 Modlisation stochastique, Simulation 1.684 2.021 2.423 2.704 99.75% 127.3 14.09 7.453 5.598 4.773 4.317 4.029 3.833 3.690 3.581 3.497 3.428 3.372 3.326 3.286 3.252 3.222 3.197 3.174 3.153 3.135 3.119 3.104 3.091 3.078 3.067 3.057 3.047 3.038 3.030 2.971

38 / 39

99.9% 318.3 22.33 10.21 7.173 5.893 5.208 4.785 4.501 4.297 4.144 4.025 3.930 3.852 3.787 3.733 3.686 3.646 3.610 3.579 3.552 3.527 3.505 3.485 3.467 3.450 3.435 3.421 3.408 3.396 3.385 3.307

Observations
Outline Introduction Gnration de nombres pseudoalatoires Gnration de ralisations de variables alatoires Estimation de paramtres (moyenne, variance, corrlation) Intervalles de conance

Les rsultats sont plus prcis (lintervalle de conance se rduit) lorsque

le nombre de simulations n augmente la variance de chaque simulation est rduite, soit en laissant la simulation tourner plus longtemps ou en utilisant des techniques de rduction de variance ( voir dans le chapitre estimation).

Etant donn une prcision voulue pour les rsultats, il est possible de dterminer le nombre de simulations quil faut eectuer. Suite au prochain pisode :-).... Well be back !

39 / 39 Stephan Robert, HEIG-Vd Modlisation stochastique, Simulation