Académique Documents
Professionnel Documents
Culture Documents
Département MIDO
Master 1 – Méthodes de Monte Carlo
1. Les enseignants présents lors de l’épreuve ne peuvent communiquer que sur les fautes d’énoncé
potentielles. Toute autre question durant la composition ne sera pas acceptée.
2. Les étudiants sont tenus de se lever au moment de l’annonce de fin de la composition. En cas
de refus, le responsable de l’UE sera fondé à ne pas prendre en compte la copie incriminée.
3. L’identification des copies et intercalaires doit avoir été faite au moment de la remise de chaque
copie par les enseignants et surveillants. Il ne sera pas accordé de délai pour cette raison en fin
d’épreuve.
Les différents exercices/parties sont indépendants et peuvent être traités dans l’ordre de votre
choix. En particulier, ne restez pas bloqué trop longtemps sur une question.
en simulant X1 , . . . , Xn des variables aléatoires i.i.d. de densité f par la méthode du rejet. Pour ce faire,
on a dû simuler Y1 , . . . , Yn+T , avec Yn+T = Xn , un nombre aléatoire de variables aléatoires de densité g
satisfaisant :
1. Donner, avec démonstration, la loi des variables aléatoires Z1 , . . . , ZT ayant été rejetées, condition-
nellement à T = t .
n −1 t M g (y) − f (y)
ψ(y) = f (y) + .
n +t −1 n +t −1 M −1
3. Montrer que
" © ª ¶−1 #
1 n+t
X−1
µ
t M g (Yk ) − f (Yk )
h(Yn+t ) + 1+ h(Yk )
n k=1 (n − 1)(M − 1) f (Yk )
1
Examen Méthodes de Monte Carlo
Exercice 2 (3 pts). Soit I = E [h(U )] où U est une variable aléatoire de loi uniforme sur [0 , 1] et h une
fonction de carré intégrable. On considère U1 , . . . ,U N des variables aléatoires i.i.d. suivant la loi uni-
forme sur [0 , 1]. h i
1. Montrer que k−1+U
N , k = 1, . . . , N , est distribuée suivant la loi conditionnelle de U sachant U ∈ k−1 k
N , N .
1 XN µ
k − 1 +Uk
¶
h
N k=1 N
3. Cet estimateur est-il plus efficace en terme de variance que l’estimateur de Monte Carlo classique ?
Exercice 3 (17 pts). Soient X et Y des variables aléatoires réelles. L’objectif est de calculer à l’aide de
méthodes de Monte Carlo :
p = P [X + Y ≥ t ], t ∈ R.
Partie 1 – 10 pts
Dans cette partie, les variables aléatoires X et Y sont indépendantes et ont pour fonction de répartition
respective F et G. On suppose que les inverses généralisés de F et G, notés respectivement F −1 et G −1 ,
sont numériquement facilement calculables et que l’on dispose d’un générateur aléatoire suivant la loi
uniforme sur [0 , 1].
1. Donner le pseudo-code (i.e., l’algorithme sans utiliser un langage de programmation particulier) qui
permet d’obtenir n réalisations i.i.d. du couple (X , Y ) à partir du générateur uniforme sur [0 , 1].
Conditionnement.
4. Montrer que p = E [1 −G(t − X )].
h i
5. En déduire un nouvel estimateur pbn(2) de p et montrer que Var pbn(2) ≤ Var pbn .
£ ¤
2
Examen Méthodes de Monte Carlo
6. Commenter le coût de calcul de pbn(2) , notamment en comparaison des estimateurs précédents. Quelle
limite voyez-vous à cet estimateur ?
Dans cette partie, on considère X = e V1 et Y = e V2 avec (V1 ,V2 ) un vecteur gaussien centré tel que
Var[V1 ] = Var[V2 ] = 1 et Cov[V1 ,V2 ] = ρ, avec |ρ| ≤ 1.
7. On suppose que l’on dispose d’un générateur aléatoire de la loi normale centrée réduite. Expliquer
comment obtenir n réalisations i.i.d. du couple (V1 ,V2 ) à partir de ce générateur.
9. En utilisant la méthode de la variable de contrôle avec 8.a., respectivement 8.b., déduire un nouvel
estimateur pbn(3) , respectivement pbn(4) , de p.
10. Quel argument formel permet de justifier l’efficacité relative de ces estimateurs en terme de va-
riance et de choisir l’estimateur le plus efficace ? (Aucun calcul explicite du critère n’est attendu)
Dans cette partie, on suppose que le couple (X , Y ) admet une densité f proportionnelle à
µ 2
x + y2
¶
f˜(x, y) = cos2 (x) + 2 sin2 (y) cos4 (x) exp −
© ª
.
2
11. Soient (S k , Tk )k=1,...,n des variables aléatoires i.i.d. de densité g suivant laquelle on sait simuler.
Montrer que
Pn
k=1
h(S k , Tk )w(S k , Tk ) f (S k , Tk )
Pn , avec w(S k , Tk ) = ,
k=1
w(S k , Tk ) g (S k , Tk )
12. En déduire une méthode d’estimation de p ne nécessitant pas de connaître la constante de norma-
lisation de f .