Académique Documents
Professionnel Documents
Culture Documents
Département MIDO
Master 1 – Méthodes de Monte Carlo
Travaux Dirigés n °1
stoehr@ceremade.dauphine.fr
Exercice 1. Soit (Yn )n∈N une suite de variables i.i.d. de moyenne µ et de variance σ2 . On pose
1X n
Yn = Yi .
n i =1
1 Xn 1 Xn
b 2n =
a. σ (Yk − Yn )2 . b 22n =
c. σ (Y2k−1 − Y2k )2 .
n k=1 2n k=1
1 X n
b 2n−1 =
b. σ (Yk − Yn )2 .
n − 1 k=1
Solution.
b 2n peut s’écrire sous la forme
a. L’estimateur σ
1 Xn 1 Xn
2 2
b 2n =
σ Yk2 − 2Yk Y n + Y n = Y 2 − Y n. (1)
n k=1 n k=1 k
La suite (Yn )n∈N étant une suite de variables aléatoires i.i.d. intégrables, la loi forte des grands
nombres assure que
p.s. 2
Y n −→ E [Y1 ] par suite Y n −→ E [Y1 ]2 .
n7→+∞ n7→+∞
Par ailleurs, Yn2 n∈N est également une suite de variables aléatoires intégrables (la variance
¡ ¢
étant définie, on a bien E Y12 < ∞). On a donc avec la loi forte des grands nombres
£ ¤
1 Xn
p.s.
Yk2 −→ E Y12 .
£ ¤
n k=1 n7→+∞
1
TD n°1 Méthodes de Monte Carlo
E Y22 , on a
£ ¤
1 Xn
(Y2k−1 − Y2k )2 2E Y12 − 2E Y12 −→ 2Var[Y1 ],
£ ¤ £ ¤
n k=1 n7→+∞
b 2n−1 s’écrit
Solution. Les variables étant identiquement distribuées, l’espérance de l’estimateur σ
sous la forme :
" #
1 X n n n
2
£ 2 ¤ h 2i
2
E σb n−1 = E E Y12 − E Yn .
£ ¤
Yk − 2Y n Yk + Y n = (2)
n − 1 k=1 n −1 n −1
h 2i h i2 h i
Il suffit donc de calculer E Y n = E Y n + Var Y n . Les variables (Yn )n∈N étant indépendantes
h i
Var Y n = n12 nk=1 Var[Yk ]. Elles sont de plus identiquement distribuées, donc
P
h 2i 1
E Y n = E [Y1 ]2 + Var[Y1 ].
n
n n
µ ¶ µ ¶
£ 2 ¤ 1 1
E σ E Y12 − E [Y1 ]2 − Var[Y1 ]+ = Var[Y1 ] − Var[Y1 ] = Var[Y1 ].
£ ¤
b n−1 =
n −1 n n −1 n
Exercice 2. Soient X une variable aléatoire de fonction de répartition F et U ∼ U ([0 , 1]). On considère
a, b ∈ R tels que a < b et P [a < X ≤ b] > 0. On note
Solution. On souhaite montrer que la fonction de répartition que X a,b est la même que celle de
X sachant a < X ≤ b. Soit x un réel. Comme P [a < X ≤ b] > 0, la formule de Bayes donne
P[a<X ≤x]
P[a<X ≤b] = 0 si x ≤ a
P [X ≤ x, a < X ≤ b]
P[a<X ≤x] F (x)−F (a)
P [X ≤ x | a < X ≤ b] = = P[a<X ≤b] = F (b)−F (a) si a < x ≤ b
P [a < X ≤ b]
P[a<X ≤b]
P[a<X ≤b] = 1 si x > b.
2
TD n°1 Méthodes de Monte Carlo
Par définition de l’inverse généralisé, {(y, x) : F −1 (y) ≤ x} = {(y, x) : F −1 (y) ≤ x} (c.f., cours). On en
déduit
F (x) − F (a)
h i · ¸
a,b
P X ≤ x = P [F (a) + {F (b) − F (a)}U ≤ F (x)] = P U ≤ .
F (b) − F (a)
Exercice 3. Soit (X n )n∈N une suite de variables aléatoires i.i.d. de loi exponentielle de paramètre λ.
1. Pour n ≥ 1, on définit
λn x n−1
d n (x) = e −λx 1{x≥0} , pour tout x ∈ R.
(n − 1)!
λ x −λx +∞
· n n Z +∞ n−1
nx
Z ¸ Z
−λx
d n+1 (x)dx = − e + nλ e dx = d n (x)dx = 1.
R n! 0 0 n! R
Initialisation (n = 1). Les lois ε(λ) et γ(1, λ) ont même densité d’où le résultat pour n = 1.
Hérédité. On suppose que S n = X 1 + · · · + X n ∼ γ(n, λ). Soit h une fonction borélienne positive.
3
TD n°1 Méthodes de Monte Carlo
£ £
dans y , +∞ . On alors
On en déduit que S n+1 suit une loi de densité d n+1 , i.e., S n+1 est de loi gamma.
3. Soit N = sup {n ≥ 1 : S n ≤ 1} (par convention N = 0 si X 1 > 1). Montrer que N suit une loi de Poisson
de paramètre λ.
Rappel. La loi de Poisson de paramètre λ est une loi discrète de fonction de probabilité définie pour
tout k ∈ N par P [Y = k] = e −λ λk! .
k
Solution. On a pour k ≥ 1, {N = k} = {S k ≤ 1} ∩ {S k+1 > 1}. La suite (S n )n∈N est p.s. strictement
croissante et {S k > 1} ⊂ {S k+1 > 1}. On en déduit que
λk −λ
Ainsi P [N = k] = k! e , d’où le résultat souhaité. (par convention N = 0 si X 1 > 1).
Exercice 4 (Box-Muller).
1. Soient U1 et U2 des variables i.i.d. de loi U ([0 , 1]).
a. Montrer que les variables
p p
X 1 = −2 ln(U1 ) cos(2πU2 ) et X 2 = −2 ln(U1 ) sin(2πU2 ), (3)
sont i.i.d. de loi N (0 , 1).
Φ : ]0 , 1[2 → ³ R2 \ {(x, 0) : x ≥ 0} ´
p p
(u 1 , u 2 ) 7→ −2 ln u 1 cos(2πu 2 ), −2 ln u 1 sin(2πu 2 )
4
TD n°1 Méthodes de Monte Carlo
Ainsi (X 1 , X 2 ) est une variable aléatoire et si l’on note f (U 1,U 2) la densité de la loi jointe de (U1 ,U2 ),
on déduit la densité f (X 1 ,X 2 ) de (X 1 , X 2 ) d’après le théorème de changement de variable :
On a
¯ ³ 2 2´ ³ 2 2 ´¯
x +y x +y ¯
¯−x exp − 2 −y exp − 2 ¯
¯
µ 2
x + y2
¯ ¯ −1 ¶
detJ Φ−1 (x, y) = ¯ ¯= exp − .
¯ ¯
¯ −y x ¯ 2π 2
¯ ¯
¯ 2π(x 2 + y 2 ) 2π(x 2 + y 2 ) ¯
Par ailleurs,
x 12 + x 22 x 12 x2
à ! à ! à !
1 1 1
f (X 1 ,X 2 ) (x 1 , x 2 ) = exp = p exp × p exp 2 .
2π 2 2π 2 2π 2
elles sont bien identiquement distribuées suivant la loi normale centrée réduite.
qui réalise un C 1 -difféomorphisme entre les ouverts ]0 , 1[2 et R∗+ × ]0 , 2π[, avec
2
Φ−1 : R∗+ × ]0 , 2π[ → ³ ³ , 1[2 ´
]0 ´
θ
(r, θ) 7→ exp − r2 , 2π
On en déduit que (R, Θ) = Φ(U1 ,U 2) est une variable aléatoire et par changement de variable
µ 2¶
r r
f (R,Θ) (r, θ) = exp − 1nexp³− r 2 ´∈]0,1[o × 1© θ ∈]0,1[ª
2π 2 2 2π
µ 2¶
r 1
= r exp − 1{r ∈R∗+ } × 1{θ∈]0,2π[} .
2 2π
5
TD n°1 Méthodes de Monte Carlo
x 12 + x 22
à !
1
Z
E [h(X 1 , X 2 )] = h(x 1 , x 2 ) exp − 1{(x1 ,x2 )∈R2 \{(x,0) : x≥0}} dx 1 dx 2 .
R2 2π 2
Comme
P(X 1 ,X 2 ) R2 \ {(x, 0) : x ≥ 0} = P(X 1 ,X 2 ) R2 = 1,
£ ¤ £ ¤
on a le résultat souhaité.
R 2 = −2 lnU1 et Θ = 2πU2 .
c. Donner une méthode de simulation des coordonnées polaires (R, Θ) d’un vecteur aléatoire Z ∼
N (02 , I2 ).
Solution. On commence par simuler une réalisation de U1 et U2 suivant la loi U ([0 , 1]). On
applique ensuite la méthode de la fonction inverse pour simuler R 2 . Il ne reste plus qu’à trans-
former les réalisations précédentes pour obtenir des réalisations de R et Θ.
2. Soient U1 et U2 des variables i.i.d. de loi U ([−1 , 1]). On effectue des tirages de U1 et U2 jusqu’à ce que
S := U12 +U22 ≤ 1.
a. Montrer qu’à l’issue de cette procédure (U1 ,U2 ) suit une loi uniforme sur le disque unité D1 =
(u, v) : u 2 + v 2 ≤ 1 .
© ª
Solution. Il suffit de dominer la loi uniforme sur le disque unité par la loi uniforme sur [−1 , 1]2 :
1 41 4
1{u12 +u22 ≤1} ≤ 1{(u1 ,u2 )∈[−1,1]2 } = f (U1 ,U2 ) (u 1 , u 2 ).
π π4 π
i.i.d.
L’algorithme du rejet permet alors de conclure. Pour U1(n) ,U2(n) ∼ U ([−1 , 1]) et Vn ∼ U ([0 , 1]),
¢2 ¡ ¢2
on pose S n = U1(n) + U2(n) . Alors le temps d’arrêt dans l’algorithme du rejet s’écrit
¡
( )
1{S n ≤1}
T = inf n ≥ 1 : Vn ≤ = inf {n ≥ 1 : S n ≤ 1} .
1 U (n) ,U (n) ¢∈[−1,1]2 ª
©¡
1 2
6
TD n°1 Méthodes de Monte Carlo
Solution alternative. On génère des réalisations de la loi uniforme conditionnée à être dans la
boule unité. On peut calculer sa densité. Pour tout h : R2 → R borélienne bornée
1 1
Z
E h(U1 ,U2 ) ¯ U12 +U22 ≤ 1 =
£ ¯ ¤
h(u 1 , u 2 )1{u 2 +u 2 ≤1} 1{(u1 ,u2 )∈[−1,1]2 } du 1 du 2
P U1 +U2 ≤ 1 R2
£ 2 2
¤
1 2 4
1
Z
= h(u 1 , u 2 )1{u 2 +u 2 ≤1} du 1 du 2 ,
π [−1,1]2 1 2
b. Montrer que
s s
−2 ln(S) −2 ln(S)
X 1 = U1 et X 2 = U2
S S
sont i.i.d. de loi N (0 , 1).
Reste à déterminer la loi de (R, Θ). Le changement de variables en coordonnées polaire Φ réalise
un C 1 -difféomorphisme entre D1 \ {(0, 0)} et ]0 , 1] × [0 , 2π[ et (R, Θ) = Φ(U1 ,U2 ) est une variable
aléatoire de densité
f (R,Θ) (r, θ) = f (U1 ,U2 ) {Φ−1 (r, θ)}|detJ Φ−1 (r, θ)|1{r ∈]0,1]} 1{θ∈[0,2π[}
1
= 1{(r cos θ,r sin θ)∈D1 } r 1{r ∈]0,1]} 1{θ∈[0,2π[}
π
1
= 2r 1{r ∈]0,1]} 1{θ∈[0,2π[} .
2π
Φ réalise un C 1 -difféomorphisme entre les ouverts ]0 , 1] × ]0 , 2π] et D1 \ {(0, 0)}. Par un calcul
similaire à celui de la question 1.(a)., on obtient
x 12 + x 22
à !
1
f (X 1 ,X 2 ) (x 1 , x 2 ) = exp − 1{x12 +x22 ≤1} 1( )
2π 2 π+2 arctan px2 2 ∈[0,2π[
x1 + x +x 2
1 2
x2 x2
à ! à !
1 1
= p exp − 1 p exp − 2 .
2π 2 2π 2
7
TD n°1 Méthodes de Monte Carlo
Solution. En partant de réalisations de la loi U ([−1 , 1]), on applique l’algorithme du rejet pour
obtenir une réalisation de la loi uniforme sur le disque unité. À partir de cette réalisation on
applique les transformations pour obtenir une réalisation de la loi normale N (0 , I2 )
Solution. Cela dépend en général des compilateurs. La seconde méthode semble moins coûteuse
car elle ne fait pas intervenir le calcul de fonctions trigonométriques. Son inconvénient est le fait
de jeter des simulations bien que son taux d’acceptation est proche de 1 (il est de π4 ).
Exercice 5. En utilisant la méthode du rejet, proposer une méthode de simulation pour la loi de densité
f : x 7→ (1 − |x|)+ .
où g (x) = 12 1{x∈[−1,1]} est la densité de la loi uniforme sur [−1 , 1]. Pour simuler suivant la loi de
densité f , on procède donc comme suit :
(1) on simule une réalisation x de U ([−1 , 1]). Pour cela on simule une réalisation v de U ([0 , 1]) et
on applique la transformation x = 2v − 1.
(2) On simule une réalisation u de U ([0 , 1]).
(3) On répète les étapes (1) et (2) jusqu’à ce que 2ug (x) < f (x).
8
TD n°1 Méthodes de Monte Carlo
Solution. La densité f est dominée par la densité de la loi exponentielle ε(λ). On applique l’algo-
rithme du rejet
(1) on simule une réalisation x suivant la loi ε(λ) à partir d’une réalisation v de U ([0 , 1]) par la
méthode de la fonction inverse.
(2) On simule une réalisation u de U ([0 , 1]).
(3) On répète les étapes (1) et (2) jusqu’à ce que λc λ ue −λx < f (x).
3. Trouver λ tel que le temps moyen de calcul de la méthode proposée soit le plus petit possible.
Solution. D’après le cours, le nombre d’essais moyen avant acceptation est c λ . Comme c λ est
une fonction de λ réalisant une bijection de R dans R (elle est continue et strictement croissante
comme fonction de λ), on cherche donc λ∗ = arg min λ c λ . Or
µ 2¶
λ
r µ ¶
d 2 1
cλ = 1 − 2 exp = 0 ⇐⇒ λ = 1.
dλ π λ 2
D’où
r
∗ 2
λ = 1 et exp (0.5) ≈ 1.31.
π