Académique Documents
Professionnel Documents
Culture Documents
Département MIDO
Master 1 – Méthodes de Monte Carlo
stoehr@ceremade.dauphine.fr
Φk : Rd +1 → R
(x−k , t , u) 7→ (t − u) (Φ(x 1 , ..., x k−1 , t , x k+1 , ..., x n ) − Φ(x 1 , ..., x k−1 , u, x k+1 , ..., x n )) ,
avec x−k = (x 1 , . . . , x k−1 , x k+1 , . . . , x n ) ∈ Rd −1 , est de signe positive, respectivement négative, sur Rd +1 .
On cherche à calculer E [Φ(Z)], avec Z = (Z1 , . . . , Zd ) un d -uplet de variables aléatoires i.i.d. suivant
la loi ν et Φ : Rd → R une fonction mesurable croissante en chacune de ses coordonnées telle que
E Φ2 (Z) < +∞. Dans la suite on se donne Z(n) n≥1 = Z1(n) , . . . , Zd(n) n≥1 une suite de variables aléatoires
£ ¤ ¡ ¢ ¡ ¢
Solution. La fonction Φ étant mesurable, les variables Φ Z(i ) , i = 1, . . . , n, sont i.i.d.. L’estimateur
¡ ¢
est donc convergent (loi forte des grands nombre) et sans biais. Sous l’hypothèse E Φ2 (Z) < +∞,
£ ¤
le théorème central limite donne que l’erreur associée à cet estimateur suit asymptotiquement
h i une
loi normale N (0 , Var[Φ(Z)]). La précision de l’estimation est donnée par Var Y n = Var[Φ(Z)]/n.
Soit Ψ : Rd → R une fonction mesurable décroissante en chacune de ses coordonnées telle que Φ(Z1 , . . . , Zd )
et Ψ(Z1 , . . . , Zd ) ont même loi. On souhaite montrer que l’estimateur
1 X n 1 X n
Φ Z(i ) + Ψ Z(i ) = Φ Z1(i ) , . . . , Zd(i ) + Ψ Z1(i ) , . . . , Zd(i )
¡ ¢ ¡ ¢ ¡ ¢ ¡ ¢
Ỹn =
2n i =1 2n i =1
Cas de la dimension d = 1.
2. Soient x, y des réels. Étudier le signe de Φ(x) − Φ(y) Ψ(x) − Ψ(y) .
¡ ¢¡ ¢
Solution. Φ et Ψ ayant des monotonies opposées, pour tout réels x, y, Φ(x) − Φ(y) et Ψ(x) − Ψ(y)
ont des signes contraires. Donc Φ(x) − Φ(y) Ψ(x) − Ψ(y) ≤ 0.
¡ ¢¡ ¢
1
TD n°3 Méthodes de Monte Carlo
Solution. Soient X, Z, des variables aléatoires i.i.d. suivant la loi ν. D’après la question 2, on a
Par ailleurs, par hypothèse sur Ψ, Ψ(X) et Φ(X) on même loi, donc E [Φ(X)Ψ(Z)] = E [Ψ(X)Ψ(Z)].
Enfin X et Z sont indépendantes, donc, sous l’hypothèse de mesurabilité, Ψ(X) et Ψ(Z) sont indé-
pendantes et E [Ψ(X)Ψ(Z)] = E [Ψ(X)]E [Ψ(Z)]. On a donc
Solution. Sous l’hypothèse que Φ(Z) et Ψ(Z) ont même loi, la variance de l’estimateur Ỹn est
donnée par
1 1 1
Var Ỹn = Var[Φ(Z) + Ψ(Z)] = Var[Φ(Z)] + Cov[Φ(Z), Ψ(Z)].
£ ¤
4n 2n 2n
Il en résulte d’après la question 3
£ ¤ 1 h i 1 1 h i
Var Ỹn = Var Y n + Cov[Φ(Z), Ψ(Z)] ≤ Var Y n .
2 2n 2
À nombre de simulations fixé, on a une condition suffisante pour réduire la variance. Il suffit de
trouver une fonction Ψ de monotonie opposée à celle de Φ et telle que Ψ(Z) ait même loi que Φ(Z).
Le coût de la réduction de variance est le coût de l’évaluation de Ψ en n points : on a 2n évaluations
de fonctions pour Y n contre n pour Ỹn .
Remarque. Dans le cas des variables antithétiques, si l’on note A la transformation telle que A(Z)
ait même loi que Z, il suffit que Φ et Φ ◦ A aient des monotonies opposées pour que
l’estimateur Ỹn soit plus efficace, en terme de réduction de variance que l’estimateur
de Monte Carlo classique. On retrouve le résultat du cours dans le cas particuler où
Z est une variable aléatoire réelle suivant une loi normale N µ , σ . Dans ce cas, on a
¡ ¢
Cas de la dimension d > 1. L’objectif est de montrer par récurrence sur d que
2
TD n°3 Méthodes de Monte Carlo
Λ : R → R Γ : R → R
et
x 7→ E [Φ(Z1 , . . . , Zd −1 , x)], x 7→ E [Ψ(Z1 , . . . , Zd −1 , x)],
Solution. Soient x, y des réels. Sous l’hypothèse que Φ est croissante en chacune de ses coordon-
nées, on a par définition de Λ,
Autrement dit Λ est croissante. Sous l’hypothèse que Ψ est décroissante en chacune de ses coor-
données, on obtient de façon analogue que Γ est décroissante.
Solution. Φ(Z) et Ψ(Z) sont identiquement distribuées donc Λ(Zd ) et Γ(Zd ) ont également même
loi. En utilisant le résultat de monotonie de la question 5 et celui obtenu à la question 3 dans le
cadre de la dimension 1, on a
Or par définition de Λ,
Z Z
E [Λ(Zd )] = E [Φ(Z1 , . . . , Zd −1 , z d )]ν(dz d ) = Φ(z 1 , . . . , z d )ν(dz 1 ) . . . ν(dz d ) = E [Φ(Z)].
R Rd
3
TD n°3 Méthodes de Monte Carlo
Solution. On retrouve les mêmes conclusions que dans le cas de la dimension 1. Une condition
suffisante, voire nécessaire et suffisante, est de trouver Ψ décroissante en chacune de ces coordon-
nées telle que Ψ(Z) et Φ(Z) ont même loi.
Applications au cas gaussien. On suppose que Z est un vecteur gaussien de loi N (0d , Id ) et Φ une
fonction monotone en chacune de ses coordonnées et bornée.
9. En vous appuyant sur les résultats précédents, proposer une méthode d’estimation de E [Φ(Z)].
L : Rd → Rd
(z 1 , . . . , z d ) 7→ (²1 z 1 , . . . , ²d z d ).
suite, on choisit (²1 , . . . , ²d ) tels que ²i = 1, respectivement ²i = −1, si la Φ est croissante, respecti-
vement décroissante, par rapport à sa i -ème coordonnée, i = 1, . . . , d . Alors Φ ◦ L est croissante en
chacune de ses coordonnées.
A : Rd → Rd
(z 1 , . . . , z d ) 7→ (−z 1 , . . . , −z d ).
A(Z) est également un vecteur gaussien de loi N (0d , Id ) et Φ ◦ L ◦ A est décroissante en chacune de
ses coordonnées. On applique les résultats précédents Φ ◦ L et Φ ◦ L ◦ A. Pour estimer E [Φ(Z)], on
peut utiliser l’estimateur suivant (plus efficace que l’estimateur de Monte Carlo classique)
1 X n
δ̂n = Φ ◦ L Z1(i ) , . . . , Zd(i ) + Φ ◦ L − Z1(i ) , . . . , −Zd(i ) .
¡ ¢ ¡ ¢
2n i =1
p ª
Solution. On pose g : x 7→ S 0 exp r − σ2/2 T + σ T x . On a alors
©¡ ¢
WT
· µ ¶ µ ¶¸
−WT
Cov[Φ ◦ S T (W ), Φ ◦ S T (−W )] = Cov Φ ◦ g p , Φ ◦ g p .
T T
p
On a WT/ T ∼ N (0 , 1). On applique le résultat de la question 3 :
4
TD n°3 Méthodes de Monte Carlo
11. Proposer des méthodes d’estimation de E [Φ ◦ S T (W )] plus efficaces que la méthode de Monte Carlo
classique.
Solution. Soient Z(n) n∈N une suite de variables aléatoires i.i.d. suivant la loi N (0 , 1).
¡ ¢
1 X n
δ̂(1) Φ ◦ g Z (i ) + Φ ◦ g Z (i ) (pour la question 10).
¡ ¢ ¡ ¢
n =
2n i =1
12. Quel autre méthode serait-il possible d’utiliser pour réduire la variance ?