Explore les générateurs de nombres aléatoires sur les ordinateurs, en se concentrant sur le générateur Modulo et les critères pour les nombres pseudo-aléatoires.
Explore l'intégration Monte-Carlo pour approximer les attentes et les variances à l'aide d'échantillonnage aléatoire et discute des composants d'erreur dans les modèles de choix conditionnel.
Explorer la densité de calcul des états et l'inférence bayésienne à l'aide d'un échantillonnage d'importance, montrant une variance inférieure et la parallélisation de la méthode proposée.
Couvre les méthodes Monte Carlo pour simuler la diffusion d'une seule particule dans des matériaux cimentaires, y compris les fonctions aléatoires et les générateurs de nombres.
Couvre les fondamentaux des chaînes de Markov et de leurs applications dans les algorithmes, en se concentrant sur la coloration correcte et l'algorithme Metropolis.