Couvre le cours de simulations stochastiques, le modèle de file d'attente G/G/1, la finance computationnelle, les statistiques, la physique et l'inférence bayésienne.
Explore les générateurs de nombres aléatoires, y compris les algorithmes Pseudo-RNG, les propriétés, les méthodes d'évaluation et les tests d'indépendance.
Discute des techniques de réduction de la variance dans la simulation stochastique, en se concentrant sur les stratégies d'allocation et les algorithmes de génération de répliques.
Couvre les méthodes d'échantillonnage Hypercube latin et de quasi Monte Carlo pour la simulation stochastique, expliquant l'objectif de la stratification et générant des permutations indépendantes.
Explore la quantification de l'incertitude à l'aide des méthodes de Quasi Monte Carlo et des mesures des écarts pour l'approximation intégrale et l'estimation du volume.
Couvre l'algorithme Metropolis-Hastings et le diagnostic de convergence dans la simulation stochastique, en se concentrant sur l'échantillonnage et la génération de propositions.
Explore l'ergodicité géométrique dans les chaînes de Markov et le biais et la variance des estimateurs, en mettant en évidence la quantification des pertes d'efficacité.
Explore la simulation stochastique, les événements rares et la méthode Crude Monte Carlo, en soulignant l'importance des seuils et des expressions de forme fermée.