Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Simulation stochastique : Algorithme de Metropolis-Hastings

Dans cours

MATH-414: Stochastic simulation

The student who follows this course will get acquainted with computational tools used to analyze systems with uncertainty arising in engineering, physics, chemistry, and economics. Focus will be on sampling methods as Monte Carlo, quasi Monte Carlo, Mark ...

Description

Cette séance de cours couvre l'algorithme Metropolis-Hastings, le MALA et le diagnostic de convergence dans la simulation stochastique. Il explique l'objectif d'échantillonnage à partir d'une densité cible et le processus de génération des valeurs de proposition. L'instructeur discute de l'importance de choisir la densité de proposition et les concepts de diagnostic de convergence. La séance de cours se penche également sur l'application de l'algorithme dans divers scénarios et l'évaluation des critères d'acceptation-rejet.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Enseignant·e

Fabio Nobile

Source officielle

Concepts associés (31)

Échantillonnage (statistiques)

thumb|Exemple d'échantillonnage aléatoire En statistique, l'échantillonnage désigne les méthodes de sélection d'un sous-ensemble d'individus (un échantillon) à l'intérieur d'une population pour estimer les caractéristiques de l'ensemble de la population. Cette méthode présente plusieurs avantages : une étude restreinte sur une partie de la population, un moindre coût, une collecte des données plus rapide que si l'étude avait été réalisé sur l'ensemble de la population, la réalisation de contrôles destructifs Les résultats obtenus constituent un échantillon.

Échantillonnage stratifié

vignette|Vous prenez un échantillon aléatoire stratifié en divisant d'abord la population en groupes homogènes (semblables en eux-mêmes) (strates) qui sont distincts les uns des autres, c'est-à-dire. Le groupe 1 est différent du groupe 2. Ensuite, choisissez un EAS (échantillon aléatoire simple) distinct dans chaque strate et combinez ces EAS pour former l'échantillon complet. L'échantillonnage aléatoire stratifié est utilisé pour produire des échantillons non biaisés.

Convenience sampling

Convenience sampling (also known as grab sampling, accidental sampling, or opportunity sampling) is a type of non-probability sampling that involves the sample being drawn from that part of the population that is close to hand. This type of sampling is most useful for pilot testing. Convenience sampling is not often recommended for research due to the possibility of sampling error and lack of representation of the population. But it can be handy depending on the situation. In some situations, convenience sampling is the only possible option.

Sampling error

In statistics, sampling errors are incurred when the statistical characteristics of a population are estimated from a subset, or sample, of that population. It can produced biased results. Since the sample does not include all members of the population, statistics of the sample (often known as estimators), such as means and quartiles, generally differ from the statistics of the entire population (known as parameters). The difference between the sample statistic and population parameter is considered the sampling error.

Cluster sampling

In statistics, cluster sampling is a sampling plan used when mutually homogeneous yet internally heterogeneous groupings are evident in a statistical population. It is often used in marketing research. In this sampling plan, the total population is divided into these groups (known as clusters) and a simple random sample of the groups is selected. The elements in each cluster are then sampled. If all elements in each sampled cluster are sampled, then this is referred to as a "one-stage" cluster sampling plan.

Afficher plus

Séances de cours associées (52)

Transformée de Fourier et échantillonnage

Couvre la transformée de Fourier des signaux échantillonnés, la reconstruction et la réponse harmonique.

Processus de détermination des points et extrapolation

Couvre les processus de point déterminant, le sinus-processus et leur extrapolation dans différents espaces.

Échantillonnage des signaux: bande passante et spectre

Introduit les signaux, les fréquences, la bande passante, le filtrage et l'échantillonnage dans le traitement des signaux.

Mise en oeuvre de l'échantillonnage et de la quantification

Couvre la génération de signaux avec le bruit, l'échantillonnage, et la conversion au numérique.

Mesures pour la classification

Couvre l'échantillonnage, la validation croisée, la quantification des performances, la détermination optimale du modèle, la détection des surajustements et la sensibilité de classification.

Afficher plus

Concepts associés (31)

Échantillonnage (statistiques)

Échantillonnage stratifié