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

Intégration Monte-Carlo : Rapprochement et variance

Description

Cette séance de cours couvre l'intégration de Monte-Carlo, en se concentrant sur l'approximation des attentes et des variances à l'aide d'un échantillonnage aléatoire. Il explique comment estimer la variance d'une fonction et la précision souhaitée à travers le nombre de tirages. L'instructeur discute également des composantes d'erreur dans les modèles de choix conditionnel et de l'estimation des paramètres à l'aide de la probabilité maximale simulée.

Dans MOOC

Sujets choisis sur le choix discret

Source officielle

Concepts associés (23)

Méthode de Monte-Carlo

Une méthode de Monte-Carlo, ou méthode Monte-Carlo, est une méthode algorithmique visant à calculer une valeur numérique approchée en utilisant des procédés aléatoires, c'est-à-dire des techniques probabilistes. Les méthodes de Monte-Carlo sont particulièrement utilisées pour calculer des intégrales en dimensions plus grandes que 1 (en particulier, pour calculer des surfaces et des volumes). Elles sont également couramment utilisées en physique des particules, où des simulations probabilistes permettent d'estimer la forme d'un signal ou la sensibilité d'un détecteur.

Méthode de Monte-Carlo par chaînes de Markov

Les méthodes de Monte-Carlo par chaînes de Markov, ou méthodes MCMC pour Markov chain Monte Carlo en anglais, sont une classe de méthodes d'échantillonnage à partir de distributions de probabilité. Ces méthodes de Monte-Carlo se basent sur le parcours de chaînes de Markov qui ont pour lois stationnaires les distributions à échantillonner. Certaines méthodes utilisent des marches aléatoires sur les chaînes de Markov (algorithme de Metropolis-Hastings, échantillonnage de Gibbs), alors que d'autres algorithmes, plus complexes, introduisent des contraintes sur les parcours pour essayer d'accélérer la convergence (Monte Carlo Hybride, Surrelaxation successive).

Variance (mathématiques)

vignette|Exemple d'échantillons pour deux populations ayant la même moyenne mais des variances différentes. La population en rouge a une moyenne de 100 et une variance de 100 (écart-type = SD = standard deviation = 10). La population en bleu a une moyenne de 100 et une variance de (écart-type = SD = 50). En statistique et en théorie des probabilités, la variance est une mesure de la dispersion des valeurs d'un échantillon ou d'une variable aléatoire.

Simple random sample

In statistics, a simple random sample (or SRS) is a subset of individuals (a sample) chosen from a larger set (a population) in which a subset of individuals are chosen randomly, all with the same probability. It is a process of selecting a sample in a random way. In SRS, each subset of k individuals has the same probability of being chosen for the sample as any other subset of k individuals. A simple random sample is an unbiased sampling technique. Simple random sampling is a basic type of sampling and can be a component of other more complex sampling methods.

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.

Afficher plus

Séances de cours associées (54)

Max Entropy et Monte Carlo

Explore l'entropie maximale, l'entropie de Shannon, les multiplicateurs de Lagrange et les techniques d'échantillonnage Monte Carlo.

Monte Carlo: Optimisation et estimation

Explore l'optimisation et l'estimation dans les méthodes Monte Carlo, en mettant l'accent sur les groupes Bayes-optimal et les estimateurs.

Méthodes d'estimation: BLP et contrôle-fonction

Couvre l'incohérence des estimations en raison de l'endogenèse et introduit les méthodes d'estimation BLP et Control-Function.

Chaînes et algorithmes de Markov

Couvre les chaînes de Markov et leurs applications dans les algorithmes, en se concentrant sur l'échantillonnage Markov Chain Monte Carlo et l'algorithme Metropolis-Hastings.

Génération du langage naturel: Techniques de décodage et défis de formation

Couvre les méthodes de décodage et les défis de formation en génération de langage naturel.

Afficher plus

Concepts associés (23)

Méthode de Monte-Carlo

Méthode de Monte-Carlo par chaînes de Markov

Variance (mathématiques)

Simple random sample

Échantillonnage stratifié

Afficher plus