Séance de cours

Processus aléatoires et simulation de Monte Carlo

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

CH-351: Molecular dynamics and Monte-Carlo simulation

Introduction to molecular dynamics and Monte-Carlo simulation methods. ...

Description

Cette séance de cours couvre le concept de processus aléatoires avec des probabilités données, illustrés par un cas hypothétique de participation à des séance de courss en ligne. Il explore également la simulation de Monte Carlo, démontrant comment générer des processus aléatoires avec des probabilités connues. L'algorithme Metropolis est expliqué, détaillant le processus d'acceptation ou de rejet de nouvelles configurations basées sur les niveaux d'énergie. Les matrices stochastiques et l'équilibre détaillé dans l'échantillonnage de Monte Carlo sont discutés, soulignant l'importance de remplir des conditions spécifiques. La séance de cours se termine par des informations sur les mouvements d'essai, mettant en évidence les propriétés idéales pour des simulations efficaces et précises.

Enseignant·e

Ursula Röthlisberger

U. Röthlisberger was born in Solothurn (Switzerland). In 1988 she made her diploma in Physical Chemistry in the group of Prof. Ernst Schumacher at the University of Berne (Switzerland). Her Ph.D. thesis was done in collaboration with Dr. Wanda Andreoni at the IBM Zurich Research Laboratory in Rüschlikon. After finishing her Ph.D in 1991 she spent some time as a postdoctoral research assistant at the IBM Research Lab. From 1992-1995 she was a postdoctoral research assistant in the group of Prof. Michael L. Klein at the University of Pennsylvania in Philadelphia (USA). In 1994 she was awarded an advanced researcher fellowship (Profil 2) from the Swiss National Science Foundation. Before starting her Profile 2-fellowship she spent another year as postdoctoral research assistant in the group of Prof. Michele Parrinello at the Max-Planck-Institute for Solid State Physics in Stuttgart, Germany. In 1996 she moved as Profile 2-fellow to the ETH in Zurich, hosted by the group of Prof. Wilfred F. van Gunsteren. In 1997 she became Assistant Professor of Computer-Aided Inorganic Chemistry at the ETH Zurich.

Source officielle

Concepts associés (31)

Processus de Poisson

vignette|Schéma expliquant le processus de Poisson Un processus de Poisson, nommé d'après le mathématicien français Siméon Denis Poisson et la loi du même nom, est un processus de comptage classique dont l'équivalent discret est la somme d'un processus de Bernoulli. C'est le plus simple et le plus utilisé des processus modélisant une . C'est un processus de Markov, et même le plus simple des processus de naissance et de mort (ici un processus de naissance pur).

Mesure aléatoire

En théorie des probabilités, une mesure aléatoire est une détermination de mesure d'un élément aléatoire. Soit X un espace métrique séparable complet et la tribu de son ensemble de Borel. Une mesure de Borel μ sur X est finie si μ (A) < ∞ pour chaque ensemble A borélien limité. Soit l'espace de toutes les mesures finies sur . Soit un espace probabilisé. Alors, une mesure aléatoire des cartes de cet espace de probabilité à l'espace mesurable .

Processus stochastique

Un processus ou processus aléatoire (voir Calcul stochastique) ou fonction aléatoire (voir Probabilité) représente une évolution, discrète ou à temps continu, d'une variable aléatoire. Celle-ci intervient dans le calcul classique des probabilités, où elle mesure chaque résultat possible (ou réalisation) d'une épreuve. Cette notion se généralise à plusieurs dimensions. Un cas particulier important, le champ aléatoire de Markov, est utilisé en analyse spatiale.

Variable aléatoire

vignette|La valeur d’un dé après un lancer est une variable aléatoire comprise entre 1 et 6. En théorie des probabilités, une variable aléatoire est une variable dont la valeur est déterminée après la réalisation d’un phénomène, expérience ou événement, aléatoire. En voici des exemples : la valeur d’un dé entre 1 et 6 ; le côté de la pièce dans un pile ou face ; le nombre de voitures en attente dans la 2e file d’un télépéage autoroutier ; le jour de semaine de naissance de la prochaine personne que vous rencontrez ; le temps d’attente dans la queue du cinéma ; le poids de la part de tomme que le fromager vous coupe quand vous lui en demandez un quart ; etc.

Générateur de nombres aléatoires

Un générateur de nombres aléatoires, random number generator (RNG) en anglais, est un dispositif capable de produire une suite de nombres pour lesquels il n'existe aucun lien calculable entre un nombre et ses prédécesseurs, de façon que cette séquence puisse être appelée « suite de nombres aléatoires ». Par extension, on utilise ce terme pour désigner des générateurs de nombres pseudo aléatoires, pour lesquels ce lien calculable existe, mais ne peut pas « facilement » être déduit.

Afficher plus

Séances de cours associées (64)

Simulation et optimisation : Processus de Poisson et nombres aléatoires

Explore les pièges de simulation, les nombres aléatoires, les distributions discrètes et continues, et l'intégration Monte-Carlo.

Les chaînes de Markov : théorie et applications

Couvre la théorie et les applications des chaînes de Markov dans la modélisation de phénomènes aléatoires et la prise de décision sous incertitude.

Théorème de la limite centrale

Couvre le théorème de la limite centrale, montrant comment les processus aléatoires convergent vers une distribution normale.

Éléments de statistiques: Estimations et distributions

Couvre les concepts fondamentaux de la statistique, y compris la théorie de l'estimation, les distributions et la loi des grands nombres, avec des exemples pratiques.

Fonctions probabilistes : champs libres et variables aléatoires

Couvre les champs libres et les fonctions probabilistes, en se concentrant sur les variables aléatoires et leurs propriétés.

Afficher plus

Concepts associés (31)

Processus de Poisson

Mesure aléatoire

Processus stochastique

Variable aléatoire

Générateur de nombres aléatoires

Afficher plus