Séance de cours

Distributions de nombres aléatoires non uniformes : exemples et méthodes

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

PHYS-403: Computer simulation of physical systems I

The two main topics covered by this course are classical molecular dynamics and the Monte Carlo method. ...

Description

Cette séance de cours couvre la formulation générale des distributions de nombres aléatoires non uniformes, avec des exemples tels que les distributions exponentielle et gaussienne. Il explore l'application du théorème de la limite centrale, la méthode de Box & Muller, et la méthode de rejet de von Neumann pour générer des variables aléatoires. La séance de cours se penche sur le lien entre les fonctions f (x) et q (y), la conservation de la probabilité, et le processus de transformation pour atteindre les distributions souhaitées. Différentes techniques pour générer des variables aléatoires sont discutées, y compris la procédure, la preuve et la mise en œuvre de la méthode de rejet de von Neumann.

Enseignant·e

Alfredo Pasquarello

Alfredo Pasquarello effectue ses études en physique à l'Ecole normale supérieure de Pise et à l'Université de Pise et obtient leurs diplômes respectifs en 1986. Il obtient le titre de Docteur ès sciences à l'EPFL en 1991 avec une thèse portant sur les transitions à plusieurs photons dans les solides. Ensuite, il effectue des recherches post-doctorales aux Laboratoires Bell (Murray Hill, New Jersey) sur les propriétés magnétiques des fullerènes de carbone. En 1993, il rejoint l'Institut romand de recherche numérique en physique des matériaux (IRRMA), où sa recherche porte sur des méthodes de simulation ab initio. En 1998, le Prix Latsis de l'EPFL lui est decerné pour son travail de recherche portant sur les matériaux à base de silice désordonnée. Bénéficiant de plusieurs subsides du Fonds National, il constitue ensuite sa propre équipe de recherche à l'IRRMA. En juillet 2003, il est nommé Professeur en Physique théorique de la matière condensée à l'EPFL. Actuellement, il dirige la Chaire de simulation à l'échelle atomique.

Source officielle

Proximité ontologique

Statistique

Inférence statistique: Statistique mathématique

Concepts associés (32)

Non-uniform random variate generation

Non-uniform random variate generation or pseudo-random number sampling is the numerical practice of generating pseudo-random numbers (PRN) that follow a given probability distribution. Methods are typically based on the availability of a uniformly distributed PRN generator. Computational algorithms are then used to manipulate a single random variate, X, or often several such variates, into a new random variate Y such that these values have the required distribution.

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.

Loi de probabilité

thumb|400px 3 répartitions.png En théorie des probabilités et en statistique, une loi de probabilité décrit le comportement aléatoire d'un phénomène dépendant du hasard. L'étude des phénomènes aléatoires a commencé avec l'étude des jeux de hasard. Jeux de dés, tirage de boules dans des urnes et jeu de pile ou face ont été des motivations pour comprendre et prévoir les expériences aléatoires. Ces premières approches sont des phénomènes discrets, c'est-à-dire dont le nombre de résultats possibles est fini ou infini dénombrable.

Loi normale multidimensionnelle

En théorie des probabilités, on appelle loi normale multidimensionnelle, ou normale multivariée ou loi multinormale ou loi de Gauss à plusieurs variables, la loi de probabilité qui est la généralisation multidimensionnelle de la loi normale. gauche|vignette|Différentes densités de lois normales en un dimension. gauche|vignette|Densité d'une loi gaussienne en 2D. Une loi normale classique est une loi dite « en cloche » en une dimension.

Loi binomiale

En théorie des probabilités et en statistique, la loi binomiale modélise la fréquence du nombre de succès obtenus lors de la répétition de plusieurs expériences aléatoires identiques et indépendantes. Plus mathématiquement, la loi binomiale est une loi de probabilité discrète décrite par deux paramètres : n le nombre d'expériences réalisées, et p la probabilité de succès. Pour chaque expérience appelée épreuve de Bernoulli, on utilise une variable aléatoire qui prend la valeur 1 lors d'un succès et la valeur 0 sinon.

Afficher plus

Séances de cours associées (64)

Distributions non uniformes : méthodes de génération

Explore les méthodes pour générer des distributions non uniformes, y compris la méthode de rejet de von Neumann et le théorème de la limite centrale.

Distributions courantes : Fonctions génératrices de minute

Explore les distributions de probabilités communes, les distributions spéciales et les concepts d'entropie.

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.

Variables aléatoires continues

Couvre les variables aléatoires continues, les fonctions de densité de probabilité et les distributions, avec des exemples pratiques.

Familles de distribution : PDF et CDF

Explore les PDF et les CDF pour les variables aléatoires discrètes et continues, y compris les distributions gaussiennes, uniformes et exponentielles.

Afficher plus

Concepts associés (32)

Non-uniform random variate generation

Générateur de nombres aléatoires

Loi de probabilité

Loi normale multidimensionnelle

Loi binomiale

Afficher plus