06/03/2019

Méthodes de Monté Carlo

Prof. Mohamed El Merouani

[Link]
e-mail: m_merouani@[Link]

Contenu :
• Nombres aléatoires
• Simulation de variables aléatoires
• Simulation des processus stochastiques
• Méthodes de Monté Carlo
• Méthodes de quasi-Monte-Carlo
• Schémas numériques de discrétisation
d’équations différentielles stochastiques: Euler,
Milstein.
• Applications en finance: pricing de produits
dérivés…

1
 06/03/2019

Bibliographie :
• B. bercu & D. chafaï, :« Modélisation
Stochastique et Simulation », Dunod, 2007.
• James A. Payne: «Introduction to Simulation;
Programming Techniques and Methods of
Analysis », Mc Graw Hill, 1988.
• Reuven Y. Rubinstein:«Simulation and the
Monte Carlo Method », John Wiley & Sons,
1981.

Bibliographie :
• Stewart V. Hoover/ Ronald F. Perry:
«Simulation: A Problem-Solving Approach»,
Adisson-Wesley, 1989.
• Averill M. Law & W. David Kelton: Simulation
Modeling and Analysis », Mc Graw Hill, 1982,
1991 (deux livres différents)

2
 06/03/2019

Générations des nombres

aléatoires

Plan du chapitre
• Définition de la simulation
• Nombres aléatoires
• Générateur de milieu de carrée de Von
Neumann
• Générateur (linéaires) de congruence
• Génération de nombre aléatoires sous R

3
 06/03/2019

Définition de la Simulation:
• Les méthodes de simulation consistent à faire
intervenir le hasard dans un ou plusieurs
phénomènes impliqués dans un problème à
résoudre.
• La simulation permet d’appréhender un
phénomène aléatoire en construisant un
échantillon artificiel de sa distribution de
probabilité.

Définition de la Simulation:
• Les méthodes de la simulation aléatoire nous
permettent de construire à l’aide des
ordinateurs, un échantillon (x1, x2, …,xn) à
partir de n’importe quelle loi de probabilité
donnée.
• Nous verrons dans ce cours quelques simples
algorithmes de simulation des lois de
probabilités usuelles.

4
 06/03/2019

Nombres aléatoires:
• Une réalisation d’une suite de nombres au
hasard (aléatoires) indépendants et
uniformément distribués sur le segment [0, 1]:
u1, u2,…
est toujours utilisée pour obtenir une
réalisation d’une suite de variables aléatoires
indépendantes et arbitrairement distribuées.

Nombres aléatoires:
• Les tables de nombres au hasard
• Ces tables sont telles que la suite des nombres
qui y figurent est assimilable à la réalisation de
tirages avec remise dans une urne à dix
catégories de boules figurant à proportions
égales.
• L’ordinateur fabrique des nombres au hasard
qui sont « pseudo-aléatoire ».

10

5
 06/03/2019

11

Nombres aléatoires:
• Disposer d’un bon générateur de nombres
aléatoires est fondamental en Simulation.
• En fait, il constitue aussi un élément essentiel en
Informatique (algorithmes probabilisés,
vérification d’algorithmes, complexité
algorithmiques, cryptographie,…) en Statistique
(méthodes d’échantillonnage, tests Monte Carlo,
Inférence Bayesiene,…) et en général en
n’importe quel problème dû au hasard…

12

6
 06/03/2019

Nombres aléatoires:
• Les méthodes de simulation sont souvent utiles, dans
le contexte des mathématiques financières, car elle
permettent de calculer le prix de n’importe quelle
option pour peu que l’on sache l’exprimer forme de
l’espérance d’une v.a. que l’on sait simuler.
• Dans ce cas, la méthode de Monté Carlo permet, alors,
d’écrire très rapidement un algorithme permettant
l’évaluation de cette option.
• Lorsqu’on ne sait pas expliciter le prix de l’option
analytiquement, ou lorsque la stratégie de gestion de
portefeuille est inaccessible analytiquement, la
simulation est alors nécessaire.
13

Nombres aléatoires:
• Si l’expérience réelle coute chère
simulation (aléatoire).
• Une propriété souhaitable de la source des
nombres aléatoires est sa reproductivité, de
façon que l’on répète l’expérience plusieurs fois
dans les mêmes conditions.
nécessité de stocker les données
possible problème de limite de mémoire
et difficulté d’accéder aux données

14

7
 06/03/2019

Nombres aléatoires:
• Chercher des générateurs (algorithmiques) de
nombres au hasard (pseudo-aléatoires).
• L’idée due à Von Neumann est de produire des
nombres pseudo-aléatoires en utilisant les
opérations arithmétiques (de l’ordinateur):
commencer par une valeur initiale (u0 ou u-1)
et générer une suite par la formule ui=f (ui-1)
avec f est une fonction.

15

Nombres aléatoires:
• On peut définir une suite de nombres pseudo-
aléatoires comme une suite de nombres bien
déterminés mais imprévisibles et qui satisfait
pourtant à un certain nombres de propriétés.
• Une suite de nombres aléatoires (ui) est une
suite de nombres en [0,1] avec les mêmes
propriétés statistiques de l’uniformité (équi-
répartition des chiffres) et de l’indépendance
des termes.

16

8
 06/03/2019

Nombres aléatoires:
• Autres propriétés:
– Rapidité
– Petite occupation de mémoire
– Portabilité
– Facilité dans l’implantation
– Reproductivité et mutabilité
– Périodicité suffisamment longue
• Pour vérifier si ces propriétés sont réalisés de
façon raisonnable, on utilise un certain nombre
de tests statistiques.
17

Générateur de milieu de carrée

de Von Neumann:
• On choisit un nombre qu’on élève au carré.
• On prélève une partie médiane de ce carré
que l’on élève à son tour au carré et on
recommence l’opération.
• On définit de proche en proche des nombres
par le « milieu » du carré du nombre
précédent.
 x0 donnée

 xi2
 xi 1  2
18

9
 06/03/2019

Générateur de milieu de carrée

de Von Neumann:
• Ces nombres ne sont pas aléatoires, ils
dépendent du 1er choisi,
• et ils ont, malheureusement, une faible
période
• et donc ils sont peu employés en pratique.

19

Générateurs (linéaires) de congruences:

• Lehmer (1951):
xn 1  (axn  b) mod m
x
un  n
m
• Pour un
– multiplicateur a
– biais b
– module m
– valeur initiale x0

20

10
 06/03/2019

Générateurs de congruences:

• Ou, sans perte de généralité, on suppose que

a, b  0,1, , m  1
• Si b=0, ils sont dits multiplicatives.
• Les nombres (un) ainsi obtenus ne sont pas
vraiment des nombres aléatoires, ils sont dits
des nombres pseudo-aleatoires.

21

Congruence (Rappel):

• La congruence modulo m est définie par:

• Un entier p est congrue à un entier r modulo
m, si r est le reste de la division euclidienne de
p par m.
• cela veut dire qu’il existe un entier q tel que
p=r+qm, avec 0≤r≤m.

p  r mod m   q   / p  r  qm
22

11
 06/03/2019

GÉNÉRATEURS DE NOMBRE
ALÉATOIRE SOUS R
• Pour générer « n » nombres aléatoires qui suivent
une loi uniforme (0,1) la commande en R est:
> runif(n, min=0, max=1)
• Si, nous voulons les représenter sur un graphique,
on écrit:
>x=runif(n, min=0, max=1)
• Alors R les garde le résultat dans x sans l’afficher.
Puis on trace le nuage de points:
>plot(x)
• Si on tape x tout simplement, R les affiche.

GÉNÉRATEURS DE NOMBRE
ALÉATOIRE sous R
• Pour la reproductibilité et le contrôle, la graine
pour les générateurs de nombre aléatoire devrait
être mise explicitement, avant la première
utilisation d'un générateur de nombre aléatoire
dans le Script.
• La commande est :
>[Link](m)
• En changeant la graine et en lançant de nouveau
le Script, on obtiendra de différents
(indépendants) échantillons à partir des
générateurs de nombre aléatoire.

12
 06/03/2019

La prochaine fois:

• La question qui se pose maintenant est

comment faire pour générer des nombres
aléatoires qui suivent une loi de probabilités
bien déterminée au départ.
• D’abord, on sait que les méthodes que nous
avons vu donne que des nombres qui suivent
une loi uniforme.
• En plus, on doit voir comment générer des lois
de probabilités discrètes et aussi continues.

25

13