Comment mettre en œuvre la… : En écrivant int_a^b g(t) dt = (b-a)… — ECG2 approfondies | MetMat

Comment mettre en œuvre la méthode de Monte-Carlo pour estimer une probabilité, une espérance ou une intégrale ?

En écrivant $\int_a^b g(t)\,\mathrm{d}t = (b-a)\,E(g(U))$ avec $U\sim\mathcal{U}[a,b]$ puis en moyennant

Estimer $I = \int_a^b g(t)\,\mathrm{d}t$ par Monte-Carlo en tirant uniformément sur $[a,b]$ .

Maîtriser

Reconnaître

Résoudre

Que ferais-tu face à un exercice de ce type ?

Estimer $I = \int_0^1 \mathrm{e}^{-t^2}\,\mathrm{d}t$ par Monte-Carlo avec $N=10^5$ (valeur exacte $\approx 0.7468$ ).

L'objectif

Estimer $I = \int_a^b g(t)\,\mathrm{d}t$ par Monte-Carlo en tirant uniformément sur $[a,b]$ .

Le principe

Si $U\sim\mathcal{U}[a,b]$ de densité $\frac{1}{b-a}\mathbf{1}_{[a,b]}$ , alors par le théorème de transfert $E(g(U)) = \frac{1}{b-a}\int_a^b g(t)\,\mathrm{d}t$ , donc $I = (b-a)E(g(U))$ ; on approche $I$ par $\hat I_N = \frac{b-a}{N}\sum_{i=1}^N g(U_i)$ .

La méthode

1
J'identifie les bornes $a, b$ et la fonction $g$ : je vérifie que $g$ est continue (ou au moins intégrable) sur $[a,b]$ et que $a, b$ sont finis.
2
Je simule $N$ uniformes sur $[a,b]$ via U = a + (b - a) * rd.random(N) (ou rd.uniform(a, b, N)).
3
Je calcule l'image G = g(U) et l'estimation I_hat = (b - a) * np.mean(G).
4
Je fournis un IC asymptotique : sig = np.std(G, ddof=1) puis $[\hat I_N \pm 1.96\,(b-a)\hat\sigma/\sqrt N]$ , et je compare à la valeur exacte si disponible.

Pour comprendre, fais des exercices !

Exercice d'exemple

Estimer $I = \int_0^1 \mathrm{e}^{-t^2}\,\mathrm{d}t$ par Monte-Carlo avec $N=10^5$ (valeur exacte $\approx 0.7468$ ).

Étape 1 —

J'identifie les bornes

a, b

et la fonction

g

: je vérifie que

g

est continue (ou au moins intégrable) sur

[a,b]

et que

a, b

sont finis.

import numpy as np, numpy.random as rd
N = 10**5
a, b = 0, 1

Étape 2 —

Je simule

N

uniformes sur

[a,b]

via U = a + (b - a) * rd.random(N) (ou rd.uniform(a, b, N)).

U = rd.random(N)

Étape 3 —

Je calcule l'image G = g(U) et l'estimation I_hat = (b - a) * np.mean(G).

G = np.exp(-U**2)
I_hat = (b - a) * G.mean()
print(I_hat)

Étape 4 —

Je fournis un IC asymptotique : sig = np.std(G, ddof=1) puis

[\hat I_N \pm 1.96\,(b-a)\hat\sigma/\sqrt N]

, et je compare à la valeur exacte si disponible.

sig = G.std(ddof=1)
print([I_hat - 1.96*(b-a)*sig/np.sqrt(N), I_hat + 1.96*(b-a)*sig/np.sqrt(N)])

$\hat I_N \approx 0.7468$ , en accord avec la valeur tabulée.

Les applications suivantes et la correction guidée sont réservées aux membres Premium

La méthode et sa première application corrigée restent en accès libre. Le Premium débloque les applications suivantes, l'aide IA et le suivi de ta maîtrise.

Comment mettre en œuvre la méthode de Monte-Carlo pour estimer une probabilité, une espérance ou une intégrale ?

En écrivant ∫abg(t) dt=(b−a) E(g(U))\int_a^b g(t)\,\mathrm{d}t = (b-a)\,E(g(U))∫ab​g(t)dt=(b−a)E(g(U)) avec U∼U[a,b]U\sim\mathcal{U}[a,b]U∼U[a,b] puis en moyennant

Pour comprendre, fais des exercices !

En écrivant $\int_a^b g(t)\,\mathrm{d}t = (b-a)\,E(g(U))$ avec $U\sim\mathcal{U}[a,b]$ puis en moyennant