• Aucun résultat trouvé

CONTENU Autrer´ef´erenceutile R´ef´erencesdebase Pr´erequis Objectifsg´en´eraux IFT-3655MOD`ELESSTOCHASTIQUES

N/A
N/A
Protected

Academic year: 2022

Partager "CONTENU Autrer´ef´erenceutile R´ef´erencesdebase Pr´erequis Objectifsg´en´eraux IFT-3655MOD`ELESSTOCHASTIQUES"

Copied!
2
0
0

Texte intégral

(1)

D´epartement d’informatique et de Hiver 2020 recherche op´erationnelle (IRO)

IFT-3655

MOD` ELES STOCHASTIQUES

Prof. Pierre L’Ecuyer, bureau AA-3361

Objectifs g´en´eraux

Ce cours introduit les outils classiques de base pour la mod´elisation stochastique et l’utilisation de m´ethodes Monte Carlo. Ces outils sont essentiels en particulier en apprentissage automatique, en recherche op´erationnelle, en statistique, et dans de nombreux sous-domaines de l’informatique. On vise

`

a ce que les ´etudiants soient `a l’aise avec les techniques de base en probabilit´es appliqu´ees, les chaˆınes de Markov, et les m´ethodes Monte Carlo, et sachent appliquer ces m´ethodes en pratique.

Pr´erequis

Des connaissances de base en probabilit´es et statistique sont essentielles. Il y aura quelques devoirs o`u il faudra programmer pour calculer des solutions. Vous pourrez utiliser le langage de programmation que vous voulez.

R´ef´erences de base

• Sheldon M. Ross,Introduction to Probability Models, 11-i`eme edition, Academic Press, 2014.

Autre r´ef´erence utile

• Mark A. Pinsky et Samuel Karlin, An Introduction to Stochastic Modeling, 4-i`eme edition, Aca- demic Press, 2010.

CONTENU

1. Mod´elisation stochastique, probabilit´es, et conditionnement Id´ee g´en´erale de la mod´elisation stochastique. Probabilit´e. Variable al´eatoire. Esp´erance. Variance. Lois discr`etes et continues.

Ind´ependance. Th´eor`emes limites. Lois conditionnelles, esp´erance conditionnelle, et leurs utilisations.

Formule de Bayes. Techniques de calcul par conditionnement. D´ecompositions et m´elanges de lois.

Notion de processus stochastique.

2. Chaˆınes de Markov en temps discret. D´efinition. ´Etat stationnaire. ´Equations de Chapman- Kolmogorov. ´Etats r´ecurrents et transitoires. ´Equations d’´equilibre. Chaˆınes reversibles. Chaˆınes de Markov cach´ees.

3. Simulation et M´ethode de Monte Carlo. G´en´eration de variables al´eatoires uniformes et non uniformes. M´ethodes d’inversion et de rejet. Simulation de chaˆınes de Markov. Estimation d’une esp´erance par Monte Carlo. ´Ev´enements rares. Importance sampling. Monte Carlo conditionnel. Com- paraisons avec valeurs al´atoires communes. D´eriv´ee stochastique. Monte Carlo par chaˆınes de Markov (MCMC). Metropolis-Hastings. ´Echantillonnage de Gibbs. Hit-and-run. Applications en statistique, en apprentissage, et dans d’autres domaines.

1

(2)

4. Processus de Poisson. Loi de Poisson et Processus de Poisson. Propri´et´es des processus de Poisson. Processus stationnaires et non stationnaires. Applications.

5. Chaˆınes de Markov en temps continu. D´efinition. G´en´erateur infinit´esimal. ´Equations de Kolmogorov. Processus de naissance et de mort. Mod`eles simples de files d’attentes. Evolution `´ a reculons et chaˆınes reversibles. Uniformisation.

6. Processus de d´ecision Markoviens. Optimisation des syst`emes dynamiques stochastiques.

Equations de r´´ ecurrence. Programmation dynamique. Applications diverses.

Evaluation´

Examen partiel: 25%

Examen final: 35%

Devoirs: 40%

Les examens sont `a livre ferm´e. Les devoirs seront fr´equents (une dizaine) et n’impliqueront pas beau- coup de programmation. Les devoirs ne comptent que si la note moyenne des examens d´epasse 40%.

Horaire

Mardi, 10:30–12:30, salle Z-315, pavillon McNicol.

Jeudi, 16:30–18:30, salle P-318 en janvier-f´evrier, P-312 en mars-avril, pavillon Roger Gaudry.

Examen intra: jeudi 20 f´evrier, 16:30–18:30, salle P-318.

Examen final: mardi 21 avril, 10:30–13:29, salle AA-1175.

D´ebute le mardi 7 janvier.

2

Références

Documents relatifs

La premi`ere loi de Newton d´efinit les r´ef´erentiels d’inertie comme ceux o`u, en l’absence de force, la particule est, soit immobile, soit en MRU ; autrement dit, avec la

[r]

Cette fonction initialise deux instances de la classe avec la valeur y 0 , remplit les tableaux y de ces deux instances avec les it´ erations successives de la m´ ethode

Valeurs aléatoires communes common random numbers CRN Idée: pour comparer deux ou plusieurs systèmes semblables, utiliser les mêmes nombres aléatoires uniformes aux mêmes

Décomposition: inversement, si N· est un processus de Poisson de taux λ· et si chaque arrivée est de type j avec probabilité pj , indépendamment du temps et du passé, et Nj t

Ce livre pr´ esente des aspects introductifs en optimisation de formes, des probl` emes mod` eles vari´ ees, des rappels concernant l’analyse num´ erique et l’optimisation

I Contrairement `a l’algorithme d’acceptation-rejet, on a plus besoin d’ ´evaluer max g f. Le choix de q n’influe pas sur le fait qu’il y a convergence, mais il influe sur

Le coˆ ut marginal de long terme est ´egal au coˆ ut moyen de long terme pour le niveau de production tel que ce dernier est minimum.. Ici, le coˆ ut marginal de long terme est ´egal