Simulation de Monte-Carlo

Jan 29 2023
La simulation de Monte Carlo est une méthode statistique qui utilise un échantillonnage aléatoire pour modéliser et analyser le comportement d'un système ou d'un processus. L'idée de base est de répéter une simulation plusieurs fois, chaque fois avec différentes entrées aléatoires, pour voir comment le système se comporte en moyenne et quelle gamme de résultats est possible.

La simulation de Monte Carlo est une méthode statistique qui utilise un échantillonnage aléatoire pour modéliser et analyser le comportement d'un système ou d'un processus.

L'idée de base est de répéter une simulation plusieurs fois, chaque fois avec différentes entrées aléatoires, pour voir comment le système se comporte en moyenne et quelle gamme de résultats est possible.

Les résultats de chaque simulation sont ensuite combinés pour donner une image complète du comportement du système. Les simulations de Monte Carlo sont utilisées lorsque des solutions analytiques ne sont pas possibles, ou lorsqu'une meilleure compréhension de l'incertitude et du risque est nécessaire.

Il est impossible de répéter indéfiniment. Au lieu de cela, nous répétons l'expérience un nombre de fois suffisant pour que les résultats soient pratiquement équivalents à le faire encore et encore pour toujours. Ceci est un exemple de simulation de Monte Carlo.

Points clés

  • Les simulations de Monte Carlo modélisent la probabilité de différents résultats en répétant un processus aléatoire suffisamment de fois pour que les résultats soient similaires à ce qui serait observé si le processus était répété indéfiniment.
  • La sample()fonction tire des résultats aléatoires à partir d'un ensemble d'options.
  • La replicate()fonction répète les lignes de code un certain nombre de fois. Il est utilisé avec sample()des fonctions similaires pour exécuter des simulations de Monte Carlo.

beads <- rep(c("red", "blue"), times = c(2,3))    # create an urn with 2 red, 3 blue
beads    # view beads object
sample(beads, 1)    # sample 1 bead at random
B <- 10000    # number of times to draw 1 bead
events <- replicate(B, sample(beads, 1))    # draw 1 bead, B times
tab <- table(events)    # make a table of outcome counts
tab    # view count table
prop.table(tab)    # view table of outcome proportion

Pour ce faire, nous échantillonnons avec remise. Après avoir ramassé la perle, nous la remettons dans l'urne. Nous pouvons dire à sample de le faire en changeant l'argument de remplacement qui par défaut est faux en vrai.