Algorithmes Stochastiques

Pas de pré-requis

Connaître les principales techniques de simulation de lois aléatoires. Connaître le fonctionnement et les principales propriétés des modèles markoviens à espace d’état fini ou dénombrable. Connaître les algorithmes issus de ces techniques (MCMC, Métropolis, recuit simule, algorithmes génétiques).

La partie théorique de l’UE présente des techniques de simulation usuelles de lois de probabilité, puis les chaînes de Markov à espace d’état fini ou dénombrable. Elle étudie ensuite en détail les principales propriétés de celles-ci en terminant par les principaux théorèmes de convergence associés. Les travaux dirigés associés présentent des applications, dont l’algorithme de Métropolis. La partie pratique permet de mettre en œuvre les connaissances de la partie théorique Elle présente notamment le recuit simulé, et les algorithmes génétiques.

Connaître les principales techniques de simulation de lois aléatoires. Connaître le fonctionnement et les principales propriétés des modèles markoviens à espace d’état fini ou dénombrable. Connaître les algorithmes issus de ces techniques (MCMC, Métropolis, recuit simule, algorithmes génétiques).