Présente les principes fondamentaux de la simulation stochastique, couvrant l'organisation des cours, les modèles de file d'attente, les finances, les statistiques, la physique et les détails des examens.
Couvre le cours de simulations stochastiques, le modèle de file d'attente G/G/1, la finance computationnelle, les statistiques, la physique et l'inférence bayésienne.
Explore les générateurs de nombres aléatoires, y compris les algorithmes Pseudo-RNG, les propriétés, les méthodes d'évaluation et les tests d'indépendance.
Explore les méthodes avancées d'acceptation-rejet, l'échantillonnage à partir de la distribution normale et la génération de variables aléatoires multivariées.
Explore la génération de vecteurs aléatoires gaussiens avec des composantes spécifiques basées sur des valeurs observées et explique le concept de fonctions de covariance définies positives dans les processus gaussiens.
Explore la génération de processus stochastiques, y compris les processus gaussiens, les processus de Markov, les processus de Poisson et l'intégration circulatoire.
Présente les chaînes de Markov, couvrant les bases, les algorithmes de génération et les applications dans les promenades aléatoires et les processus de Poisson.
Explore les techniques de réduction de la variance dans la simulation stochastique, en mettant l'accent sur l'utilisation de variables aléatoires auxiliaires et de moyennes d'échantillons pour améliorer l'efficacité.
Couvre le calcul et l'estimation dans la simulation stochastique, en se concentrant sur la génération de répliques iid et l'échantillonnage d'importance optimale.
