Couvre la méthode Markov Chain Monte Carlo et l'algorithme Metropolis-Hastings pour générer des échantillons à partir d'une distribution de probabilité cible.
Couvre l'algorithme Metropolis-Hastings et le diagnostic de convergence dans la simulation stochastique, en se concentrant sur l'échantillonnage et la génération de propositions.
Explore l'ergodicité géométrique dans les chaînes de Markov et le biais et la variance des estimateurs, en mettant en évidence la quantification des pertes d'efficacité.
Explore la simulation stochastique, les événements rares et la méthode Crude Monte Carlo, en soulignant l'importance des seuils et des expressions de forme fermée.
