D'accord c'est plus claire,
il est normal que tu n'y arrive pas directement avec h, en faite de façon ultra rigoureuse il faut le démontré pour les fonctions indicatrice des boreliens de l'espace des épreuves (ou l'on retombe sur la définition de P(Wi ds B), puis par linéarité sur les fonctions étagées positives (combinaison linéaire des indicatrices), après on étend par convergence monotone aux limites des suite de telles fonctions.
Par contre la fonction h devrait être soumise à la condition d'être positive (peut-tu vérifier)?
bon pour me décrasser un peu je me suis plongé dans les calculs; désolé si je répète ce qui vous avez déjà dis.
L'auteur est donc soumis au problème de calculer l'intégrale suivante, il a la judicieuse idée d'utiliser la méthode de monté carlo :
où
Y suit la loi de densité f. Or f est une densité difficile à simuler, il a donc recours à une densité auxiliaire plus simple g. Notons
X la v.a. issue de cette nouvelle densité :
on note w(.)=f(.)/g(.) l'importance de la nouvelle distribution (pour l'instant j'utilise l'importance brut pour avoir un élément de comparaison)
pour estimer cette dernière espérance il utilise un échantillonnage
de n simulations successifs et indépendants de la v.a.
X.
avec pour estimateur la moyenne empirique :
cette estimateur est sans biais, en effet :
Et sa variance vaut
Toujours pas satisfait des résultats, il compte bien améliorer son estimateur, en jouant sur l'importance w de la densité auxiliaire g. Il espère ainsi simplifier les calculs (les wi ne sont que des simples entiers pour une loi discrete), mais qu'advient-il de la variance.
Il fait donc une deuxième étape de simulation durant laquelle il simule un échantillonnage de l'importance
, où pour tout i
avec
la loi de poisson de paramètre
Aparté sur les notations :
Pour être plus juste je devrais plutôt noter
les réalisations des v.a.
, mais comme vous l'aurez compris, je parle d'échantillonnage en tant qu'élément aléatoire et pas simplement de la donnée d'une réalisation particulière de cette échantillon. C'est comme l'estimateur
, qui dans mon texte est un élément aléatoire qui se réalise lors de la simulation d'un échantillon
en une estimation de
Fin de l'aparté.
Il obtient donc un nouvelle estimateur
Cette estimateur aussi est sans biais :
on calcul les espérances dans la somme avec les espérances conditionnées à X_i (donc à X par indépendance) :
or justement
en tant qu'espérance d'une loi de poisson.
Finalement on retombe bien sur
avec les même calcul que le précédent estimateur. (on peut revenir, pour justifier les transitions, à l'écriture sous forme intégrale mais c'est gâcher l'utilité et la simplicité de la notation E[.])
Quand à la variance de ce nouvel estimateur on trouve (il faut calculer le moment d'ordre 2 de la loi de poisson) :
Il a donc perdu en précision de façon significative en voulant simplifier ces calcul (qu'il a mis d'ailleurs deux fois plus de temps à réaliser). Il avait tout autant intéret à chercher une autre densité g. L'élément bloquant dans la méthode de monté carlo est la simulation de l'echantillon et pas comme au temps des machine 8 ou 16 bit la multiplication des flottants.
Avec des registres internes de 64 bits la précision est suffisante pour la grande majorité des applications numériques, et l'instabilité due aux erreurs d'approximation des réels moins pertinente.