WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Conception d'un pro logiciel interactif sous r pour la simulation de processus de diffusion

( Télécharger le fichier original )
par Arsalane Chouaib GUIDOUM
Université des sciences et de technologie de Houari Boumedienne - Magister en mathématiques 2012
  

précédent sommaire suivant

Extinction Rebellion

4.4.2 Processus de diffusion de type G

Pour ce modèle, nous avons :

Coefficient de dérive: A(t,Xt) = r(è -Xt), r > 0.

B(t,Xt) = vóXt, ó > 0.

Coefficient de diffusion :

dXt = r(è - Xt)dt + vóXtdWt.

ÉDS :

(x )-1+è ä e- x ä

Distribution stationnaire : ð(x) = ), ä = ó 2r.

ä ä

Statistique : moyenne = è, mode = è- ä, variance = äè.

Preuve D'après l'équation (4.16) ,on a

d 1 d2

d ó d2

dx (r(è - x)ð(x)) - dx2 (óxð(x)) = 0 ? r dx ((è - x)ð(x)) - dx2 (xð(x)) = 0

2 2

? r(è - x)ð(x) - ó d

2 dx(xð(x)) = 0

ó

? r(è - x)ð(x) = 2(ð(x) + xð'(x))

ó ó

? r(è - x)ð(x) - 2 ð(x) = 2 xð0(x)

ðe(x)

?

ð(x)

= 2 (r(è-x)- ó) óx 2

ðe(x)

?

ð(x)

(2rè 1 )1 2r ó xó

(2rè

? ln|ð(x)| = - ó 1 ) ln(x)- ó 2r x+C

~ ~

2rè

? ð(x) = Kxó -1 exp -2r ó x

Posant ä = ó2r avec K = ä1-èä / (2), d'où on trouve la distributions stationnaire ð(x) d' une équation de type G, qui suit une loi gamma ã (èä,1) ä

~x ~-1+è ä e- x ä

ð(x) = ~

ä ä

Simulation numérique de la distribution stationnaire de modèle de type G

On considère par exemple le modèle Cox-Ingersoll-Ross (CIR) (Chapitre 3 exemple 3.6) décrit par l'équation différentielle stochastique

dXt = r(è - Xt)dt + óvXtdWt, X0 = x0 > 0. (4.20)

Avec la condition 2rè > ó2. Posant par exemple (r,è,ó) = (0.5,3,1) et x0 = 100,Ät = 0.1, donc

on a le modèle

1

dXt = 2 (3 - Xt)dt +vXtdWt, x0 = 100

simulons numériquement un échantillon Xv=90 de taille 100 à partir de cette équation

R> f <- expression( 0.5*(3-x) ) R> g <- expression( sqrt(x) )

R> AnaSimX(N = 1000, M = 100, t0 = 0, Dt = 0.1, X0 = 100, v = 90,

+ drift = f, diff = g)

R> X

[1]

1.9781677

2.7698461

1.9426347

6.8094888

3.2716436

11.0541449

[7]

1.6495788

2.7213673

5.6279096

4.1147230

3.6330197

1.8322262

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

[89]

2.1697131

6.5484018

0.8467619

2.5333814

1.1763158

3.3743554

[95]

0.4432751

3.7510871

1.6463437

2.0691975

1.8540492

3.8536741

R> summary(X)

Min. 1st Qu. Median Mean 3rd Qu. Max.

0.5483 1.7760 2.7510 3.1900 4.2450 10.0500
R> var(X)

[1] 3.492991

Estimations des paramètres :

R> Ajdgamma(X, starts = list(shape = 1, rate = 1), leve = 0.95) Profiling...

$summary

Maximum likelihood estimation

Call:

mle(minuslogl = lik, start = starts)

Coefficients:

Estimate Std. Error shape 3.079444 0.4161674 rate 0.962066 0.1412105

-2 log L: 376.7305

$coef

shape rate

3.079444 0.962066

$AIC

[1] 380.7305

$vcov

shape rate

shape 0.17319531 0.05410881
rate 0.05410881 0.01994040

$confint

2.5 % 97.5 %

shape 2.3372820 3.972203
rate 0.7104027 1.265122

Ajustement de la distribution stationnaire ð(x) :

R> hist_general(Data = X, Breaks='Sturges', Law = "GAmma")

R> Kern_general(Data = X, bw='SJ', k = "gaussian", Law = "GAmma")

FIGURE 4.6 - Ajustement de la distribution stationnaire du modèle CIR par la méthode d'histogramme.

Test de Kolmogorov-Smirnov :

FIGURE 4.7 - Ajustement de la distribution stationnaire du modèle CIR par la méthode du noyau.

R> ks.test(X, "pgamma", shape = 3, rate = 1 ) One-sample Kolmogorov-Smirnov test data: X

D = 0.0722, p-value = 0.6741

alternative hypothesis: two-sided

précédent sommaire suivant






Extinction Rebellion





Changeons ce systeme injuste, Soyez votre propre syndic





"Il faudrait pour le bonheur des états que les philosophes fussent roi ou que les rois fussent philosophes"   Platon