Accelerated Monte Carlo estimation of exceedance probabilities under monotonicity constraints

Bousquet, Nicolas¹

¹ EDF Research & Development Dpt. of Industrial Risk Management 6 quai Watier, 78401 Chatou, France

Annales de la Faculté des sciences de Toulouse : Mathématiques, Série 6, Tome 21 (2012) no. 3, pp. 557-591

Abstract (VO)

The problem of estimating the probability $p=P\left(g\right(\mathbf{X})\le 0)$ is considered when $\mathbf{X}$ represents a multivariate stochastic input of a monotonic function $g$. First, a heuristic method to bound $p$, originally proposed by de Rocquigny (2009), is formally described, involving a specialized design of numerical experiments. Then a statistical estimation of $p$ is considered based on a sequential stochastic exploration of the input space. A maximum likelihood estimator of $p$ build from successive dependent Bernoulli data is defined and its theoretical convergence properties are studied. Under intuitive or mild conditions, the estimation is faster and more robust than the traditional Monte Carlo approach, therefore adapted to time-consuming computer codes $g$. The main result of the paper is related to the variance of the estimator. It appears as a new baseline measure of efficiency under monotonicity constraints, which could play a similar role to the usual Monte Carlo estimator variance in unconstrained frameworks. Furthermore the bias of the estimator is shown to be corrigible via bootstrap heuristics. The behavior of the method is illustrated by numerical tests conducted on a class of toy examples and a more realistic hydraulic case-study.

Résumé

On considère l’estimation de la probabilité $p=P\left(g\right(\mathbf{X})\le 0)$ où $\mathbf{X}$ est un vecteur aléatoire et $g$ une fonction monotone. Premièrement, on rappelle et formalise une méthode, proposée par de Rocquigny (2009), permettant d’encadrer $p$ par des bornes déterministes en fonction d’un plan d’expérience séquentiel. Le second et principal apport de l’article est la définition et l’étude d’un estimateur statistique de $p$ tirant parti des bornes. Construit à partir de tirages uniformes successifs, cet estimateur présente sous de faibles conditions théoriques une variance asymptotique plus faible et une meilleure robustesse que l’estimateur classique de Monte Carlo, ce qui rend la méthode adaptée à l’emploi de codes informatiques $g$ lourds en temps de calcul. Des expérimentations numériques sont menées sur des exemples-jouets et un cas d’étude hydraulique plus réaliste. Une heuristique de boostrap, reposant sur un réplicat de l’hypersurface $\{\mathbf{x},g(\mathbf{x})=0\}$ par des réseaux de neurones, est proposée et testée avec succès pour ôter le biais non-asymptotique de l’estimateur.

Détail

DOI : 10.5802/afst.1345