Vous êtes sur la page 1sur 85

ECOLE SUPERIEURE DE STATISTIQUE

ET DANALYSE DE LINFORMATION

( ESSAIT)

Cours de mthodes de simulation

Prpar par Hassen MATHLOUTHI

Anne universitaire 2014-2015

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

AVANT PROPOS
Ce document propose un cours sur les mthodes de simulation alatoire. Il est le
rsultat de lenseignement de ce module durant ces dernires annes lEcole de
Statistique et dAnalyse de lInformation.
Pour une bonne comprhension des mthodes proposes, ce cours doit tre
accompagn dexercices aussi bien de travaux dirigs ainsi que de travaux pratiques. A
cet effet, nous donnons la fin du document les noncs des preuves des examens des
annes 2008 2014.
Ce cours reste nanmoins trs incomplet. Il ne traite en effet que quelques une des
mthodes usuelles de simulation alatoire. En particulier, les mthodes de type MCMC
(chaine de Markov- Monte Carlo) ne sont pas examines. Ces autres mthodes
devraient tre aussi tudies par tout lecteur cherchant approfondir ses
connaissances en la matire.
Il reste galement assez thorique. En effet, les considrations dordre pratique
lies notamment la programmation informatique ne sont que partiellement ou pas du
tout abordes.
Dautre part et quoique ayant fait lobjet de plusieurs lectures et de vrifications,
le risque de prsence derreurs mathmatiques (et derreurs de langue aussi) nest pas
nul. Je serais trs reconnaissant aux lecteurs me signalant les ventuelles erreurs ou
incomprhensions.

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
2

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Table de matires
Dsignation
Avant propos
Chapitre1 : Introduction gnrale
1. Prsentation
2. Dmarche pratique
3. Application
4. Concepts et outils de base
5. Plan du cours et bibliographie
Chapitre 2 : Simulation de la loi uniforme standard
1. Gnralits
2. Les gnrateurs de congruence
3. Les tests statistiques
Chapitre 3 : Simulation des lois non uniformes une
seule dimension
1. Gnralits
2. La mthode dinversion
3. Simulation de la loi normale
4. La mthode de transformation
5. La mthode de rejet
Chapitre 4 : Simulation des vecteurs alatoires
1. Simulation en cas de loi jointe donne
2. Simulation de la loi normale
multidimensionnelle
3. La mthode de la copule
Chapitre 5 : La mthode de Monte Carlo
1. Fondement mathmatique
2. Calcul pratique
3. Proprits
4. Rduction de la variance
Recueils de sujets dexamens

Page
1
4
4
6
6
7
9
10
10
12
17
25
25
26
30
32
33
39
39
42
44
48
48
51
52
54
59

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
3

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Chapitre 1
INTRODUCTION GENERALE

Plusieurs applications scientifiques ont besoin de nombres choisis au hasard


comme donnes ncessaires leur fonctionnement. Ces nombres sont couramment
appels nombres alatoires.
Comme exemples dapplications demandant ces nombres, nous citons en
particulier
La conception de programmes informatiques de jeux du hasard
Les techniques de slection probabiliste dchantillons dans une population
Les techniques de cryptologie (mthodes daffectation de codes numriques cachs
comme dans le cas des cartes de recharges tlphoniques).
etc.
Ce cours a pour objet de prsenter certaines des mthodes permettant de simuler
la gnration de tels nombres. Dans cette introduction gnrale, nous donnons une
prsentation sommaire de ces mthodes, de leur dmarche mthodologique ainsi que
de leur principale utilisation en statistique.
1. PRESENTATION

Un nombre alatoire est priori une des valeurs prises par une certaine
variable alatoire relle.
En consquence, pour avoir un nombre alatoire, on na que raliser
lexprience alatoire qui convient, noter son rsultat et dterminer son image par une
variable alatoire adquate. Cest cette image qui constitue le nombre alatoire
demand.
Ainsi par exemple, si une application ncessite, disons dix nombres alatoires
valant 0 ou 1 avec une probabilit gale chacun, on peut par exemple raliser 10
fois lexprience alatoire consistant jeter au hasard une pice de monnaie et prendre
le nombre 0 si le rsultat est Face et le nombre 1 sinon.

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
4

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Ce procd de gnration de nombres alatoires quon peut qualifier de matriel


est videmment le plus naturel. Il prsente cependant des limites importantes en
pratique. Parmi ces limites citons notamment :
Il est difficile de lutiliser lorsque la quantit de nombres alatoires demands est
importante. Or la plupart des applications concernes ncessitent souvent des milliers
sinon des dizaines ou des centaines de milliers de nombres alatoires.
Ce procd est mme impossible raliser lorsquon ne connait pas la nature de
lexprience alatoire sous jacente ou la dfinition de la variable alatoire considre.
Cest le cas notamment de nombres alatoires issus de variables alatoires continues.
Ces limites ont conduit les utilisateurs, notamment avec lavnement de lre
informatique, concevoir et mettre en uvre dautres procds de gnration de
nombres alatoires utilisables dans leurs applications. Parmi ces autres procds, les
procds de type algorithmique qui constituent lobjet de ce cours sont dune grande
utilisation pratique.
Les mthodes algorithmiques de gnration de nombres alatoires se prsentent
comme des formules mathmatiques permettant de disposer dune suite de nombres
quon peut considrer comme tant choisi au hasard selon une loi de probabilit
donne.
Ainsi, au lieu de raliser matriellement une exprience alatoire pour obtenir un
nombre alatoire, on procde sa dtermination en calculant une formule
mathmatique.
Du fait de leur caractre mathmatique, les mthodes algorithmiques peuvent
faire lobjet de programmation informatique, ce qui permet dobtenir trs rapidement
autant quon veut de nombres alatoires. Dans la pratique, on fait en effet tourner un
certain programme informatique autant de fois quon veut de nombres alatoires.
Il convient cependant de noter que de part leur construction, il est impossible
dobtenir avec les mthodes algorithmiques de nombres alatoires. En effet, ces
mthodes consistent en lapplication dune formule mathmatique. La connaissance
de cette formule permet ainsi de connaitre au pralable le nombre que ces mthodes
donnent, ce qui est contraire la dfinition mme dun nombre alatoire. En effet, un
nombre alatoire est par dfinition non prvisible.
Nanmoins, malgr limpossibilit dobtenir de vritables nombres alatoires
avec les mthodes algorithmiques, les amliorations continues quont connues ces
mthodes ont conduit lobtention de nombres qui ressemblent dans plusieurs
aspects des vrais nombres alatoires.
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
5

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Aussi, appelle- t- on ces mthodes de mthodes de simulation alatoire et les


nombres quelles produisent des nombres pseudo-alatoires ou des nombres
simuls. On parle aussi dchantillon artificiel pour un ensemble de nombres fournis
par ces mthodes.
2. DEMARCHE GENERALE
Dans les applications, les gnrateurs algorithmiques permettent seulement de
simuler des valeurs dune variable X suivant la loi uniforme continue sur lintervalle
[0,1].
Pour la simulation dune variable alatoire Y suivant une autre loi de probabilit,
on na pas besoin de gnrateurs particuliers. Il suffit de trouver la relation liant cette
variable et la variable X. Or cette relation existe toujours.
En effet, selon un rsultat mathmatique, toute variable alatoire Y peut scrire
comme une certaine fonction de variables alatoires relles X1, X2, , Xi,,Xp suivant
chacune une loi uniforme continue sur lintervalle [0,1] :
Y = Y(X1, X2, , Xi,, Xp)
En consquence, pour avoir n valeurs simules dune variable Y tant donn sa
loi de probabilit, on procde ainsi :
Dtermination de la fonction Y : La thorie de probabilit propose cet effet
plusieurs rsultats permettant daider la dtermination de cette fonction. Ce volet fera
lobjet du troisime chapitre de ce cours.
Gnration de np valeurs simules de la loi uniforme continue sur [0,1] : (x11, x21, ,
xi1,, xp1) , (x12, x22, , xi2,, xp2), ,(x1n, x2n, , xin,, xpn)
Calculer simplement : yi = Y(x1i, x2i, , xii,, xpi) pour i = 1 n
3. APPLICATIONS

Outre les applications gnrales sus indiques, la simulation de nombres


alatoires trouvent leur application dans un grand domaine des mathmatiques et des
statistiques qui est le calcul intgral approch. Cette application porte le nom de la
mthode de Monte Carlo
En particulier, les caractristiques dune loi de probabilit comme entre autres
lesprance mathmatique et la variance, ou la probabilit attache un intervalle
donne, se prsentent comme des intgrales et peuvent ainsi tre approchs en
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
6

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

appliquant la mthode de Monte Carlo sur un certain nombre de valeurs simules


issues de la loi de probabilit considre.
En gnral, chaque fois quon peut tolrer une certaine marge derreur, on peut
utiliser les techniques de simulation pour disposer de nombres alatoires. Cest le cas
en gnral du calcul de probabilits. Mais une telle utilisation serait priori non
permise pour les applications de cryptologie par exemple.
4. CONCEPTS ET OUTILS DE BASE

Les concepts et outils utiliss sont ceux du calcul de probabilit. Il sagit


notamment des concepts et outils suivants :
Variable et vecteur alatoire
Loi de probabilit
Fonction de rpartition
Densit de probabilit
Moments thoriques dune variable alatoire : Esprance mathmatique, variance,
etc.
Formule de changement de variables
Loi des grands nombres
Thorme central limite, etc.
Ces concepts et outils doivent tre bien compris pour une meilleure maitrise des
mthodes de simulation.
Nous donnons ci aprs titre de rappel une prsentation succincte, sous forme de
tableaux, des lois usuelles une seule dimension donnant leur dfinition, leurs
principales caractristiques et quelques unes de leurs proprits.
4.1 Les lois usuelles discrtes.
Appellation et
symbole
Loi de Bernoulli
X ~> B ( p)

Exprience alatoire

Loi binomiale
X ~> B ( n,p)

X= nombre dindividus
ayant une
caractristique c dans
un ensemble de n
individus tirs avec
remise dans une
population E

X = 1 si un individu
choisi au hasard dans
une population E a un
caractristique c ,
X= 0 sinon

Expression
P(X= x) = px q n-x
x {0,1} et p = 1-q est
la proportion dindividus
dans E ayant la
caractristique c
P(X= x) = Cnx px q n-x
x {0,1,2,,n} et p = 1q est la proportion
dindividus dans E ayant la
caractristique c

Moments

E( X) = p
V(X) = p q
MX (t) = q + pet

E( X) = np
V(X) =n p q
MX (t) =(q + pet )n

Proprits
X1 ~> B ( p1) ,
X2 ~> B ( p2)
et E( X1X2) =E(X1)E(X2) alors
X1 et X2 sont indpendantes
X1, X2,et Xn
indpendantes et suivant
chacune B(p) alors :
S = Xi suit B ( n,p)
X1 suit B ( n1 ,p) et
X2 suit B ( n2 ,p) indp alors,
X1 + X2 suit B (n1+ n2 ,p)

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
7

Cours de Mthodes de Simulation


___________________________________________________________________________________________________
Loi Hyper
gomtrique
X ~>H (n,N1,N)

Loi de Poisson
X ~> P()

Loi gomtrique
X ~> G(p)

X= nombre dindividus
ayant une
caractristique c dans
un ensemble de n
individus tirs sans
remise dans une
population E
( on note N leffectif de
E et N1 leffectif dans
E des individus ayant
la caractristique c)
X= nombre de
ralisations dun
certain vnement au
cours dune priode de
temps donne.
X= nombre de
ralisations
indpendantes dune
exprience jusqu
lobtention dun
vnement A donn.

CNx 1CNn xN1


P( X x)
CNn
x {a, a+1,,b-1,b} o
a = max (0, n-N2) et
b=min (n,N1) , N2 = N- N1

E ( X) = np
V(X) = npqk
Avec p = N1/N
q= 1 p et
k= (N-n)/(N-1)

P(X= x) = e- x / x !
x N et 0

E ( X) =
V(X) =
MX (t) =
exp[(et -1)]

P(X= x) = pqx-1
x N* et q=1-p est la
probabilit davoir A

E(X) = 1/p
V(X) = q/ p2
MX (t)=pet / ( 1-qet)

Quand N + , n et p restant
fixes
X suit approximativement
B( n,p)
avec p= N1/N

X1 suit P(1) et
X2 suit P(2) indpendantes
alors,
X1 + X2 suit P(1+ 2)

4.2 Les lois usuelles absolument continues


Appellation et
symbole
Loi uniforme
continue sur
[a.b]
X ~> U ( a,b)

Densit de probabilit

Loi
exponentielle
X ~> e()

f(x)= exp (- x) x 0
= 0 sinon

Loi gamma

f ( x)

X ~>(a,b)

1
x [ a, b]
ba
0 sin on

f ( x)

Moments

Proprits

F(x) = 0 x a.

ba
E( X )
xa
2
F ( x)
x [ a , b]
ba
(b a ) 2
V (X )
F(x) = 1 x > b.
12
F(x) = 0 x 0.
F(x) = 1-e-x x > 0.

M (t )

Soit Y

X
alors Y

suit aussi la loi uniforme


continue.

t
t

E(X) = 1/ et V(X) = 1/ .

b a a 1 bx
x e x
(a )

f ( x)
Loi Normale
X ~> N(m,2)

Fonction de rpartition

Non dfinie
analytiquement

= 0 sinon

1
2 2

exp[

x R
m R et > 0

F est non dfinie


1
( x m) 2 ] analytiquement mais
2
2

existe une table pour


la fonction de
rpartition de la loi
normale centre rduite
N(0,1)

Soit X1 ~>(a1,b) et
t < b X2 ~>(a2,b) indpendantes
Alors(X1+ X2) ~>(a1+a2,b)
Soit X1 ~>(a,b) et >0
( s a )
s>
E( X s ) s
alors X1 ~>(a,b/)
b (a)
e(b) (1,b)
0
( tm + t22/2 )
MX( t) = e
Soit X ~> N(m,2) et
U = (X-m)/ alors
E( X) = m
U~> N(0,1) et donc
F(x) = (u=(x-m)/ ).
n
V(X) = 2
i X i ou
Soit Z

b
M(t) =

bt

i 1

les i sont des rels et les Xi


sont normales alors Z est

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
8

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

normale.

Loi de Khi
deux

1 n
( ) 2 n
1 y
f(x) = 2
x 2 e 2
n
( )
2

X~> ( n)

x0
Loi de Student
T~> S ( n).

F est non dfinie


analytiquement mais
existe une table.

E(Y) = n ,V(Y) = 2n.


MX( t) =
n

1
1 2

t
2
1 2t

= 0 ailleurs

T=

U
Y /n

o U~> N(0,1), Y (n)


indpendantes
Loi de Fisher
R~> F

Y1
R=

Y2

n1
n2

Soit X=

U
i 1

2
i

o Ui N(0, 1 ) i et
indpendantes alors
X ( n)
( n) (n/2,1/2)

E( T ) = 0
F est non dfinie
analytiquement mais
existe une table.

V( T ) =

n
n2

F est non dfinie


analytiquement mais
existe une table.

o Y1 ~> ( n1) et
Y2 ~> ( n2)
indpendantes .

5. PLAN DU COURS ET BIBLIOGRAPHIE

En plus dun chapitre introductif, ce cours comprend quatre autres chapitres:


Chapitre 2 : Simulation de la loi uniforme standard
Chapitre 3 : Simulation des autres lois de probabilit une seule dimension
Chapitre 4 : Simulation des lois de probabilits multidimensionnelles
Chapitre 5 : La mthode de Monte Carlo

Comme lments bibliographiques approfondissant ce cours, signalons


lexistence de plusieurs livres traitant les mthodes de simulation de variables
alatoires. On trouve galement sur Internet un grand nombre de sites prsentant des
cours et exercices concernant les dites mthodes. Nous nous contentons dans ce qui de
signaler quelques unes de ces rfrences qui nous semblent les plus intressants.
N. Bouleau. Probabilits de lIngnieur, variables alatoires et simulation
L. Devroye. Non-Uniform Random Variate Generation. Springer, 1986.
KNUTH D.E.. (1968) "The art of computer programming", volumes 1 et 2, AddisonWiley
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
9

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Chapitre 2
SIMULATION DE LA LOI UNIFORME
CONTINUE STANDARD

Ce chapitre a pour objet de prsenter certaines des mthodes permettant de


gnrer des nombres simulant les ralisations dune variable alatoire relle suivant la
loi uniforme continue sur lintervalle [0.1]. Ces nombres quon appelle nombres
pseudo alatoires comme expliqu dans lintroduction gnrale sont la base des
mthodes de simulation des autres lois de probabilit. Certaines procdures de tests
statistiques permettant de juger la performance de ces mthodes sont galement
prsentes.
La littrature propose plusieurs procds de gnration de nombres pseudo
alatoire. Nous nous limitons dans ce chapitre aux gnrateurs de congruence qui sont
les plus usuels.
Aprs une introduction prsentant notamment les gnrateurs de nombres pseudo
alatoires dans leurs gnralits, nous tudions en dtail les deux grandes familles de
gnrateurs de congruence : les gnrateurs de congruence linaire et les gnrateurs
de congruence multiplicative. Nous terminons le chapitre par la prsentation de trois
familles de tests statistiques pouvant tre utiliss pour juger la performance des
gnrateurs proposs.
Nous rappelons en annexe la dfinition de la loi uniforme standard et ses
proprits.
1. GENERALITES
Quest ce quun gnrateur de nombres pseudo alatoires ? Quelles sont ses
qualits souhaites ? Comment le construire ? Ce sont les questions traites dans cette
introduction.
1.1 Dfinition
Un gnrateur de nombres pseudo alatoires est un procd mathmatique
(formule) permettant en lappliquant de disposer dune suite de nombres quon peut
considrer comme des valeurs indpendantes dune variable alatoire suivant la loi
uniforme continue sur [0,1].

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
10

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Remarques
Le gnrateur de nombres pseudo alatoires est ainsi cens remplacer tout procd
matriel passant par la ralisation dune certaine exprience alatoire.
Plusieurs termes utiliss sont presque des synonymes. Ainsi, on dit indiffremment,
gnrateur, simulateur, mthode de simulation, algorithme de simulation etc.
Toutes les machines calculer scientifiques et tous les langages, logiciels et tableurs
informatiques disposent de fonctionnalits permettant de gnrer des nombres pseudo
alatoires.
Concrtement un gnrateur de nombres pseudo alatoires est un programme
informatique qui permet en lappelant de donner un ou plusieurs nombres ressemblant
des ralisations indpendantes dune variable alatoire suivant la loi uniforme
continue sur [0,1]. En gnral, ce programme nest pas directement accessible
lutilisateur.
1.2. Critres de qualit
Ce quon demande dun gnrateur de nombres pseudo alatoires est videmment
sa qualit imiter le hasard en fournissant des nombres indpendants et uniformes
mais aussi des qualits dordre :
Mathmatique : la formule se prte une analyse mathmatique permettant
notamment de voir les avantages et les insuffisances du gnrateur en question
Informatique : la formule donne lieu des calculs simples et rapides. En effet,
on cherche des gnrateurs algorithmiques pour exploiter les grandes capacits
de calcul ainsi que la rapidit de mise en uvre fournis par les ordinateurs. .
1.3 Principe gnral de construction
Comme il a t dit, la formule de gnration nombres pseudo alatoires se
prsente en fait comme un programme informatique. Pour obtenir un nombre pseudo
alatoire, il convient ainsi de tourner ce programme. Comme il sagit dune formule,
cela ncessite quon fournisse au programme une donne initiale.
Il nest pas cependant commode de tourner le programme et lui fournir donc la
donne initiale chaque fois quon a besoin dun nombre pseudo alatoire. En effet,
dans les applications, on a besoin dun nombre important de valeurs alatoires.
La solution gnralement adopte est de concevoir le programme de telle sorte
considrer chaque nombre pseudo alatoire sorti comme valeur initiale du prochain
nombre alatoire sortir. Il suffit ainsi de disposer que dune seule valeur initiale et de
prciser au programme le nombre de valeurs pseudo alatoires demandes.

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
11

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Dune manire plus prcise, soit S un ensemble fini dentiers naturels appel
espace dtats et s0 un lment de S appel tat initial ou germe.
On appelle fonction de transition toute fonction f de S dans S : sn = f(sn-1).
Comme son nom lindique la fonction f permet de passer dun lment un autre au
sein de lensemble S. En se donnant s0 et en appliquant cette fonction un certain
nombre N de fois, on obtient ainsi une suite {sn} de N+1 lments de S : s0, s1, s2,,
sn,,sN.
Soit maintenant U un autre ensemble appel ensemble de sorties. On appelle
fonction de sortie une fonction g de S dans U : un = g(sn).
La fonction g permet ainsi de construire une deuxime suite {un} a partir de {sn} :
u0, u1, u2,, un,,uN.
Dans la pratique, S est un ensemble fini dentiers et U une partie de [0.1].
2. LES GENERATEURS DE CONGRUENCE
Les gnrateurs de congruence sont les gnrateurs les plus usuels compte tenu
de la facilit de leur mise en uvre. Ils sont introduits par Lehmer en 1948.
Comme leur nom lindique, ces gnrateurs sont bass sur la relation de
congruence.
Dans les applications, on distingue principalement entre deux types de
gnrateurs de congruence :
Les gnrateurs de congruence linaires
Les gnrateurs de congruence multiplicatifs
2.1 Gnrateurs de congruence linaire
a. Dfinition
Un gnrateur de congruence linaire (GCL) est dfini par la fonction de
transition suivante :
sn = (asn-1+c)( mod m)
o a, c et m sont des entiers positifs appels respectivement multiplicateur, incrment
et module.

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
12

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Remarques
sn est en fait le reste de la division entire de (asn-1+c) sur m
les termes de la suite quon obtient en tournant le gnrateur sont des nombres
compris entre 0 et m-1. Lespace dtats est ainsi dfini par S= {0, 1, 2,,,m-1}
Pour dmarrer le gnrateur, on se donne s0 choisi au hasard entre 0 et m-1.
Pour avoir des nombres compris entre 0 et 1, on divise les si par m par exemple.
Exemples
Exemple 1 : Soit sn =(10sn-1 + 5)(mod 12). On note que S = {0, 1, 2,,,11}. Si on fixe
s0= 5. on trouve : s1 = 7, s2 = 3, s3 = 11, s4 = 7, s5 = 3, s6 = 11, s7 = 7
Exemple 2 : Soit sn = (5sn-1 + 1) (mod 8). On choisit s0 = 0. En appliquant, on trouve :
s1 = 1, s2 = 6, s3 = 7, s4 = 4, s5 = 5, s6 = 2, s7 = 3, s8 = 0, s9 = 1,
b. Proprits
Le nombre de valeurs possibles pouvant tre fournies par un gnrateur de
congruence linaire est au plus gal m.
Dautre part, si un nombre apparait une deuxime fois, tous les nombres qui le
suivent apparaissent aussi une deuxime fois et selon le mme ordre. Ainsi, un
gnrateur de congruence linaire est ncessairement priodique. Sa priode maximale
vaut m.
Remarques :
la priode maximale nest pas toujours atteinte (voir exemple 1 ci-dessus)
Dans tous les cas, la qualit de lindpendance nest pas respecte. En effet, en
notant la priode on a ainsi s n+k = sn n et k N, ce qui est contraire au caractre
alatoire souhait.
c. Optimisation
Les gnrateurs de congruence linaire ont des bonnes proprits mathmatiques
et informatiques. En effet, la fonction modulo est trs facile manipuler. Ils
prsentent cependant un grave inconvnient du fait quils sont priodiques.
Aussi, a t- on chercher les amliorer par un bon choix des paramtres m, a et
c.
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
13

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Choix de s0 : ce paramtre est choisi au hasard (selon des procds


lectroniques) parmi les lments de S.
Choix de m : Dans ce type de modle, le nombre de termes possibles du
gnrateur vaut m. On en dduit que la priode maximale vaut m. Il convient en
consquence de choisir m le plus lev possible afin que le gnrateur ne se
rpte pas. En gnral, on le choisit de la forme 2k ou k est le nombre maximum
de bits permis par la capacit de lordinateur. Dautre part ce choix permet de
gagner du temps de calcul car il permet dviter la division.
Exemple : Soit un processeur 8 bits (23). Cherchons le reste de la division de
135 sur 23. Le nombre 135 scrit en binaire, la numrotation de base de
lordinateur, 10000111. En effet, on vrifie que :
135 = 1.27+0.26+0.25+0.24+0.23+1.22+1.21+1.20
Le reste de la division par 23 est direct. Il est donn par le contenu des trois
derniers bits 0000111 soit 7.
Choix de a et c : Choisir m, la priode maximale, la plus leve possible ne
suffit pas car cette priode maximale peut ne pas tre atteinte (voir exemple 1
ci-dessus). Nanmoins, il est possible datteindre cette priode maximale grce
un choix adquat des paramtres a et c. On a cet effet, la proposition suivante :
Proposition : le paramtre m tant donn, pour atteindre la priode maximale
soit m, il faut et il suffit que :
1. c et m soient premiers entre eux (leur pgcd = 1).
2. Pour chaque nombre premier p divisant m, (a-1) soit multiple de p
3. Si m est multiple de 4, (a-1) soit multiple de 4.
Exemple : soit le gnrateur de congruence linaire : sn = (asn-1+c)( mod 16)
Trouvons a et c pour que ce GCL atteigne sa priode maximale soit 16.
Pour vrifier la condition 1, on peut prendre c = 3. En effet 3 et 16 sont
premiers entre eux.
NB : on aurait pu prendre c = 5 ou c = 7 mais pas 2 ni 4.
Le seul nombre premier divisant m = 16 est 2. Le nombre (a-1) doit tre donc
multiple de 2. Dautre part, m =16 tant multiple de 4, (a-1) doit tre aussi
multiple de 4. On peut par consquent prendre a = 5 ce qui permet de vrifier
les deux conditions en mme temps.
En supposant so 0, ce gnrateur donne : : s1 = 3, s2 = 2, s3 = 13, s4 = 4,
s5 =
7, s6 = 6, s7 = 7, s8 = 8, s9 = 11, s10 = 10, s11 = 5, s12 = 12, s13 = 15,
s14 = 14, s15 =
9, s16 = 0,etc.

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
14

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Remarque : Avoir un gnrateur de priode maximale ne suffit pas davoir un bon


gnrateur.
Exemple : Prenons a = 1, c =1, m =1024 et s0 = 0. Ce gnrateur donne s1 = 1 , x2 = 2,
s3 = 3,, s1023 = 1023, s1024 = 0
Les nombres donns par ce gnrateur nont pas manifestement le caractre
alatoire.
2.2 Gnrateurs de congruence multiplicative
a. Dfinition
Un gnrateur de congruence multiplicative est dfini par la fonction de
transition suivante :
sn = (asn-1)( mod m)
o a et m sont des entiers positifs appels respectivement multiplicateur et module.
Remarques
les termes de la suite quon obtient en tournant le gnrateur sont des nombres
compris entre 0 et m-1. Il est noter cependant que si le gnrateur donne 0 , il
continue toujours donner 0. Par consquent, il convient dliminer le nombre 0 des
rsultats possibles dun gnrateur de congruence multiplicative. Lespace dtats est
ainsi dfini par S= {1, 2,,m-1}
Comme le gnrateur de congruence linaire, le gnrateur de congruence
multiplicative est priodique. Sa priode maximale vaut m-1 (nombre dlments de
S).
Ce type de gnrateur est plus avantageux que le gnrateur de congruence linaire
sur le plan de calcul informatique.
Exemples
Exemple 1 : Soit sn =(10sn-1)(mod 11). On note que S = { 1, 2,,,10}. Si on fixe s0= 1.
on trouve : s1 = 10, s2 = 1, s3 = 10, s4 = 1, s5 = 10, s6 = 1, s7 = 10
Exemple 2 : Soit sn = (5sn-1) (mod 8). Choisissons s0 = 3. En appliquant, on trouve :
s1 = 7, s2 = 3, s3 = 7,
Remarque :
la priode maximale nest pas toujours atteinte (voir exemple 1 ci-dessus)
Dans tous les cas, la qualit de lindpendance nest pas respecte. En effet, en
notant la priode on a ainsi s n+k = sn n et k N.
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
15

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

c. Optimisation
Comme les gnrateurs de congruence linaires, les gnrateurs de congruence
multiplicative ont des bonnes proprits mathmatiques et informatiques. Ils
prsentent cependant un grave inconvnient du fait quils sont priodiques.
Aussi, a t- on chercher les amliorer par un bon choix des paramtres m et a.
Proposition 1 : Pour avoir la priode maximale soit (m-1), il faut choisir m nombre
premier et prendre a racine primitive de m, soit :
an mod m 1 n =1,2, , (m-2).
Exemples :

sn = 2sn-1 mod 11
On note que 11 est bien un nombre premier. Dautre part on peut vrifier que les restes
des divisions de 2, 4 , 8, sur 11 sont diffrents de 1.
sn = 7 5sn-1 mod( 231-1). On a vrifi que ( 231-1) est premier et 75 est racine primitive
de ( 231-1).
Remarque : m tant premier ne peut pas tre de la forme 2k.. Si on tient cette forme
pour des raisons de facilits de calcul informatiques, il convient de choisir a et x0
selon la proposition suivante :
Proposition 2 : Soit m = 2k ( k 3). La priode maximale sous cette contrainte vaut 2k2
(donc infrieure m-1 qui est la priode maximale sans contrainte). Pour atteindre
cette priode maximale, il faut prendre x0 impair et a = 3 mod 8 (a = 8t 3)
Exemple : sn = 5sn-1 mod 32. On note que 32 = 2 5. Donc la priode maximale vaut
25-2 = 8. Pour latteindre, on prend par exemple x0 = 1 qui est impair et a = 5 qui vrifie
8x1 -3 . On aboutit en effet, la suite suivante : 1,5,25,29,17,28,9,13,1, 5,
2.3 Exemples rels de gnrateurs de congruence
Les gnrateurs de congruence ont t trs utiliss en pratique par les logiciels et
les langages de programmation notamment au commencement de lre informatique.
Citons titre dexemples :
Rand( ) du langage C ANSI avec m = 231, a= 1103515245 et c=12345.
Randu dIBM des annes 60 avec m = 231, a= 65539 et c = 0.
Gnrateur de Knuth et Lewis : sn = 69069 sn-1 mod( 232)
la fonction drand48() ( en C ANSI) qui utilise les paramtres :
m = 248 , a = 25214903917 , c = 11,
le gnrateur du logiciel MAPLE avec
m = 1012, a = 427419669081 , c = 0
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
16

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Remarques :
Les gnrateurs de congruence linaires ont connu des dveloppements
importants ces dernires annes notamment au niveau de la priode maximale
qui atteint dans certains cas des dimensions spectaculaires.
Un grand nombre dautres types de gnrateurs est propos dans la littrature.
Chaque nouvelle proposition vient corriger les problmes danciens gnrateurs
A noter aussi que beaucoup de gnrateurs considrs comme bons autrefois ne
le sont plus maintenant
On peut crer son propre gnrateur, mais il est bien plus prudent dutiliser un
gnrateur tabli ayant t test compltement (voir la suite du cours) que den
inventer un nouveau.
3. LES TESTS STATISTIQUES
Possder une trs grande priode et latteindre est, pour un gnrateur de
nombres pseudo alatoires, une condition ncessaire remplir mais pas suffisante. En
effet, un gnrateur peut satisfaire cette condition sans pour autant fournir des nombres
prsentant un caractre alatoire.
La question qui se pose maintenant est comment savoir quune suite de nombres
fournis par un gnrateur ont ou non un caractre alatoire. Dune manire plus
prcise, il sagit de vrifier si les nombres donns par le gnrateur en question
peuvent tre considrs comme des ralisations indpendantes dune variable
alatoire relle suivant la loi uniforme continue sur lintervalle [0,1].
Sagissant du domaine de lalatoire, la vrification ne peut tre ralise que par
le biais de tests dhypothses. Les hypothses tester ici concernent deux aspects en
mme temps : luniformit et lindpendance.
Plusieurs tests sont dvelopps dans la littrature. Ils nont pas la mme
puissance et ne concernent souvent quun seul aspect du problme : luniformit ou
lindpendance. Aussi, convient il en gnral utiliser plusieurs tests pour accepter un
gnrateur comme un bon gnrateur et lutiliser par la suite pour produire des
nombres alatoires.
Dans ce qui suit, nous prsentons en dtail deux exemples de test. Il sagit du test
dadquation de Khi deux et dun test dindpendance appel Run Test . Pour des
raisons pdagogiques, nous considrons aussi et en premier lieu le test de la moyenne.
Au pralable, nous rappelons les principes gnraux de construction dun test
statistique.
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
17

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

3.1 Principes gnraux


Etant donn un problme de test, c'est--dire une hypothse nulle H0 et une
hypothse alternative Ha, il sagit au vu dune suite de ralisations x1, x2, , xi,, xn
indpendantes dune variable alatoire relle X de prendre une dcision : Accepter ou
de refuser H0 au risque de se tromper ( tant donn).
Un test se prsente ainsi comme une rgle de dcision dans un contexte
dincertitude. Formellement, un test est dfini par toute application de lensemble des
chantillons possibles dans lensemble de dcisions (Ce dernier est constitu par deux
lments Accepter H0 et Refuser H0 ), ou dune manire quivalente par la
partie de lensemble des chantillons possibles conduisant refuser H0. Cette partie
quon note W est appele la rgion critique du test (ou sa rgion de rejet).
A chaque test est associ deux types de risque : le risque de premire espce not
couramment et dfini par la probabilit de refuser H0 alors quelle est vraie et le
risque de seconde espce correspondant la probabilit daccepter H0 alors quelle est
fausse. Il nexiste pas de test optimal, celui minimisant la fois les deux types de
risque. A la place, on a dvelopp des optiques gnrales permettant doprer des
choix partiels dans lensemble des tests disponibles. Entre autres de ces optiques,
citons notamment celle de Neyman, de Bayes, etc.
En pratique, pour construire un test, on passe en gnral par les tapes suivantes :
Trouver une statistique S fondant le test, c'est--dire une fonction de lchantillon :
S = (x1, x2,, xi,, xn), dont on connait la loi de probabilit (ou du moins la loi
asymptotique) sous H0. Concrtement, S est un indicateur tir de lchantillon et dont
les valeurs renseignent sur la plausibilit de H0.
Se donner un niveau de risque de premire espce =P(refuser H0/ H0 est vraie) =
P(W/ H0 est vraie)
Dterminer la forme de la rgion critique W comme une partie significative de
lensemble des valeurs prises par la statistique S
Dterminer les frontires de W tant donn la forme retenue et le niveau de risque
fix.
3.2 Test de la moyenne
Soit x1, x2, , xi,, xn n nombres donns par un gnrateur. Il sagit de tester
lhypothse (H0) selon la quelle ces nombres peuvent tre considrs comme des
ralisations indpendantes dune variable alatoire relle suivant la loi uniforme
continue sur [0,1].
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
18

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Intuitivement, si le gnrateur utilis est un bon gnrateur, la moyenne


arithmtique des nombres quil donne doit se situer proximit de la valeur 0.5 qui est
lesprance mathmatique de la loi uniforme continue sur [0,1]. En consquence, une
moyenne trs diffrente de 0.5 doit nous conduire douter de la qualit de ce
gnrateur.
Plus formellement, dsignons par X1, X2, , Xi,, Xn les variables alatoires dont
sont issues les ralisations x1, x2, , xi,, xn . Lorsque H0 est vraie, ces variables sont
identiquement et indpendamment distribues. Leur loi commune est la loi uniforme
continue sur [0,1] et donc :
1
( ) = = 1
2
1
( ) = = 1
12

Considrons maintenant la statistique = =1 (moyenne empirique). On

calcule aisment :
1
( ) =
2
1
( ) =
12
On sait alors daprs le thorme central limite que la suite {Zn} dfinie par :
1
= ( 2)12
converge en loi vers la loi normale centre rduite.

Ds lors, on peut considrer Zn comme la statistique fondant notre test puisque sa


loi de probabilit sous H0 est connue (asymptotiquement). Comme la loi normale est
symtrique, il sensuit la rgion critique suivante :
W={ (x1,x2,,xi,,xn)/zn < z/2 ou zn > z1-/2 },
(Les nombres z/2 et z1-/2 sont respectivement les quantiles dordre (/2) et (1/2) de la loi normale centre rduite).
Exemple : On a utilis le gnrateur de nombres alatoires incorpor dans le tableur
Excel pour gnrer les 48 nombres suivants :
0,382
0,245
0,372
0,952
0,074

0,101
0,045
0,356
0,053
0,1098

0,596
0,032
0,910
0,705
0,064

0,899
0,164
0,466
0,817
0,358

0,885
0,220
0,426
0,973
0,487

0,958
0,017
0,304
0,466
0,511

0,014
0,285
0,976
0,300
0,373

0,407
0,343
0,807
0,750
0,986

0,863
0,554
0,991
0,351

0,139
0,357
0,256
0,776

Doit - on refuser ce gnrateur au risque de 5% de se tromper ?


Etant donn le niveau de risque fix, la zone de rejet se dfinit ainsi :
W={ (x1,x2,,xi,,x48)/z48 < z2.5%=-1.96 ou z48 > z97.5%=1.96},
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
19

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Avec les donnes fournies, la statistique Z48 prend la valeur z48 = 0.25. Cette
valeur nappartient pas la zone de rejet W. En consquence, au risque de 5% de se
tromper on ne peut pas considrer le gnrateur dExcel comme un mauvais
gnrateur de nombres alatoires.
Remarque importante :
Le test de la moyenne est manifestement insuffisant pour tester un gnrateur.
Comme son nom lindique, il sagit simplement dun test de lgalit de la moyenne
la valeur . Or il nya pas que la loi uniforme continue sur [0.1] qui a une moyenne
gale . En consquence, ce test peut accepter des donnes provenant dautres lois
de probabilit ayant une moyenne gale . Le caractre uniforme nest donc pas
test. A noter cependant, que ce test suffit pour refuser un gnrateur. En effet, une
moyenne diffrente de est incompatible avec la loi uniforme continue sur [0,1].
3.2 Test dadquation de khi-deux
Avec le test de la moyenne, il sagissait de comparer la moyenne empirique avec
la moyenne thorique. On a fait remarquer quune telle procdure est insuffisante pour
juger la qualit dun gnrateur. Lide intuitive derrire le test dadquation de khideux est de comparer toute la distribution empirique, (et non pas seulement sa
moyenne) avec son quivalent thorique sous lhypothse nulle. En effet, lorsque le
gnrateur utilis est mauvais , ces deux distributions doivent se distinguer assez
significativement.
Dune manire formelle, soit x1, x2, , xi,, xn n nombres donns par un
gnrateur. Notons n1, n2,...,nj,, nk les effectifs correspondant une rpartition en k
classes damplitude gale de ces n nombres. Ces effectifs sont des variables alatoires.
On les appelle les effectifs empiriques.
On dfinit galement des effectifs thoriques quon note n1*, n2*,...,nj*,, nk*,
ceux qui prvalent lorsque H0 est vraie. Par dfinition, lon a ainsi :

= = 1
A ce niveau, on dmontre que la statistique Dn dfinie par :

( )
=

=1

converge en loi sous H0 vers la loi de Khi deux (k-1) degrs de libert.
Cest cette statistique qui fond le test dadquation de Khi deux. Intuitivement,
cette statistique devrait prendre des valeurs assez proche de zro lorsque H0 est vraie,
c'est--dire lorsque le gnrateur utilis est de bonne qualit. En effet, sous cette
hypothse, il ne devrait pas y avoir de diffrences significatives entre les effectifs
empiriques et leurs quivalents thoriques.
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
20

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

La rgion critique sen dduit directement tant donn un niveau de risque de


premire espce :
W={ (x1,x2,,xi,,xn)/dn > d1- (k-1) },
o la quantit d1- (k-1) reprsente la quantile dordre (1-) de la loi de Khi deux
(k-1) degrs de libert.
Pour appliquer en pratique un test dadquation de Khi deux sur un jeu de
donnes issues dun gnrateur (x1,x2,,xi,,xn), on passe par les tapes suivantes :
Construire la distribution empirique en se donnant dabord le nombre k de ses
classes (on choisit k entre 8 et 12 en pratique et des classes de mme amplitude) et en
comptant pour chacune de ces classes les nombres dobservations y appartenant. Ces
nombres dfinissent les effectifs empiriques nots nj .
On calcule pour chaque classe j la distance de Khi deux correspondante dfinie par
dj = (nj-nj*)/nj* et leur somme dn.
On compare cette somme avec la quantit d1- (k-1) reprsentant la quantile dordre
(1-) de la loi de Khi deux (k-1) degrs de libert pour juger la qualit du gnrateur.
Exemple : Considrons les mmes donnes issues du gnrateur du tableur Excel cidessus prsentes. Au risque de 5% de se tromper refuse t- on ce gnrateur en
utilisant le test dadquation de Khi deux ?
En fixant le nombre de classes 8, lon obtient la distribution suivante :
Classes
0, 000 - 0,125
0,125 - 0,250
0,250 - 0,375
0,375 - 0,5
0,500 - 0,625
0,625 - 0,75
0,750 - 0,875
0,875 -1,000
Total

Effectif rels Distance


6
0
6
0
5
0,17
6
0,00
4
0,67
8
0,67
7
0,17
6
0,00
48
1,67

La dernire colonne du tableau donne la distance de Khi deux de chaque classe et


leur somme d48 =1.67. Cette somme est infrieure au quantile dordre 95% de la de khi
deux 7 degrs de libert qui vaut 14. En consquence, on ne peut pas refuser ce
gnrateur au risque de 5% de se tromper.
Remarque
Considrons le gnrateur de congruence linaire dfini par : sn =(sn-1+1) mod 210.
En fixant s0 0, ce gnrateur donne : 0,1,2, 3, 4,,1023. Manifestement il sagit
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
21

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

dun trs mauvais gnrateur. Cependant, en divisant ces nombres par leur maximum,
on obtient une suite de nombres bien uniformment rpartis entre 0 et 1. La statistique
D1024 prend la valeur 0. On accepte ainsi avec le test dadquation de khi deux ce
gnrateur comme tant un bon gnrateur de nombres alatoires.
Ce contre exemple montre ainsi que le test dadquation de Khi deux est
insuffisant pour juger la qualit dun gnrateur. Il ne teste en fait quun seul aspect de
la qualit dun gnrateur savoir luniformit. Lindpendance, lautre aspect de la
qualit dun gnrateur, nest pas prise en considration.
3.4 Test dindpendance
Le paragraphe prcdent a t achev en faisant remarquer la ncessit de
complter le test dadquation de khi deux par un test dindpendance. Il existe dans
la littrature statistique plusieurs types de test dindpendance. Nous prsentons dans
ce qui suit un test connu sous lappellation Run test ou test des squences
croissantes et dcroissantes.
Soit une suite de n valeurs donnes par un gnrateur de nombres pseudo
alatoires : x1, x2, .., xi, , xn. On symbolise par + une diffrence positive entre deux xi
successifs et par - une diffrence positive entre deux xi successifs. On appelle squence
croissante (respectivement dcroissante) une succession de symboles +
(respectivement - )
Intuitivement un bon gnrateur ne doit pas donner une seule squence
croissante de valeurs, ni une seule squence dcroissante de valeurs, ni non plus une
squence alterne de valeurs car cela permettrait de prvoir les valeurs successives ce
qui est contraire au caractre alatoire demand. Les valeurs fournies par un bon
gnrateur devraient constituer des squences croissantes et dcroissantes en nombre
suffisant .
Plus formellement soit R le nombre de squences croissantes et dcroissantes
quon relve dans la suite des valeurs donnes par un gnrateur. Ce nombre est
priori une variable alatoire. On dmontre que sous H0 elle suit asymptotiquement une
loi normale de moyenne m et de variance 2 dfinis par :
m = (2n-1)/3 et 2 = (3n- 5)/18
En consquence, la statistique Z = (R-m)/ suivant asymptotiquement N(0,1)
peut fonder un test dindpendance des valeurs successives fournies par un gnrateur.
Plus prcisment, pour un niveau de risque donn, on refuse H0 chaque fois que la
valeur observe z dpasse t1-/2 ou est infrieur t/2 (t1-/2 et t/2 tant les quantiles de
rang (1-/2) et /2 de la loi normale centre rduite)
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
22

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Exemple : Un gnrateur donne les valeurs suivantes : 0.604, 0.091, 0.297, 0.059,
0.776, 0.120, 0.48, 0.005, 0.075, 0.306, 0.392, 0.608, 0.382, 0.783, 0.717, 0.355,
0.815, 0.829, 0.493 ,0.061, 0.743, 0.358, 0.275, 0.149, 0.237.
Peut on, au risque de 5% de se tromper, refuser lhypothse nulle dindpendance
(et donc conclure que ce gnrateur est mauvais) ?
Trouvons r la ralisation de R. Pour cela, symbolisons par + et par - les
diffrentes squences croissantes et dcroissantes :
-+-+---++++-+--++--+---+
On note la prsence de 7 squences dcroissantes et 7 squences croissantes. La
valeur r vaut donc 14. Comme n vaut 25, m est gal 49/3 soit 16.33 et 2 = (75- 5)/18
(=3.88). On en dduit la valeur z = -1.18 qui est bien comprise entre les seuils -1.96 et
1.96 correspondant aux quantiles de rang 2.5% et 97.5% de la loi normale centre
rduite. Les donnes observes ne permettent pas de refuser ce gnrateur.

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
23

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Annexe
La loi uniforme continue standard
On dit quune variable alatoire relle absolument continue suit la loi uniforme
continue standard ( X U (0,1) ) si sa densit de probabilit f est dfinie par :
f(x) = 1[0,1]
On en dduit que F la fonction de rpartition de X est donne par
F(x) = 0 si x 0
= x si x [0,1]
= 1 si x 1
Une proprit caractristique de la loi uniforme continue sur [0,1] est que la probabilit
dun intervalle vaut sa longueur et ce indpendamment de la position quil occupe sur
le support [0,1]:
P([a,b])= (b-a) [a,b] [0,1].
On en dduit que tous les sous intervalles de [0,1] ayant la mme longueur ont la
mme probabilit. Par exemple P([0.1,0.2]) = P([0.2,0.3]) = P([0.3,0.4]) =
P([0.8,0.9]) = P([0.9,1]) = 0.1, traduisant ainsi luniformit de la distribution sur
lintervalle [0,1].
Gnration physique de la loi uniforme standard :
Soit lexprience alatoire consistant choisir au hasard un point du segment
[0,1]. Notons lensemble des rsultats possibles de cette exprience. Soit maintenant
la variable X de dans dfinie par X() = . On peut montrer que X
suit la loi uniforme continue sur [0,1].
En consquence, pour gnrer des valeurs dune variable alatoire suivant la loi
uniforme continue, on peut procder la ralisation de cette exprience alatoire.

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
24

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Chapitre 3
SIMULATION DE LOIS NON UNIFORMES
A UNE SEULE DIMENSION
Le chapitre prcdent a propos des formules spcifiques permettant de simuler
des ralisations dune variable alatoire suivant la loi uniforme standard. Il en est
autrement en ce qui concerne les autres lois de probabilit. En effet, pour simuler une
loi de probabilit non uniforme, on passe dabord par la simulation de la loi uniforme
standard. Ensuite, on transforme les valeurs obtenues, selon des techniques
appropries, pour obtenir les valeurs demandes.
Ce sont ces techniques de transformation des valeurs issues de la loi uniforme
standard qui dfinissent les mthodes de simulation de lois non uniformes. De telles
mthodes existent en grand nombre dans la littrature statistique. Elles se distinguent
notamment sur le plan informatique en donnant plus ou moins rapidement la quantit
de valeurs simules demande.
Dans ce qui suit, on se limite certaines dentre elles qui sont les plus utilises.
1. GENERALITES
La simulation de valeurs dune variable alatoire relle suivant une loi de
probabilit autre que la loi uniforme standard repose sur une proprit mathmatique
connue. Nous rappelons dans ce qui suit cette proprit et nous montrons comment elle
est utilise pour simuler des lois de probabilit non uniformes.
1.1 Rappel dune proprit mathmatique
Toute variable alatoire X valeurs dans Rp peut tre simule sous la
forme :
X = f(U)
o U = (U1, U2,., Uq) est uniformment rpartie sur [0; 1]q
La fonction f de Rq dans Rp est borlienne et a ses points de discontinuit dans un
ensemble Lebesgue-ngligeable.
Remarques :
Il sagit dune galit en loi
La fonction a une expression explicite et nest pas ncessairement unique.
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
25

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Nous ne donnons pas une dmonstration cette proprit gnrale. Nous nous
contentons de la vrifier dans certains cas particuliers qui apparaitront dans la suite de
ce chapitre.
1.2 Dmarche de gnration
Soit X une variable alatoire relle. On souhaite disposer de n valeurs simules x1,
x2,., xn de X .
Lorsque X suit la loi uniforme continue sur [0,1], on sait que les gnrateurs de
nombres pseudo alatoires tudis dans le chapitre prcdents permettent de fournir
des nombres compris entre 0 et 1 quon peut assimiler des valeurs simules de X.
Dans le cas o X est une variable alatoire relle suivant une loi de probabilit
dun autre type, on peut adopter la dmarche gnrale suivante qui est base sur la
proprit mathmatique ci-dessus prsente.
Gnrer en utilisant un bon gnrateur de nombres pseudo alatoires, une
suite indpendante de valeurs dune variable alatoire relle U suivant la loi
uniforme continue sur [0,1] : u1, u2,.,.
Trouver une transformation f permettant de passer de U X et consommant le
moins possible du temps de calcul.
Appliquer cette transformation pour trouver les valeurs x1, x2,.,. comme
fonction des valeurs u1, u2,.,.
Lobjet de ce cours est de prsenter quelques unes de ces transformations qui
sont les plus usuelles en ce qui concerne les lois unidimensionnelles.
Remarques :
Il est possible quil existe plusieurs transformations permettant de passer de U
X. On choisira videmment celle consommant le moins de temps de calcul.
Des procds permettant de simuler directement une loi non uniforme sans
passer par la loi uniforme existent dans certains cas particuliers. Etant
relativement rcents, ces procds ne sont pas tudis dans ce cours.
2. LA METHODE DINVERSION
Appele galement la mthode de la fonction rciproque, cette mthode est la
plus directe des mthodes de transformation. Pour des raisons pdagogiques, nous
distinguons le cas des variables absolument continues du cas des variables alatoires
discrtes. Au pralable nous rappelons la dfinition et les proprits de la fonction de
rpartition dune variable alatoire relle
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
26

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

2.1 Fonction de rpartition


La fonction de rpartition dune variable alatoire X est la fonction F de R dans
R dfinie par
F(x) = P(X x)
La fonction de rpartition dune variable alatoire relle prsente les proprits
suivantes :
F(R) =[0,1]
F est croissante au sens large.
F est partout continue droite (pouvant prsenter des discontinuits gauche)
F(+) =1 et F(-)=0
En outre, si X est une variable continue (X() est infini non dnombrable), alors
F est partout continue aussi bien droite qu gauche. Si en plus F est drivable, on dit
que X est absolument continue. Dans ce dernier cas, la loi de X est galement
caractrise par sa densit de probabilit f dfinie par f(x) =F(x).
2.1. Cas des variables continues.
On sait que dans ce cas la fonction de rpartition F est strictement croissante et
partout continue. Lapplication rciproque existe donc et est galement strictement
croissante et partout continue.
Proposition : Soit X une variable alatoire absolument continue et F sa fonction
de rpartition. Alors U = F(X) suit la loi uniforme continue sur [0,1].
En effet, notons G la fonction de rpartition de U. Par dfinition,
G(u) = P(Yu) = P(F(X) u)
soit,
G(u) = P( X F-1(u))
do
G(u) = F(F-1(u)) = u
ce qui correspond la fonction de rpartition dune variable alatoire relle suivant la
loi uniforme continue sur [0,1].
Ce qui prcde montre que X = F-1(U) et autorise utiliser lalgorithme suivant
pour simuler des valeurs de X:
Dterminer lexpression de F-1 partir de F (programmer F-1)
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
27

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Gnrer, en utilisant un bon gnrateur de nombres pseudo alatoires, n valeurs


u1, u2,., un.
Dterminer les valeurs simules de X en utilisant lexpression x i = F-1(ui).
Exemple :
Soit X suivant la loi exponentielle e(). On sait alors que F prend la forme
suivante :
F(x) = 1- exp(-x) x > 0
On en dduit lexpression de F-1
ln(1)

= 1 () = (

).

Ainsi si u1, u2, , ui, , un est une suite de n nombres pseudo alatoires, on en
dduit une suite de n valeurs simules de X comme suit :
ln(1 1 )
ln(1 2 )
ln(1 )
ln(1 )
1 = (
) , 2 = (
) . . = (
) . = (
).

Remarques :
On peut facilement dmontrer que si U suit la loi uniforme continue sur [0,1], la
variable V = 1-U suit aussi la loi uniforme continue sur [0,1]. On peut par consquent
calculer aussi xi selon lexpression :
ln( )
= (
)

ce qui est plus intressante sur le plan calcul informatique.


En pratique, on commence par dterminer analytiquement lexpression de F-1.
Ensuite, on cre un programme informatique faisant appel au gnrateur de nombres
pseudo alatoire disponible et calculant ensuite les valeurs simules xi selon
lexpression de F-1 avec les valeurs ui donnes par le gnrateur.

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
28

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Illustration graphique

2.2. Cas de variables discrtes.


Lorsque X est discrte, sa fonction de rpartition F nest pas partout continue et
donc son inverse F-1 nexiste pas. Mais on peut dfinir sa pseudo inverse F* par :
F*(u) = inf {x E / F(x) u} u [0,1]
o E est lensemble des valeurs possibles prises par X
Illustration soit X une variable discrte suivant la loi binomiale B(3,0.5). On en
dduit directement la fonction de rpartition de X :
F(x) = 0 x < 0
F(x) = 1/8 x [0,1[
F(x) = 1/2 x [1,2[
F(x) = 7/8 x [2,3[
F(x) = 1 x 3
Dterminons par exemple F*(0.35). Par dfinition on a :
F*(0.35) = inf { t E / F(t) 0.35} = inf { 1,2,3} = 1
Remarque : F* = F-1 si F est bijective (cas de variable absolument continue)
Propositions
Si F*(u) a alors u F(a)
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
29

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

En effet, puisque F est croissante (au sens large), on a F (F*(u)) F(a). Dautre
part, on sait que F (F*(u)) = F (inf{t E / F(t) u}) u et donc u F(a).
Soit U suivant la loi uniforme continue sur [0,1] et F* la pseudo inverse dune
fonction F croissante et continue droite alors la variable X = F*(U) a pour fonction
de rpartition la fonction F.
En effet, trouvons la fonction de rpartition de X :
P(X x) = P (F*(U) x)
Soit compte tenu de la premire proposition :
P(X x) = P (U F(x)) = F(x)
On dduit de ce qui prcde lalgorithme suivant pour simuler des valeurs de X:
Dterminer lexpression de F* partir de F (programmer F*)
Gnrer, en utilisant un bon gnrateur de nombres pseudo alatoires, n valeurs
u1, u2,., un.
Dterminer les valeurs simules de X en utilisant lexpression xi = F*(ui)
Exemple : Simulation de X suivant la loi binomiale B(3,0.5)
Dterminons dabord F* la pseudo inverse de F. Lon a par dfinition :

F*(u) = 0 u 1/8
F*(u) =1 u ]1/8, ]
F*(u) =2 u ]1/2, 7/8]
F*(u) =3 u ]7/8, 1]
Ainsi, si on a u1 = 0.21 ; u2 = 0.005 ; u3 = 0.95, on prend x1 = 1, x2 = 0 et x3 = 3.

c. Limites de la mthode
La principale insuffisance de la mthode est quelle ncessite la connaissance de
lexpression explicite de la fonction de rpartition. Or plusieurs lois de probabilit dont
notamment la loi normale nont pas cette proprit.
En outre, la mthode est en comparaison avec dautres, assez encombrante en
place mmoire notamment dans le cas discret.
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
30

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

3. SIMULATION DE LA LOI NORMALE CENTREE REDUITE


Comme il a t dj constat la mthode dinversion ne permet pas de simuler la
loi normale. Or cette loi est dune grande importance aussi bien thorique que pratique.
Il convient donc de trouver dautres mthodes. Celles-ci sont assez nombreuses. Nous
nous contentons dans ce qui suit deux dentre elles : La premire mthode conduit
des valeurs approches, la seconde fournit quant elle des valeurs exactes.
3.1 Mthode approche
Cette mthode est base sur le thorme central limite. Soit {Xj}j=1 m un
chantillon IID(,2). Rappelons que cela signifie que j = 1 m, les Xj sont
indpendantes et suivent la mme loi de probabilit, la quelle loi possde une
esprance mathmatique et une variance 2. On sait alors daprs le thorme central
limite que la variable alatoire relle dfinie par :
(
=1 )

Y=
2
suit approximativement, pour m assez grand, la loi normale centre rduite.
En particulier en prenant m = 12 et lorsque les Xj suivent chacune la loi uniforme
continue standard U (0,1) , vaut alors et 2= 1/12 , lon a :
Y= (12
=1 ) 6
Une procdure de simulation de n valeurs approches de la loi normale centre
rduite sen dduit directement :
Gnrer, en utilisant un bon gnrateur de nombres pseudo alatoires, 12.n
valeurs simules dune variable alatoire X suivant U (0,1) :
(x1,1,x2,1,,x12,1), (x1,2,x2,2,,x12,2),., (x1,i,x2,i,,x12,i),., (x1,n,x2,n,,x12,n)
Calculer y1, y2, yi, yn en appliquant la dfinition prcdente, soit :
yi = (12
=1 , ) 6
3.2 Mthode exacte.
Cette mthode connue sous le nom dalgorithme de Box Muller est base sur le
thorme suivant :
Thorme de Box Muller : Soient X et Y deux variables alatoires relles
indpendantes suivant chacune la loi normale centre rduite N(0,1). On tablit les
galits en loi suivantes :
= (2 ln ) cos(2)
= (2 ln ) sin(2)
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
31

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

ou U et V sont deux variables alatoires relles indpendantes suivant la loi uniforme


standard U (0,1)
Dmonstration :
En coordonnes polaires les variables X et Y scrivent :
X =R cos A (1)
Y = R sin A (2)
ou R (le module) est une variable alatoire ayant pour support lensemble des rels
positifs et A (langle) est une autre variable ayant pour support lintervalle [0,2].
On note que R2 =X2+Y2. Comme X et Y sont indpendantes et suivant chacune
N(0,1), il sensuit que R2 suit la loi de khi deux deux degrs de libert ou encore la
loi exponentielle de paramtre .
Notons H la fonction de rpartition de R. On a donc :
H(r) = P(R r) =P(R r)
Comme R suit la loi exponentielle de paramtre 1/2; il vient que :
() = 1 /2
do :
1 () = 2ln(1 )
On en dduit directement lgalit en loi suivante (voir mthode dinversion) :
R= ou U suit U (0,1) (3)
Considrons maintenant la transformation suivante :
(X,Y) (R, A)
et notons f la densit de probabilit de (X,Y), soit :
1 ( 2 +2)
2
(, ) =

(, )
2
Daprs la formule du changement de variables, la densit g du couple (R,A) est
donne par :
(, ) = (, )||
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
32

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

ou |J| est le jacobien de la transformation prcdente. En remplaant, on trouve :


(, ) =

1
2

( )

] r 0 et a [0,2]

Le terme entre crochets nest autre que la densit h de La variable R. En effet, on


vrifie que :
h(r) = H(r)= r e-r/2 r 0
Dterminons maintenant la densit l de la variable A. Par dfinition :
+

() =

(, ) =

1
2

Il sensuit que R et A sont indpendantes et que A suit la loi uniforme continue


sur [0,2]. On sait alors que L fonction de rpartition de A scrit:
L(a) = a/2
et donc :
a = L-1(v)= 2 v
ce qui permet dcrire lgalit en loi suivante :
A = 2 V

ou V suit U (0,1) (4)

En confrontant les galits (1), (2), (3) et (4) on aboutit au rsultat dmontrer.
Utilisation pratique :
Pour simuler 2n valeurs dune variable alatoire suivant N(0,1), on peut procder
comme suit :
Gnrer, en utilisant un bon gnrateur de nombres pseudo alatoires, 2 valeurs
u et v dune variable suivant U (0,1) : .
Calculer x et y ainsi :
= (2 ln ) cos(2)
= (2 ln ) sin(2)
Rpter ces deux tapes n fois
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
33

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

4. METHODE DE TRANSFORMATION

4.1 Prsentation
Soit Y et X deux variables alatoires relles telles que Y=T(X) o T est une
transformation connue.
Supposons quon dispose dj de n valeurs simules x1, x2,,xi,.., xn de X.
Puisque T est connue, on peut en dduire directement n valeurs simules y1, y2,,yi,..,
yn de Y en appliquant simplement cette transformation, soit
yi =T(xi) i =1 n
Une telle procdure de simulation est appele mthode de transformation.
Remarques :
La mthode dinversion est un cas particulier de mthode de transformation o X
suit U (0,1)
La mthode de transformation est utilise chaque fois que la variable Y est difficile
simuler directement.
4.2 Quelques cas particuliers
Loi normale (quelconque) : Soit Y suivant N(m,) o m et sont donnes. On
sait alors quon peut crire
Y= X+m
o X suit N(0,1).
En consquence, pour simuler n valeurs y1, y2,,yi,.., yn de Y on peut procder
comme suit :
- Utiliser lalgorithme de Box Muller pour simuler n valeurs x1, x2,,xi,.., xn de X.
- En dduire n valeurs simules y2,,yi,.., yn de Y en posant :
yi = xi+m i =1 n
Loi log-normale : On dit que la variable Y suit la log-normale de paramtres m et
(donns) si
Y = exp(X)
o X suit N(m,).
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
34

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Aussi, si on veut simuler n valeurs y1, y2,,yi,.., yn de Y la procdure suivante


peut tre utilise :
- Utiliser la procdure prcdente pour simuler n valeurs x1, x2,,xi,.., xn de X
suivant N(m. ).
- En dduire n valeurs simules y2,,yi,.., yn de Y en posant :
yi = exp(xi) i =1 n
Loi uniforme continue sur [a,b]
Soit X suivant la loi uniforme continue sur [a,b]. On tablit trs facilement que lon
peut crire lgalit en loi suivante :
X= (b-a).U+a
o U suit la loi uniforme standard U (0,1)
On en dduit directement une procdure de simulation de X :
- Gnrer, en utilisant un bon gnrateur de nombres pseudo alatoires, n valeurs
simules dune variable alatoire U suivant U (0,1) : u1,u2, ,,un,
- Calculer x1, x2, xi, xn en appliquant la dfinition prcdente, soit :
xi= ( ) +
- Rpter les deux premires tapes pour i = 1 n

5. LA METHODE DE REJET
Comme il va tre prcis par la suite, la mthode de rejet est celle que lon
utilisera lorsque les mthodes prcdentes ne sont pas applicables pour simuler une loi
de probabilit donne. Cest le cas notamment de la simulation de la loi Gamma.
La mthode de rejet est en rapport avec les procdures de simulation des lois
conditionnelles. Aussi commenons-nous par prsenter ces procdures.
5.1 Simulation des lois conditionnelles
Un exemple introductif permet de mieux comprendre les procdures de
simulation des lois conditionnelles.
5.1.1 Exemple introductif
Soit choisir au hasard un lve g de plus de 21 ans dans une classe de 50
lves. On sait que dans cette classe il ya trente lves gs de plus de 21 ans et donc
vingt gs de 21ans.
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
35

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Deux procdures de choix sont priori possibles. Une premire manire de


procder consiste effectuer dabord un tri dans la liste des 50 lves selon lge ce
qui permet de crer deux sous listes : une pour les moins de 21 ans et une autre pour
les plus de 21 ans. Ensuite, on choisit au hasard un lve dans la sous liste des lves
de plus de 21 ans. Il est aussi possible de procder comme suit : On choisit au hasard
un lve dans la liste des 50 lves. Sil est g de plus de 21 ans on le retient. Sinon
on rejette ce choix et on recommence lexprience jusqu lobtention dun lve g
de plus de 21 ans.
On peut noter que les deux procdures conduisent au mme rsultat savoir un
lve g de plus de 21 ans. Elles se distinguent cependant sur deux aspects :
La premire ncessite un tri pralable mettant en vidence la sous population
concerne.
La deuxime, en procdant au rejet du choix issu de la population non concerne,
consomme en moyenne plus de temps pour sa ralisation.
5.1.2 Procdures de simulation
De lexemple prcdent, on peut faire les remarques suivantes :
Lexprience alatoire considre consiste en un choix sous une condition donne.
La loi de probabilit correspondante est ainsi une loi de probabilit conditionnelle. En
dsignant par lensemble de 50 nombres correspondant aux ges des 50 lves, cette
loi conditionnelle est en fait la loi uniforme discrte sur lensemble
conditionnellement ce que lge tir est suprieur 21 ans.
On note lexistence de deux procdures de simulation de cette loi conditionnelle : une
procdure directe de simulation de cette loi (Choix dans la sous liste des lves de
plus de 21 ans) et une procdure indirecte simulant la loi marginale (la loi uniforme
discrte sur sans condition) suivie par une dcision de rejet lorsque lvnement
conditionnant nest pas ralis.
Plus formellement, soit simuler une variable alatoire X selon une certaine loi
de probabilit conditionnellement la ralisation dun vnement A donn. Notons G
la fonction de rpartition de X et F sa fonction de rpartition conditionnellement A :
G(x) = P(X x)
F(x) = P(X x / A)
Lexemple introductif suggre deux procdures de simulation de la loi de X
conditionnellement la ralisation de lvnement A :
Premire procdure : On simule X directement selon sa loi conditionnelle F , par
exemple en utilisant la mthode dinversion lorsque cest possible.
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
36

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Deuxime procdure : On simule X selon sa loi marginale G et on vrifie la valeur


simule x. Si cette valeur satisfait la condition de ralisation de lvnement A on
laccepte. Sinon on rejette cette valeur et on recommence la simulation selon G jusqu
lobtention dune valeur vrifiant la condition.
Comme, il a t dj remarqu, la deuxime procdure consomme plus de temps
de calcul. On lutilise cependant en pratique notamment lorsquil nest pas possible
dutiliser la premire procdure. Cest lide derrire la mthode de rejet qui sera
dveloppe dans la section suivante.
5.2 Prsentation de la mthode de rejet
Soit f une densit difficilement ou carrment non simulable par les mthodes
usuelles. Si on arrive crire cette densit comme une densit marginale g, facile
simuler, conditionnellement un vnement A donn, on peut alors utiliser la
procdure indirecte de simulation dune loi conditionnelle telle que prsente cidessus. Cest la dmarche suivie par la mthode de rejet.
5.2.1 Fondement mathmatique
La mthode de rejet est base sur la proposition suivante :
Soient f et g deux densits de probabilits sur R vrifiant la relation suivante :
> 0 , () . ()
Considrons une variable alatoire relle X ayant g pour densit de probabilit et
Y une autre variable alatoire relle indpendante de X et suivant la loi uniforme
standard U (0,1). On tablit alors que la loi conditionnelle de X sachant Y< f(X)/c.g(X)
a pour densit f (en supposant videment g(X) 0 presque partout).

Dmonstration
Notons q(x) = f(x)/cg(x) et remarquons que 0 q(x) 1. Calculons maintenant
P( Y< q(X) ) en nous plaant dans le cas absolument continu . Par dfinition :
=+

( < ()) =
=

=()

(, )

=0

o h est la densit de probabilit du couple (X,Y). Mais comme X et Y sont


indpendantes h(x,y) = 1.g(x)=g(x). Il sen suit que :
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
37

Cours de Mthodes de Simulation


___________________________________________________________________________________________________
=+

( < ()) =

=()

()[

=0

soit comme Y suit U (0,1),


=+

( < ()) =

()()

Do tant donn la dfinition de q(x) :


1 =+
1
( < ()) =
() =
=

Cherchons maintenant P(X B | Y< q(X) ). Par dfinition, lon a :


P(X B | Y < (X)) =

P(X B et Y < (X))


P(Y < (X))

Daprs ce qui prcde, il vient que :


P(X B | Y < (X)) = c P(X B et Y < (X))
Ou encore :
P(X B | Y < (X)) = c

=()

()[

=0

Soit tant donn que Y suit U (0,1) et en remplaant :


P(X B | Y < (X)) = c

()()] =

()

Ce qui prouve que f est la densit de probabilit de la loi conditionnelle de X


sachant Y < f(X)/c.g(X).
Remarques
La proposition prcdente est aussi vraie pour le cas o X est une variable discrte.

Cette proposition est aussi valable pour le cas ou X est un vecteur alatoire.
5.2.2 Procdure pratique de simulation
Soit une variable X telle que sa simulation selon une densit f ne peut pas tre
effectue selon les mthodes prcdentes. Sil existe une autre densit de probabilit g
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
38

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

de X facile simuler et ayant le mme support que f et un rel c vrifiant : x R,


f(x)< c.g(x) , alors daprs ce qui prcde on peut utiliser la procdure suivante,
connue sous le nom de mthode de rejet, pour simuler une valeur de X selon f:
Etape 1 : On simule X selon g. Soit x la valeur obtenue
Etape 2 : On simule Y selon U (0,1). dune manire indpendante X. Soit y la
valeur trouve.
Etape 3 : On compare y au rapport q(x)= f(x)/cg(x). Si y < q(x) on accepte x
comme une valeur simule de X selon f, sinon on le rejette et on recommence
ltape 1

Remarques
La mthode de rejet est videmment plus lente que les autres mthodes de
simulation. On lutilise seulement lorsque ces autres mthodes ne sont pas
applicables.
Par hypothse, le nombre c est tel que , () . () . En intgrant
sur le support de f (et de g), lon note que c 1. On note aussi quil nest pas
unique. En effet, soit c c, lon a aussi : () . ()
On a tablit dans ce qui prcde que
1
( < ()) =

Le nombre c est donc linverse de la probabilit dacceptation dun tirage.


Soit N la variable alatoire reprsentant le nombre de tirages de couples (x,y)
rejets avant lobtention dune valeur simule de X selon f. On vrifie que la
variable N suit la loi gomtrique de paramtre p = 1/c. On sait alors que E(N) =
c ce qui signifie que le nombre c reprsente le nombre moyen de rejet. En
rapport avec la deuxime remarque ci dessus, il convient en consquent de le
choisir le plus petit possible. En pratique, on le choisit gal au maximum de
h(x)=f(x)/g(x).

La densit g doit tre normalement simple simuler. En pratique, on considre


souvent la densit de la loi uniforme continue sur [a,b] ou la densit de la loi
exponentielle comme exemples de densits g.
5.2.3 Exemple
Exemple : Soit X une variable alatoire relle ayant la densit de probabilit suivante :
2
() = 1 2 1[1,1]

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
39

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

On se propose de simuler X selon la mthode de rejet. Etant le support de f on


peut prendre comme densit g celle de la loi uniforme continue sur [-1,1] , soit g(x) =
.1[-1,1]. Pour trouver c, on cherche le max de h(x)=f(x)/g(x) sur [-1,], soit :
4
() = 1 2

Cette fonction atteint son maximum en x=0. Le nombre c vaut donc 4/.
En consquence, pour simuler X selon la mthode de rejet, on procde comme suit :
Etape 1 : On simule X selon g en utilisant par exemple la mthode dinversion,
soit en notant que G(x) = (x+1)/2 sur [-1,1] et donc
x = G -1 (u)= 2u-1
sur [-1,1],
On gnre u de U(0,1) en utilisant un bon gnrateur.
On calcule x = 2u -1
Etape 2 : On gnre, indpendamment de X, y de U(0,1) en utilisant un bon
gnrateur.
Etape 3 : On calcule q(x) =f(x) /c.g(x) = 1 2 ,
Si y < q(x) on accepte x comme valeur simule de X selon f
Sinon on rejette x et on recommence ltape 1.
Avec u =0.125, soit x=-0.7 5 et avec y = 0.956 on a q(x) =0.661 et donc comme
0.956 > 0.661, on ne doit pas accepter x =-0.75 comme valeur simule de X selon f.
En revanche avec u =0.754, soit x = 0.508 et avec y =0.254 on a q(x)= 0.861 et
donc y < q(x), la valeur x = 0.508 est considre comme valeur simule de X selon f.

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
40

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Chapitre 4
SIMULATION DES LOIS
A PLUSIEURS DIMENSIONS
Le chapitre prcdent a prsent un certain nombre de mthodes permettant de
simuler des lois de probabilits usuelles une seule dimension. Il peut tre not que
ces mthodes peuvent galement servir simuler des lois de probabilits de vecteurs
alatoires dont les composantes sont indpendantes. En effet, si X= (X1, , Xk ) est
form de variables alatoires relles indpendantes, il suffit de simuler
indpendamment lune de lautre chacune des lois marginales correspondantes aux
variables Xi pour obtenir une simulation du vecteur X.
Il convient galement de rappeler, que les lois de probabilit usuelles sont
utilises en pratique pour modliser et ajuster les distributions empiriques observes.
En prsence d'une seule variable alatoire relle, il existe plusieurs choix possibles de
loi de probabilit usuelle pour ajuster sa distribution empirique. En revanche, dans le
cas de vecteurs alatoires, les choix sont assez limits. En effet, part la loi normale
multidimensionnelle dans le cas continu ou la loi multinomiale dans le cas discret, la
littrature statistique offre peu dalternatives pour modliser le comportement alatoire
des grandeurs plusieurs dimensions. En particulier, il nexiste pas ou peu de loi jointe
usuelle dont les lois marginales sont de types diffrents. Aussi, en prsence dun
vecteur alatoire, ne cherche t- on pas en pratique dterminer sa loi jointe en la
modlisant par une distribution usuelle. On se contente souvent spcifier les lois
marginales de ce vecteur et lintensit de la liaison probabiliste entre ses composantes.
Dans ce chapitre, nous prsentons les mthodes de simulation dun vecteur
alatoire,
Lorsque sa loi jointe est connue (cas rare en pratique)
Lorsque seules ses lois marginales sont donnes ainsi quventuellement certaines de
ses caractristiques de liaison probabiliste.
Nous examinons galement une mthode de simulation spcifique pour la loi
normale multidimensionnelle qui se prsente comme un cas particulier important.
1. SIMULATION DUN VECTEUR ALEATOIRE A LOI JOINTE CONNUE.
Pour simplifier la prsentation, considrons le cas dun vecteur alatoire deux
dimensions quon note Z = (X,Y).
Si les variables X et Y sont indpendantes, cela signifie que les chances de
ralisation de chacune des valeurs prises par Y ne sont pas affectes par la valeur
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
41

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

ralise de la variable X. En consquence, pour simuler un couple (x,y) de Z = (X,Y),


on peut simuler sparment X et Y selon leur loi marginale respective.
En revanche, si X et Y sont lis, la ralisation dune valeur particulire x de X
influence les chances de ralisation de chacune des valeurs possibles de Y. Pour bien
comprendre cette remarque et celle qui la prcde, considrons lexemple suivant
dune loi discrte deux dimensions :
Y

P(X=x)

X
0
1
P(Y=y)

/4
0
1
/4

/4
1
/2
3
/4

/2
/2
1

On note que lorsque X prend la valeur 0, Y peut prendre chacune des valeurs 0 et
1 avec la mme probabilit. En revanche lorsque X prend la valeur 1, Y ne peut
prendre la valeur 0. Seule la valeur 1 est possible.
En consquence, une procdure de simulation du couple (X,Y) doit tenir compte
de la liaison probabiliste entre X et Y. Ainsi, si X peut tre simul librement , la
simulation de Y diffrera selon la valeur simule de X. En effet, la loi de probabilit de
Y change selon la valeur prise par X. Cest en fait la loi conditionnelle de Y la valeur
simule de X quil convient de considrer.
Plus prcisment, notons FX(x) la fonction de rpartition marginale de X et
FY(y/x) la fonction de rpartition de Y conditionnellement X= x :
FX(x) =P(X x)
FY(y/x) =P(Y y/ X=x)
Une procdure de simulation dun couple (x,y) de (X,Y) peut tre comme suit :
Etape 1 : Simuler X selon sa loi marginale FX (.) en utilisant une des procdures
prsentes dans le chapitre prcdent.
Etape 2 : En utilisant galement une des procdures prsentes dans le chapitre
prcdent, simuler Y selon sa loi conditionnelle FY(./x) o x est prcisment la valeur
simule de X trouve ltape 1.
La procdure prcdente se gnralise assez directement. Ainsi par exemple si on
veut simuler un vecteur alatoire 4 dimensions Z=(X,Y,S,T), on procde comme
suit :
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
42

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

On simule X selon sa loi marginale.


On simule ensuite Y selon sa loi conditionnelle X=x, la valeur x tant celle
obtenue dans ltape prcdente.
Puis on simule S selon sa loi conditionnelle X=x et Y=y, les valeurs x et y tant
celles obtenues dans les tapes prcdentes.
Enfin on simule T selon sa loi conditionnelle X=x, Y=y et S=s, les valeurs x et
y et s tant celles obtenues dans les tapes prcdentes.
Remarques :
La procdure prcdente sapplique chaque fois quon connait les lois marginales et
conditionnelles dune loi jointe.
La procdure prcdente est videmment de plus en plus lourde au fur et mesure
que le nombre de dimensions augmente.
Exemple :
Soit un couple (X,Y) de variables alatoires relles absolument continues dont la
densit de probabilit f est dfinie par :
1
(, ) = 1

o est le domaine de R2 dfini par = {(x, y) R2, 0 < y < x}.


Nous cherchons simuler le couple de variables (X,Y) selon la mthode
prcdente. Dterminons dabord la loi marginale de X. Par dfinition, en notant fX (.)
la densit marginale de X, on a x > 0

() = (, ) =
0

=
0

La variable X suit ainsi la loi exponentielle de paramtre 1.


Cherchons maintenant la densit conditionnelle de Y sachant X= x. En notant
cette densit fY(.\x), on a par dfinition y [0, x] :
fY (y\x) =

f(x,y)

=
()

Ainsi, conditionnellement X= x, la variable Y suit la loi uniforme continue sur


[0,x]. En consquence, une procdure de simulation de la loi de (X,Y) peut tre
comme suit :

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
43

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Etape 1 : Simuler X selon sa loi marginale. En utilisant par exemple la mthode


dinversion, cela peut se raliser ainsi
Simuler u de U (0,1) en utilisant un bon gnrateur de nombres pseudo
alatoires
Calculer x = -Ln(u)
Etape 2 : Simuler Y selon sa loi conditionnelle sachant X=x en procdant par
exemple comme suit :
Simuler v de U (0,1) en utilisant un bon gnrateur de nombres pseudo
alatoires
Calculer y = xv
2. SIMULATION DUN VECTEUR NORMAL

La simulation dun vecteur normal peut soprer selon la mthode sus prsente.
Cependant, lanalyse des proprits de la loi normale multidimensionnelle conduit
adopter une autre mthode plus facile mettre en uvre.
A cet effet commenons par rappeler ces proprits remarquables de la loi
normale multidimensionnelle :

Les lois marginales et conditionnelles sont galement normales


Lindpendance quivaut labsence de corrlation.
Toute transformation linaire dun vecteur normal est galement normale
La connaissance des lois marginales et de la matrice de corrlation quivaut
la connaissance de toute la loi multidimensionnelle.

La simulation dune loi normale multidimensionnelle quelconque repose sur la


proposition suivante :
Soit un vecteur de Rk et une matrice carre de taille k symtrique positive et
soit X = (X1, , Xk) un vecteur alatoire de loi N (0, I) et A une matrice carre
dordre k telle que AA= . Alors le vecteur Y = AX + est un vecteur normal de
moyenne et de matrice de variances et covariances .
La dmonstration de cette proposition est directe. On note en effet que Y est une
transformation linaire de X. Le vecteur Y est donc normal puisque X est normal (voir
plus haut). On note aussi que :
E(Y) = E(AX+ ) = AE(X)+ = , et
V(Y)=V(AX+ )=V(AX)=AV(X)A=AA= .
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
44

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

En consquence, pour simuler Y suivant N(, ), on procde comme suit :


Etape 1 : Simuler X suivant N(0,I). Comme X est un vecteur indpendant, cela
revient simuler dune manire indpendante ses diffrentes composantes X1,
X2 et Xk qui suivent chacune la loi normale centre rduite N(0,1) ( en
utilisant par exemple lalgorithme de Box Muller).
Calculer simplement Y = AX +
Au pralable, il faut trouver la matrice A vrifiant AA = . La rponse est
donne par la dcomposition de Cholesky
Dcomposition de Cholesky
Une matrice relle B est symtrique dfinie positive si, et seulement si, il existe
une matrice C triangulaire infrieure et inversible telle que B = CC.
La matrice tant une matrice de variance covariance est symtrique et dfinie
positive, il existe donc une matrice A triangulaire infrieure et inversible telle que =
AA.
En pratique, pour calculer A, il convient de la poser triangulaire infrieure et
rsoudre colonne par colonne lquation prcdente.
Exemple :
Considrons le cas particulier o k = 2. Soit donc Y = (Y1, Y2) un vecteur
gaussien de R2. Notons = (1, 2) son esprance mathmatique
12
1 2
et = (
)
1 2
22
0
On obtient directement la matrice A en posant A = (
)

2
) do par identification avec :
soit AA= (
2 2
a = 1
b = 2
c = 2 1 2
En consquence, lon peut crire :
1
1
( )=(
2
2
Soit en dveloppant :

1
1
+
)
(
)
(
)
2
2 1 2 2

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
45

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

1 = 1 1 + 1
{
2 = 2 1 + 2 1 2 2 + 2 .
Une procdure de simulation de Y = (Y1, Y2) se dduit ainsi directement :
Simuler, par exemple par Box Muller, deux valeurs indpendantes (x1,x2) de la
loi normale centre rduite
Calculer (y1,y2) en utilisant lexpression prcdente.
3. METHODE DE LA COPULE

Dans certaines applications, on ne cherche pas simuler un vecteur alatoire


selon sa loi multidimensionnelle, car elle est inconnue, mais simuler seulement ses
composantes selon leur loi marginale respective tout en respectant un niveau donn de
liaison probabiliste entre ces composantes. Par exemple, pour une application donne
on souhaite simuler un couple corrl de variables alatoires (X,Y) suivant
respectivement la loi exponentielle de paramtre = 1 et la loi de khi deux 5
degrs de libert.
3.1 Prsentation du problme
Soit X = (X1, X2, Xj,, Xk) un vecteur alatoire non indpendant. Notons F sa
fonction de rpartition et F1, F2, Fj,, Fk les fonctions de rpartitions marginales
correspondantes :
F(x1,..., xj,, xk) = P(X1 x1 ..,Xj xj,.. Xk xk)
Fj(xj) = P(Xj xj) j =1 k
Dans le chapitre prcdent, on a tabli les galits en loi suivantes :
Xj = Fj-1(Uj) j =1 k
o les variables U1, U2, Uj,, Uk suivent chacune la loi uniforme standard U (0,1).
Il est important de noter que les variables Uj ne sont pas indpendantes car les Xj
ne le sont pas par hypothse.
La fonction de rpartition du vecteur U= (U1, U2, Uj,, Uk) est couramment
appele Copule. On peut vrifier quelle est directement lie la fonction de
rpartition de X. En effet, en la notant C, lon a par dfinition :
C(u1,.., uj,.., uk) = P(U1 u1 , Uj uj, Uk uk)
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
46

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Soit en remplaant,
C(u1, u2, ..,uj,.., uk) = P[ F1(X1) u1 , ,Fj(Xj) uj, Fk(Xk) uk]
ou encore,
C(u1,..,uj,.., uk) = P[X1 F1-1(u1), , Xj Fj-1(uj), Xk Fk-1(uk) ]
Do enfin :
C(u1,..,uj,.., uk) = F[F1-1(u1), , Fj-1(uj), Fk-1(uk)]
De mme, on peut noter que lon peut crire :
F(x1,..,xj,.., xk) = C(F1 (x1), , Fj (xj), Fk (xk))
Ce rsultat est connu sous le nom du thorme de Sklar. Il montre que la donne
dune fonction de rpartition jointe quivaut la donne de ses fonctions de rpartition
marginales et de la copule correspondante. La copule dun vecteur alatoire se prsente
ainsi comme une reprsentation de la dpendance probabiliste entre les composantes
de ce vecteur.
Il existe plusieurs mesures synthtiques de la dpendance entre composantes dun
vecteur alatoire. On cite en particulier :
Le coefficient de corrlation linaire (de Pearson): ( , ) =

( , )

( )( )

Le coefficient de corrlation de Spearman : ( , ) = ( ( ), ( ))


Il est important de noter que le coefficient de corrlation de Spearman reste
inchang en passant de U X : S (Xi, Xj) = S (Ui, Uj). En revanche, le coefficient de
corrlation linaire (de Pearson) (Xi, Xj) est en gnral diffrent de (Ui, Uj).
3.2 Simulation
Ce qui prcde montre que si on dispose de valeurs simules du k-uplet (u1,
uj,, uk), on en dduit une simulation (x1, xj,, xk) de X.
Le problme se ramne ainsi la simulation du vecteur U= (U1,. .Uj,..,Uk)
Cependant, la loi jointe de U nest pas connue. En effet, celle-ci est directement lie
celle de X qui est souvent inconnue.

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
47

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

En pratique, on remplace la copule inconnue par lun des modles de copules


prsentes dans la littrature statistique qui capture le mieux la structure de
dpendance entre les composantes de X.
Plusieurs modles de copule existent dans la littrature. Nous prsentons dans ce
qui suit deux familles de modles qui sont les plus utilises en pratique.

3.2.1 Les copules gaussiennes


Ce modle de copules est dfinie par :
G(u1,..,uj,.., uk) = F(-1(u1), , -1(uj), -1(uj))
o F est la fonction de rpartition dune loi normale multidimensionnelle centre
rduite et de matrice de corrlation donne et est la fonction de rpartition de la
loi normale centre rduite une seule dimension N(0,1).
Pour simuler X= (X1,. .Xj,..,Xk) selon une copule gaussienne, on peut procder
ainsi :
Choisir en rapport avec le niveau de corrlation demand
Simuler Z = (Z1,. .Zj,..,Zk) centr rduit ayant pour matrice de corrlation en
utilisant la procdure de simulation dun vecteur normal sus prsente.
Poser Uj = ( Zj ) j =1 k.
Calculer Xj = Fj-1(Uj) j =1 k.
3.2.2Les copules archimdiennes
Cette famille de copule est dfinie ainsi :
G(u1,..,uj,.., uk)= -1((u1)+ (u2) + . . . + (uk))
avec strictement dcroissante et convexe de [0, 1] dans R+
Comme cas particuliers importants de copules archimdiennes citons notamment :
La copule de Gumbel dfinie ainsi :
1

(1 , . . , , ) = exp([=1( ) ] ) o 1
La copule de Clayton dfinie par :
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
48

Cours de Mthodes de Simulation


___________________________________________________________________________________________________
1

(1 , . . , , ) = (=1 1) o [-1,0[]0,+[.
On peut dmontrer que le coefficient de Spearman dpend du paramtre . On
peut en consquence choisir ce paramtre en fonction du degr de corrlation souhait
entre les composantes Xj.
Pour simuler X= (X1,. .Xj,..,Xk) selon une copule archimdienne, on peut
procder ainsi :
Choisir le modle particulier de copule archimdienne et fixer le ou les paramtres
correspondant en rapport avec le niveau de corrlation souhait.
Simuler U = (U1,. .Uj,..,Uk) en utilisant la procdure de simulation dune loi jointe
comme indiqu ci-dessus
Calculer Xj = Fj-1(Uj) j =1 k.
Remarques
La simulation ainsi obtenue nest quune approximation du vecteur X. Celui-ci
ne peut tre exactement simule quen connaissant sa fonction de rpartition
jointe.
Les Xj simules ont les lois marginales spcifies. Dautre part elles sont
corrles du fait que les Uj sont corrles.
Les coefficients de corrlation linaires des Xj peuvent tre trs diffrents de
ceux des Uj. En revanche les coefficients de corrlation de rang de Spearman et
de Kendall sont les mmes.
En pratique, le choix du modle de copule G nest pas arbitraire. Il doit tre
model, travers le choix de ou de par exemple, en fonction du niveau de
corrlation demand des composante

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
49

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Chapitre 5
LA METHODE DE MONTE CARLO
La mthode de Monte Carlo est lune des principales applications mathmatiques
et statistiques utilisant les nombres alatoires.
Cette mthode a pour objet de fournir une approximation numrique de la valeur
dune intgrale (quelque soit sa dimension) dune fonction donne pourvu quelle soit
intgrable. Elle donne aussi, comme on va le prciser dans la suite, une mesure de la
prcision de lapproximation fournie.
En notant quune probabilit, une esprance mathmatique, une variance ainsi
que tout autre moment sexpriment comme des intgrales, on comprend limportance
pratique de la mthode de Monte Carlo dans les applications statistiques et
probabilistes.
Dans ce qui suit, nous examinons son objet, son fondement mathmatique, ses
proprits et sa mise en uvre pratique. Nous terminons le chapitre par une
prsentation des techniques utilises pour amliorer sa prcision.
1. FONDEMENT

La mthode de Monte Carlo trouve son fondement mathmatique dans la loi des
grands nombres.
1.1 Loi des grands nombres
Etant donn un chantillon de n variables alatoires relles {Xi}i=1 n IID(m, ))
c'est--dire identiquement , indpendamment et uniformment distribues et possdant
en outre une esprance mathmatique m et une variance . Dsignons par =

=1

la variable alatoire relle dfinie par la moyenne arithmtique des Xi.

La loi des grands nombres stipule alors que sous les conditions prcdentes la
suite des converge presque surement, lorsque n tend vers linfini, vers lesprance
mathmatique commune des Xi soit m.
Remarques :
On dmontre que lon a aussi la convergence en moyenne quadratique ainsi que la
convergence en probabilit. Le thorme de Slutsky sapplique en consquence : toute
fonction g ( ) converge en probabilit, lorsque n tend vers linfini, vers g(m). Par
exemple 2 converge en probabilit vers m2.
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
50

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

La loi des grands nombres sapplique galement sur les autres moments empiriques
(non centrs) , =

=1

qui convergent ainsi presque surement, lorsque n tends

vers linfini, vers les moments thoriques correspondants = ( ) ( condition


videmment que ces moments thoriques existent). Par exemple

=1

converge vers

=1

E(X ) et donc compte tenu de la premire remarque, la variance empirique Vn =


2 converge en probabilit vers la variance thorique 2 = E(X2)-m2.

La probabilit P(A) dun vnement A donn peut tre exprime comme une
esprance mathmatique. Elle dfinit ainsi une limite dune certaine moyenne
empirique. En effet, soit X la variable alatoire relle suivant la loi de Bernoulli de
paramtre p = P(A). On sait que E(X)= p. La loi des grands nombres montre alors que
la frquence =

=1

ou Xi vaut 1 si A est ralis 0 sinon, converge vers p.

Linterprtation de la loi des grands nombres part de la constatation que la


convergence est directement lie la notion de distance. Ainsi dire que la suite des
converge vers la constante m cest dire que la distance sparant cette constante
chacune des ralisations de est de plus en plus petite au fur et mesure que n
augmente. On peut par consquent approximer, lorsque n est grand, m par (
tant nimporte quelle ralisation de ):

En consquence, supposer que m = E(X) est inconnu, une mthode de
lapproximer est de se donner n ralisations indpendantes de la variable alatoire
relle X et de calculer leur moyenne arithmtique.
1.2 Principe gnral de la mthode de Monte Carlo
A la base de la mthode de Monte Carlo est que daprs la loi des grands
nombres, on peut approximer une esprance mathmatique dune variable X par la
moyenne arithmtique de n ralisations indpendantes de cette variable.
Or dans le cas o cette variable est absolument continue, cette esprance
mathmatique sexprime comme une intgrale dune certaine fonction. Ainsi, en notant
f la densit de probabilit de X et le support correspondant, on a :

= () .

(les xi tant des ralisations indpendantes de X)


Plus gnralement, considrons une fonction h (dune ou plusieurs variables)
intgrable et I la valeur de son intgrale sur un domaine donn :
= ()() .
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
51

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Supposons quil nest pas possible dvaluer analytiquement cette intgrale et


quon cherche en consquence lapproximer numriquement. Soit f une densit de
probabilit ayant pour support . On peut alors crire :
= ()()
()
() =
()
soit,
= (())
o X est une variable alatoire ayant f pour densit de probabilit.
Ce dveloppement montre que toute intgrale I peut scrire comme une
esprance mathmatique dune certaine fonction g dune variable alatoire X.
Il sensuit en vertu de la loi des grands nombres quune approximation de
lintgrale I est donne par la moyenne arithmtique de n ralisations indpendantes
de la variable alatoire g(X),
=1 ( )

o les xi sont n ralisations dune variable alatoire X ayant f pour densit de


probabilit.
Il convient cependant de noter que dans les applications, on dispose rarement
dun chantillon de n ralisations de la variable X. A la place et par application des
mthodes de gnration de variables alatoires prsentes dans les chapitres
prcdents, on peut disposer de n valeurs simules de X. Ces valeurs peuvent alors
remplacer les vraies ralisations dans la formule dapproximation. Lerreur commise
par ce remplacement ne devrait pas tre priori importante surtout lorsque le
gnrateur utilis est de bonne qualit.
Aussi en pratique cherche t on approximer lintgrale I par la quantit
suivante :
( )
= =1

o les xi sont n valeurs simules dune variable alatoire X ayant f pour densit de
probabilit.
La quantit est appele lapproximation de I par la mthode de Monte Carlo.

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
52

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

2. CALCUL PRATIQUE

On peut calculer lapproximation de Monte Carlo en utilisant lalgorithme


suivant :
Gnrer en utilisant un gnrateur de bonne qualit n nombres alatoires
(valeurs simules dune variable alatoire suivant la loi uniforme continue sur
[0,1]) : u1, u2,..., ui,,un.
Choisir une densit f dfinie sur le support (et facile simuler par exemple
par la mthode dinversion) pour simuler partir des ui n valeurs dune
variable X : x1, x2,..., xi,,xn.
Dterminer les quantits : g(x1), g(x2),..., g(xi),,g(xn)
Calculer la moyenne arithmtique de ces quantits donnant .
Remarque : Lapproximation Monte Carlo de I nest pas unique. En effet, on peut
()
aussi crire : I = E(g*(X)) () =
et f * une autre densit de probabilit de X
()

=1 ( )

ayant pour support et donc =


dfinit une autre approximation Monte

Carlo de I. En fait, il ya autant dapproximations que de densit de probabilit sur le


support. En pratique, on choisit la densit la plus facile simuler.
Exemples :
Soit approximer par la mthode de Monte Carlo lintgrale suivante :
2

=
0

Il convient au pralable dcrire I comme une esprance mathmatique en se


donnant une densit de probabilit f sur [0,2] facile simuler. On choisit pour cet
exemple la densit de la loi uniforme continue sur [0,2] qui est la plus simple, soit :
1
() = 1[0,2]
2
do, on dduit directement :
2
2 1
= 2

2
0
Soit ,
2
= (2 ) (0,2)
et donc :
2
=1 2
=

(les xi tant des valeurs simules de (0,2))


dfinit lapproximation de I par la mthode de Monte Carlo. En consquence pour
trouver cette approximation, on peut procder comme suit (n tant donn):
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
53

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

Gnrer n valeurs indpendantes u1, u2,..., ui,,un en utilisant un bon gnrateur


Calculer x1, x2,..., xi,,xn par la mthode dinversion, soit xi = 2 ui
2

Calculer g(xi) = 2 pour i = 1 n et leur moyenne arithmtique simple pour


trouver
3. PROPRIETES

On peut considrer comme un estimateur calcule sur lchantillon de variables


X1, X2,..., Xi,,Xn qui est un chantillon IID quon suppose possder une esprance
mathmatique m et une variance . On peut alors chercher si possde les proprits
classiques dun estimateur. Au pralable on donne lexpression de la variance de
dont lestimation fournit une mesure de la prcision de cette approximation.
3.1 Prcision de
Par dfinition, lon a :

( )
( ) = ( =1 ).

Comme les g(Xi) sont IID, il sensuit que :


() =

(())

ou encore :
(2 ()) 2 (())
() =

soit enfin :
(2 ()) 2

Cette quantit dpendant de I ne peut pas tre donc dtermine. On peut


cependant lapproximer. En effet, on peut approximer I par . Quant J = E(g(X))
on peut , comme on la fait pour I=E(g(X)), utiliser la mthode de Monte Carlo pour
lapproximer, soit
2
= ( )
() =

o les xi sont des valeurs simules de X selon f.


Une approximation de () peut tre ainsi donne par ;

) = 1 ( 2 )
(

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
54

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

qui fournit une estimation de la prcision de lapproximation de la mthode de


Monte Carlo.
3.2 Absence de biais
Lestimateur est sans biais. En effet,

( )
() = ( =1 )

soit compte tenu des proprits de loprateur esprance ,


() =

=1 (( ))

Comme les Xi sont indpendantes et de mme loi, les g(Xi) le sont aussi, do
() = (()) =
ou X est une variable de mme loi que les Xi.
prouvant ainsi que est un estimateur sans biais de I.
3.3 Convergence
Lestimateur est par construction convergent en probabilit. En effet tant
construit partir de la loi des grands nombres, lon a ainsi :
=
On note aussi, quil est convergent en moyenne quadratique. Lon a en effet la
fois () = et () 0
3.4 Normalit asymptotique
Lestimateur se prsente comme une moyenne arithmtique. On sait alors
daprs le thorme central limite, que :

o 2 =V(g(X))

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
55

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

converge en loi vers la loi normale centre rduite. A noter en outre que cette
proposition reste vraie en changeant par 2 = (()). On peut en consquence
noncer que :

~(0,1)

ce qui permet de dfinir un intervalle de confiance (asymptotique) de I de niveau gal


(1-)% :
[ () / , + 1() / ].
2

En effet, lon a :
( () / < < + 1() / ) 1
2

o ta dsigne le quantile dordre a de la loi normale centre rduite.


3.5 Vitesse de convergence
La mthode de Monte Carlo prsente une vitesse de convergence relativement
lente. En effet, du fait de la normalit asymptotique, lon a :
| | < 1() /
2

avec une probabilit gale (1-)


La quantit 1() / dfinit ainsi lerreur dapproximation maximale de la
2

mthode de Monte Carlo. Cette erreur converge vers 0 quant n tend vers linfini. Cette
convergence est cependant assez lente, de lordre de n-1/2, puisque par exemple en
multipliant le nombre dobservations par 100, lerreur maximale dapproximation se
trouve seulement divise par 10.
Conclusion
Comme dmontr ci-dessus, lapproximation de Monte Carlo prsente des
bonnes proprits . On dmontre galement que la mthode de Monte Carlo est
avantageuse pour lapproximation des intgrales multiples. En effet, cette mthode est
insensible la dimension de lintgrale.
En revanche, la mthode de Monte Carlo est trs concurrence par les autres
mthodes de calcul numrique dintgrales notamment en ce qui concerne les
intgrales simples cause de la lenteur de sa vitesse de convergence.
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
56

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

4. TECHNIQUES DE REDUCTION DE LA VARIANCE


Il a t not la fin du paragraphe prcdent que lerreur dapproximation de la
mthode de Monte Carlo se rduit au fur et mesure que le nombre dobservations n
augmente mais cette rduction est assez lente. Cependant, comme cette erreur dpend
aussi positivement de la variance 2, une ide est de chercher rduire cette dernire
pour amliorer lapproximation de la mthode de Monte Carlo.
Plusieurs techniques de rduction de la variance ont t alors proposes. En fait, il
sagit de trouver une autre approximation de I ayant une variance plus petite que
celle de . Cest lobjet des mthodes de rduction de la variance dont quelques unes,
les plus usuelles, sont prsentes dans ce qui suit.
Dans le reste de cette section, nous appelons lapproximation initiale et
lapproximation amliore de I en utilisant une technique de rduction de la variance.
4.1 Mthode de la variable antithtique
Illustrons cette mthode dabord sur un cas particulier. Soit
1
= 0 ().
On note que I = E(g(X)) ou X suit la loi uniforme continue sur [0.1].
Lapproximation initiale de I est alors donne par :

1
= ( )

=1

o les xi sont des valeurs simules dune variable X suivant la loi uniforme
continue sur [0.1].
On note quon peut aussi crire

= (1 )
0

ou encore :

=
0

(() + (1 ))

Do une autre approximation de I par la mthode de Monte Carlo :

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
57

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

1
=
(( ) + (1 ))
2
=1

o les xi sont des valeurs simules dune variable X suivant la loi uniforme continue
sur [0.1].
On peut alors montrer que V() V(). En effet ,
V() =

1
4

( (() + ((1 )) + 2 ((), (1 ))

Puisque X suit la loi uniforme continue sur [0,1] la variable (1-X ) suit
galement loi uniforme continue sur [0,1]. Les variables g(X) et g(1-X) suivent alors la
mme loi et donc V(g(X)) = V(g(1-X)).
Dautre part, on sait que :
((), (1 )) (())((1 )) = V(g(X)) (ingalit de Hodler)
En consquence,
V()

1
4

( 4(()) = ()

On peut gnraliser cette mthode pour des dimensions quelconques de


lintgrale. Soit = ()() o f est une densit de probabilit dune variable
X ayant pour support , donc I = E (g(X)). On sait quune approximation initiale de
1
I par la mthode de Monte Carlo est donne par = =1 ( ) o les xi sont des

valeurs simules dune variable X selon la densit f. Soit Y = t(X) une transformation
bijective et continue prservant la loi de X. Autrement dit Y et X ont la mme loi de
probabilit. On peut alors crire :
1 ()
1 () 1 ()
= (
)
(
)(

soit ,
= ( 1 ()()

o l (.) est la densit de probabilit de Y.


Mais comme la transformation t prserve la loi de probabilit l(.) = f(.) sur et
donc :
= ( 1 ()()

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
58

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

ou encore :
1

= (( 1 () + ())() = (() + ( 1 ()))


2
2
o X est une variable alatoire ayant f pour densit de probabilit.
A la place de on peut alors proposer :
=

1
2

=1(( ) + ( 1 ( ))

o les xi sont des valeurs simules dune variable X selon f .


Lapproximation a une variance plus faible que celle de . La dmonstration
est exactement la mme que ci-dessus.
4.2 Mthode de lchantillonnage prfrentiel
On lappelle aussi la mthode de la fonction dimportance. Soit valuer
= ()() o f est une densit de probabilit dune variable X ayant pour
support , soit I = E (g(X)). On sait quune approximation initiale de I par la
1
mthode de Monte Carlo est donne par = =1 ( ) o les xi sont des valeurs

simules dune variable X selon la densit f.


On peut remarquer que I peut scrire aussi =

()()
()

()

o l (.) est une autre densit de probabilit de la variable X sur .


Ce qui permet dcrire :
I = E(k(X))
o X est une variable alatoire de densit l(.) et
k(.) = g(.)f(.)/ l(.) sur .
1

A la place de on peut alors proposer = =1 ( ) o les xi sont des valeurs

simules dune variable X selon la densit l .


Comment choisir l(.) pour que la variance de soit plus petite que celle de ou
ce qui est quivalent que la variance de k(X) soit plus petite que celle g(X). ?
Posons () =

()()
(())

et calculons V(k(X)) :

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
59

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

V(k(X)) =

2 ()2 ()
()()

(()) 2 (())

soit aprs simplification :


V(k(X)) = 0 < V(g(X)).
En consquence, la variance sest fait rduite au maximum. Cependant ce rsultat
na pas de porte pratique. En effet, on ne connait pas E(g(X)). Mais il a conduit
lide dapprocher l(x) par :
() =
1

(()())
(()())

Exemple : soit valuer = 0

On note que I = E(cos(X/2)) ou X suit U(0,1). Lapproximation initiale de I par


la mthode de Monte Carlo est donc dfinie par :

= cos( )

2
=1

o les xi sont des valeurs simules dune variable X suivant la loi uniforme continue
sur [0.1].
Afin damliorer cette approximation avec la mthode de lchantillonnage
prfrentiel, on peut approcher cos(x/2) par son dveloppement limit au voisinage
de 0, soit

cos ( ) 1
1
2
8
et prendre
() =

1
1
0 (1 2 )

= (1 2 )
2

Une approximation amliore de I est alors donne par

1
= ( )

=1

o les xi sont des valeurs simules dune variable X selon la densit l et () =

)
2
3
(1 2 )
2

cos(

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
60

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

4.3 Mthode de la variable de contrle


On cherche valuer (approximativement) = ()() o f est une
densit de probabilit dune variable X ayant pour support . On sait quune
approximation initiale de I par la mthode de Monte Carlo est donne par =
1
=1 ( ) o les xi sont des valeurs simules dune variable X selon la densit f.

Remarquons que lon peut crire :


I= E(g(X)) = E(g(X) h(X)+h(X)) = E(g(X)-h(X)) + E(h(X)).
Supposons que E(h(X)) peut se calculer analytiquement. Soit sa valeur et
notons I1 = E(g(X)-h(X)). Lapproximation initiale de I1 par la mthode de Monte
1
Carlo est alors donne par : 1 = =1(( ) ( )) les xi tant des valeurs

simules de X selon f.
Dfinissons une autre approximation de I par : = 1 +
Comme est une constante,
( ) = (1 ) = (V(g(X)-h(X)) )/n
En choisissant h(X) assez proche de g(X), cette variance deviendra petite et
infrieure V() = (())/

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
61

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

RECUEIL DE SUJETS
DEXAMEN
2009-2014

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
62

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

ESSAI
2013-2014
2me Anne

Epreuve de Techniques de Simulation


Session principale
Dure 1 H30

Exercice 1 (10 points)


Soit X une variable alatoire relle suivant la loi triangulaire (0,1,2). On note f la densit de
probabilit de X :
f(x) = x.1[0,1]+(2-x).1[1,2]
1. Vrifier graphiquement que f est bien une densit de probabilit
2. Trouver F(.) la fonction de rpartition de X et son inverse.
3. Un gnrateur de nombres alatoires donne u1=0.254 et u2=0.821. En dduire deux
valeurs simules de X en utilisant la mthode dinversion.
4. On appelle fonction gnratrice de X la fonction MX(.) dfinie par :
MX(t)=E(etX)
o E est loprateur esprance mathmatique
Calculer MX(t).
5. Soit U et V deux variables alatoires indpendantes. On pose S = U+V
a. Montrer que MS(t)=MU(t).MV(t)
b. On suppose que U et V suivent chacune la loi uniforme continue sur [0,1]. Calculer
MU(t), MV(t) et MS(t). Que constate t on ?

6. En admettant que deux variables alatoires ayant la mme fonction gnratrice ont
la mme loi de probabilit, dduire de ce qui prcde une autre mthode de
simulation de la loi triangulaire (0,1,2).
7. Application numrique : Un gnrateur de nombres alatoires donne u1=0.254 et
u2=0.821. En dduire une valeur simule de X.
8. Au vu de ce qui prcde, quelles sont les diffrences essentielles entre les deux mthodes
proposes pour la simulation de la loi triangulaire (0,1,2).

Exercice 2 : (10 points)


Soient X, Y et Z trois variables alatoires relles indpendantes. On note x2, y2 et z2
leur variances respectives supposes finies. On pose par ailleurs :
S=X+Y et T = Y+Z
2
1. Exprimer en fonction de x , y2 et z2 :
a. Les variances de S et T notes respectivement S2 et T2
b. La covariance de S et T note S,T
c. Le coefficient de corrlation linaire de S et T not S,T
2. En dduire que S et T sont positivement corrles (linairement)
3. On suppose en outre que X, Y et Z sont normales de moyennes nulles et de
variances respectives x2= , y2 = 1 et z2 = (> 0).
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
63

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

a.
Montrer que S et T sont deux variables normales corrles dont on
prcisera les moyennes, les variances et le coefficient de corrlation linaire.
b. Exprimer en fonction de S,T.
4. On cherche utiliser ce qui prcde pour simuler un couple de variables
normales S et T centres rduites et ayant un coefficient de corrlation linaire
gal 0.5.
Comment utiliser lalgorithme de Box Muller pour simuler des couple (s,t) du
vecteur alatoire (S,T). (Prsenter dune manire dtaille les tapes de calcul
associes cette procdure).
5. Par rapport aux procdures prsentes dans le cours concernant la simulation de
couple de variables normales corrles, quels avantages et quels inconvnients
prsente la procdure objet de cet exercice.

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
64

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

ESSAI
2013-2014
2me Anne

Epreuve de Techniques de Simulation


Session de Contrle
Dure 1 H30

Problme : (15 points)


Ce problme a pour objet de donner une approximation du type Monte Carlo au
nombre . On considre cet effet le carr unit [0,1] not C et le quart du disque
centr en 0 et de rayon 1 not D.
A. Prliminaires
1. Tracer les domaines C et D et calculer leur surface respective.
2. Donner lexpression de la fonction y = g(x) ayant pour courbe reprsentative la
frontire suprieure de D.
3. Utiliser cette fonction pour caractriser les coordonnes des points de D.
4. On choisit au hasard un point du carr plein C. Quelle est la probabilit de
tomber sur un point de D ?
B. Premire mthode dapproximation
Soit (X,Y) un couple de variables alatoires indpendantes suivant chacune la loi
uniforme continue sur [0,1]. On pose Z=1[(X,Y) D].
1. Quelle est la loi de Z ?
2. Calculer E(Z) et V(Z)
3. Donner lapproximation de Monte Carlo de E(Z) et de sa variance V().
4. En dduire lapproximation de Monte Carlo de et de sa variance V().
5. Dcrire en dtail les diffrentes tapes de calcul de .
C. Deuxime mthode dapproximation
Soit Y = g(X) o X est une variable alatoire suivant la loi uniforme continue sur
[0,1] et g telle que dfinie ci-dessus.
1. Calculer E(Y) et V(Y)
2. Donner lapproximation de Monte Carlo de E(Y) et de sa variance V().
3. En dduire lapproximation de Monte Carlo de et de sa variance V().
4. Dcrire en dtail les diffrentes tapes de calcul de .

D. Comparaison entre les deux mthodes


1. Quelle est la mthode ncessitant le plus de calcul pour une mme taille n de
lchantillon?
2. Quelle est la mthode la plus prcise pour une mme taille n de lchantillon?
3. Conclusion
Exercice (5 points)
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
65

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

On considre un gnrateur de congruence linaire : sn =(a.sn-1+c) mod m o a,c et m


sont des paramtres choisir.
1. Quelle est la priode maximale de ce gnrateur ?
2. Le paramtre m tant donn, rappeler les conditions sur a et c pour que ce
gnrateur atteint sa priode maximale.
3. Que deviennent ces conditions lorsque m est de la forme 2k ?
4. On pose m =32.
a. Quelles valeurs donner aux paramtres a et c pour atteindre la priode
maximale ?
b. Soit s0 = 0. En dduire x1, x2, x3,x4, x5 les 5 premires valeurs simules issues
de la loi uniforme continue sur [0,1] donnes par ce gnrateur.

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
66

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

ESSAI
2012-2013
2me Anne

Epreuve de Simulation
Session Principale
Dure 1h 30

Problme ( 12 points)
Soit X une variable alatoire relle absolument continue admettant la densit de
probabilit suivante :
f(x) = k sin (x)1[0,]
1. Trouver k pour que f soit effectivement une densit de probabilit.
2. Dterminer F la fonction de rpartition de X.
3. Montrer que la fonction rciproque de F existe. Trouver cette fonction quon note
F-1.
4. Quelle est la loi de probabilit suivie par la variable alatoire U dfinie par U= F
(X) ? En dduire une mthode pour gnrer des valeurs de X.
5. Application numrique : Un gnrateur de nombres pseudo alatoires donne :
u1= 0.021 , u2= 0.452, u3= 0.954. En dduire des valeurs simules de X.

6. Soit = 0 ()
a. Ecrire I comme une esprance mathmatique dune fonction de variable alatoire
dont on prcisera la densit de probabilit.
b. Donner lapproximation de Monte Carlo de I ainsi que sa variance approxime
note 2 .
c. Indiquer les diffrentes tapes dun algorithme de calcul de et de sa variance
approxime 2
7. Soit la variable alatoire Y dfinie par Y=
a. Montrer que Y et X ont la mme loi de probabilit. (mme ddp)
Nb : On rappelle que sin(-x)=sin(x)
b. En dduire une autre approximation Monte Carlo plus prcise de I base sur la
mthode de la variable antithtique.
Exercice : (8 points)
Soit X une variable alatoire relle absolument continue admettant la densit de
probabilit suivante :
f(x) = b xk(1-x)k 1[0,1]
(2+2)
avec k entier strictement positif et =
, tant la fonction gamma.
Nb : On rappelle que (n+1)= n ! n N.

(+1)(+1)

1. Montrer que f(x) c o c est un rel dterminer en fonction de b.


2. En notant que f(x) cg(x) o g est la densit de probabilit associe la loi
uniforme continue sur [0,1]
a. Montrer comment utiliser la mthode de rejet pour simuler des valeurs de X
(indiquer les diffrentes tapes de lalgorithme).
b. A-t-on besoin de connaitre la valeur de b ?
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
67

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

3. Donner lexpression de b en fonction de k et en dduire celle de c en fonction de k.


4. Soit la fonction liant c k ( c = (k) ).
a. Calculer (1), (2) et (3)
b. Montrer que est une fonction croissante de k en calculant
(k+1)- (k).
c. En se basant sur la signification de c, quelle conclusion tirer quant lefficacit de la
mthode de rejet pour la simulation de loi de probabilit du type celle suivie par X ?

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
68

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

ESSAI
2012-2013
2me Anne

Epreuve de Simulation
Session de contrle
Dure 1h 30

Exercice (12 points)


1
Soit I= 1 () o h est une fonction intgrable et X une variable alatoire relle
suivant la loi uniforme continue sur [-1,1]
1. Donner f la densit de probabilit de X
2. Exprimer I comme une esprance mathmatique dune certaine fonction g de X
(expliciter g).
3. Soit lapproximation initiale de Monte Carlo de I.
a. Soit (1 , 2 , , , , ) un chantillon de valeurs simules de X. Donner
lexpression de
b. Comment calculer une estimation de la variance de ?
0
1
4. On crit I = I1 + I2 = 1 () + 0 ()
a. Soit X1 (respectivement X2) une variable alatoire relle suivant la loi uniforme
continue sur [-1,0] (respectivement sur [0,1]). Rappeler f1 et f2 les densits respectives
de X1 et X2.
b. Ecrire I1 (respectivement I2) comme une esprance mathmatique dune certaine
fonction g1 de X1 (respectivement g2 de X2).
1
2
c. Soit (11 , 21 , , 1 , , 1
) et (12 , 22 , , 2 , , 2
) deux chantillons indpendants
de valeurs simules issus respectivement de X1 et de X2. Donner une nouvelle
approximation de Monte Carlo de I. On note cette approximation .
d. Donner une estimation de la variance de .
5. On pose n1 = n2 = n/2 (n tant suppos pair)
Montrer que la variance de est infrieure celle de .
6. Le remplacement de par sinscrit dans quels types de techniques ?
Exercice 2 (8points)
Soient R, S et T trois variables alatoires indpendantes suivant des lois normales de
moyennes gales zro et de variances gales respectivement (1- |a|), (1-|a|) et (|a|)
o |a| est compris entre 0 et 1.
1. On suppose a positif et on pose X =R+T et Y =S+T
a. Calculer les variances de X et Y notes respectivement V(X) et V(Y)
b. Calculer la covariance de X et Y note Cov(X,Y) . En dduire (, ) le coefficient
de corrlation linaire de X et Y.
c. Trouver les lois de probabilit de X et Y.
2. On suppose a ngatif et on pose X =R+T et Y =S-T
a. Calculer les variances de X et Y notes respectivement V(X) et V(Y)
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
69

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

b. Calculer la covariance de X et Y note Cov(X,Y) . En dduire (, ) le coefficient


de corrlation linaire de X et Y.
c. Trouver les lois de probabilit de X et Y.
3. En se basant sur ce qui prcde, on se propose de simuler un couple (X,Y) de
variable alatoires normales corrles (non indpendantes)
a. Proposer un algorithme de simulation de (X,Y) dans le cas o X et Y sont corrles
ngativement.
b. Proposer un algorithme de simulation de (X,Y) dans le cas o X et Y sont corrles
positivement.

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
70

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

ESSAI
2011-2012
2me Anne

Epreuve de Techniques de Simulation


Session principale
Dure 1 H30

Exercice n1 :
1. Soit X une variable alatoire suivant la loi exponentielle de paramtre > 0.
a. Donner la fonction de rpartition F (x) de X et son inverse F-1(u).
b. Dcrire les tapes suivre pour simuler des valeurs de X
2. Soit Z =ENT(X) o ENT( ) est la fonction partie entire et X une variable alatoire relle
suivant la loi exponentielle de paramtre > 0.(Lvnement Z=z est donc quivalent
z X < z+1 )
a. Quelles sont les valeurs possibles de Z ?
b. Trouver la loi de Z en calculant P(Z=z)
c . On pose Y = 1+Z. Montrer que Y suit la loi gomtrique de paramtre p quon exprimera
comme fonction de .
NB : On rappelle quune variable T suivant la loi gomtrique de paramtre p ]0,1[ est telle que P(T=t) = p(1p)t-1 t N*

3. En se basant sur ce qui prcde, on se propose de simuler des valeurs dune variable
discrte Y suivant la loi gomtrique de paramtre p ]0,1[ .
a. Dcrire dune manire dtaille les tapes suivre pour obtenir des valeurs simules de Y
selon la loi gomtrique de paramtre p ]0,1[ .
b. Un gnrateur de nombres pseudo alatoires donne u1 = 0.055 et u2= 0.853. En dduire des
valeurs simules dune variable Y suivant la loi gomtrique de paramtre p = 0.635. ( On
exprime dabord en fonction de p).
Exercice n 2 :
Soit (X,Y) un couple de variables alatoires suivant la loi uniforme continue sur
D = { (x,y) R/ 0<x<y<1} ( on a donc f(x,y) = k.1D o f est la densit jointe )
1. Tracer D et trouver k.
2. Donner fx( x) la densit marginale de X et FX(x) sa fonction de rpartition.
3. Dterminer fY/X(y/x) la densit conditionnelle de Y sachant que X= x ainsi que sa
fonction de rpartition FY/X(y/x) .
4. En se basant sur ce qui prcde, on se propose de simuler des couples (x,y) issus de la loi
de (X,Y).
a. Dcrire dune manire dtaille les tapes suivre pour simuler des couples (x,y) issus de
la loi de (X,Y) en utilisant la mthode dinversion.
b. Un gnrateur de nombres pseudo alatoires donne u = 0.341 et u2= 0.958. En dduire un
couple simul de (X,Y)

Exercice 3 : Soit I = () o b > a sont donns.


1. Ecrire I comme une esprance mathmatique dune fonction de variable alatoire relle X
dont on explicitera la densit de probabilit f et la fonction de rpartition F.
2. Soit une premire approximation de I par la mthode de Monte Carlo.
a. Donner lexpression de
b. Donner les expressions de la variance de (note V() ) et de son estimation ( note

).
()
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
71

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

partir de 1000
c. Dcrire dune manire dtaille les tapes suivre pour calculer et ()
nombres pseudo alatoires ( a et b tant donnes)
3. Soit Y =(a+b-X) une nouvelle variable alatoire dont on note G la fonction de rpartition.
1
a. Montrer que I = (() + ( + ))
2
b. Montrer que X et Y ont la mme loi de probabilit en prouvant que G(y)=F(y)
4. Soit une nouvelle approximation de I par la mthode de Monte Carlo dfinie par
=
()
=1(( ) + ( + )) o les xi sont des valeurs simules de X selon f.
2
a. Montrer que est une approximation sans biais de I
b. Prouver que a une variance plus faible que celle de .

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
72

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

ESSAI
2011-2012
2meAnne

Epreuve de Mthodes de simulation


Session de contrle
Dure 1h30

Exercice 1 : (12 points)


+
Soit I lintgrale suivante : = 0 dt
1. Exprimer I comme une esprance mathmatique dune variable alatoire relle dont
on prcisera la loi de probabilit.
NB : On considre videmment la loi de probabilit la plus simple.

2. On note lapproximation de I par la mthode de Monte Carlo.


a. Donner lexpression de
b. Quelle est son esprance mathmatique
c. Montrer que la variance de scrit comme une fonction de I.
d. En dduire lexpression de la variance estime de .
3. On se propose de donner une approximation de I par un intervalle de confiance issu
de la mthode de Monte Carlo.
a. Donner la loi limite de la variable

I
( )

, ( )tant lcart type estim de

b. En dduire un intervalle de confiance asymptotique de niveau 1- = 95% de I


NB : Le quantile dordre 97.5% de la loi normale centre rduite vaut 1.96.

4. Calcul pratique de
a. Indiquer les diffrentes tapes suivre pour calculer et sa variance estime
b. Un gnrateur de nombres pseudo alatoires a donn les valeurs suivantes : 0.792 ;
0.339 ; 0.828 ; 0.05 ; 0.642. En dduire la valeur de 5 , approximation de I par la
mthode de Monte Carlo et sa variance estime.
c. En supposant n (=5) assez grand, en dduire une approximation de I par un
intervalle de confiance de niveau 1- = 95%.
Exercice 2 : (4 points)
On considre un couple de variables alatoires (X,Y) dont la densit jointe est dfinie
par : (, ) = 1 1>0 101
1. Trouver la loi marginale de X (en donnant sa densit a(x) et sa fonction de
rpartition A(x))
2. Trouver la loi conditionnelle de Y sachant X=x (en donnant sa densit b(y/x) et sa
fonction de rpartition B(y/x))
3. Donner avec prcision les diffrentes tapes suivre pour simuler un couple de
(X,Y) en utilisant la mthode dinversion.
4. Application : Un gnrateur de nombres pseudo alatoires donne : u = 0.098 et v
=0.486. Avec = 2, en dduire une simulation dun couple (x, y)
Exercice 3 : (4 points)
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
73

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

On a fait tourner un gnrateur de nombres pseudo alatoires 1600 fois de suite. La


distribution empirique des nombres obtenus se prsente comme suit :
Classes
Effectif
0 - 0.125
180
0.125 0.25 195
0.25 0.375 225
0.375 0.5 170
0.5 0.625 230
0.625 0.75 190
0.75 0.875 220
0.875 - 1
190
Total
1600
On sait par ailleurs que la moyenne des nombres obtenus vaut 0.58.
On cherche tester la qualit de ce gnrateur.
1. Test de la moyenne.
a. Donner Z la statistique fondant le test de la moyenne.
b. Selon ce test, peut- on refuser ce gnrateur au risque de 5% de se tromper ?
Nb : Le quantile dordre 97.5% de la loi normale centre rduite vaut 1.96.
2. Test de Khi deux.
a. Donner K la statistique de Khi deux fondant le test dadquation de la distribution
empirique obtenue la loi uniforme continue.
b. Selon ce test, peut- on refuser ce gnrateur au risque de 5% de se tromper ?
NB : le quantile dordre 95% de la loi de khi deux 7 degrs de libert vaut 14.

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
74

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

ESSAI
Epreuve de Simulation
2010-2011
Session Principale
2me Anne
Dure 1h 30
Problme (12 points)
Soit X une variable alatoire relle absolument continue. On dit que X suit une loi
triangulaire sur le support [0,1] et de mode 0,5 si sa densit de probabilit f est dfinie
par :
si
0 x 0.5
4x

f ( x) 4(1 x)
si
0.5 x 1
0
ailleurs

On se propose de simuler la variable X.


A. Simulation de X selon la mthode dinversion
1. Tracer la reprsentation graphique de f et vrifier travers cette reprsentation que
f est effectivement une densit de probabilit.
2. Trouver F la fonction de rpartition de X
3. Dterminer F-1 linverse de la fonction de rpartition
NB : On pourra crire F(x) = a+b(+x)2 avec +x 0

4. Dcrire la procdure de simulation de X par la mthode dinversion en prcisant ses


diffrentes tapes.
B. Autre mthode de simulation de X
Soit Y1 et Y2 deux variables alatoires relles suivant indpendamment la loi
uniforme continue sur [0,1]. On considre la variable X= (Y1+Y2)/2 dont on note F la
fonction de rpartition
1. Trouver la densit jointe du couple (Y1 , Y2)
2 . Soit le domaine ={( y1 , y2) / 0 y11, 0 y21 et ((y1+y2)/2) x}
a. Tracer le domaine pour x compris entre 0 et 0.5 et exprimer sa surface en
fonction de x. A quoi correspond cette surface ?
b. Tracer le domaine pour x compris entre 0.5 et 1 et exprimer sa surface en
fonction de x. A quoi correspond cette surface ?
c. En dduire lexpression de F pour x compris entre 0 et 0.5 et pour x compris
entre 0.5 et 1
3. Compte tenu de ce qui prcde,
a. Quelle est la loi suivie par X ?
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
75

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

b. En dduire une autre procdure de simulation de X. Est-elle prfrable la


premire procdure ? Justifier votre rponse.
Exercice : (8 points)
1. Soit X Z o Z est une variable alatoire relle suivant la loi normale centre
rduite. Donner la densit de probabilit de X note f.
NB : On rappelle que si X = 1(Z) sur [z0 , z1[ ,X=2(Z) sur [z1 , z2[ , X = 3(Z) sur [z2 , z3[ ,,
n

[zn-1 , zn[ o les i sont strictement monotones , alors

f ( x) l (i1 ( x))
i 1

d ( x)
dx
1
i

X = n(Z) sur

o f et l sont respectivement

les densits de probabilit de X et de Z .

2. On veut simuler X en utilisant la mthode de rejet


2
a. Montrer que : exp( x ) exp( 1 ) exp( x)
2
2
NB : On peut se baser sur la proprit : (x-1)20.

b. En dduire que : f(x) c g(x) x 0 o g est la densit de probabilit de la loi


exponentielle de paramtre 1 et c est une constante dterminer.
c. En se basant sur ce qui prcde, donner les diffrentes tapes dune simulation de X
selon la mthode de rejet.
3. On veut maintenant simuler la loi normale centre rduite en utilisant les rsultats
trouvs en 1. et 2.
a. Soit S une variable alatoire relle discrte prenant les valeurs -1 et 1 avec P(S=-1) =
P(S=1) = . Montrer que Z et T= Z S suivent la mme loi de probabilit (mme
fonction de rpartition).
b. En dduire une procdure de simulation de la loi normale centre rduite (prsenter
les diffrentes tapes).

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
76

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

ESSAI
2010-2011
2me Anne

Epreuve de Techniques de Simulation


Session de contrle
Dure 1 H30

Exercice n1 : (8 points)
On dit quune variable alatoire relle absolument continue suit la loi de Gumbel
si sa densit de probabilit est dfinie par :

() =
1. En notant que f(x) scrit sous la forme u(x)exp(u(x)) ou u est une fonction de x et
u sa drive,
a. Montrer que f est effectivement une densit de probabilit.
b. Trouver la fonction de rpartition F de X.
2. On veut simuler X par la mthode dinversion.
a. Dterminer linverse F-1 de F
b. Un gnrateur de nombres pseudo alatoires donne : u1 = 0.281, u2 = 0.735,
u3= 0.0110. En dduire trois valeurs simules de X selon la mthode dinversion.
3. Soit Y = e-X
a. Trouver la loi de probabilit de Y
b. Comment simuler Y ?
c. En dduire une mthode de simulation de X
d. Montrer que lon aboutit la mme mthode trouve en 2.
Exercice n 2 : (12 points)
Soit X une variable alatoire relle absolument continue suivant la loi bta
suivante :
( )
() =
<<
(, )
On se propose de simuler X par la mthode de rejet
1. En supposant quil existe c R et g une autre densit de probabilit de X simulable
par la mthode dinversion et tels que f(x) c g(x) 0 < x < 1 prsenter les tapes
suivre pour simuler X selon f en utilisant la mthode de rejet.
Est-il ncessaire de connaitre B (3,3) pour raliser ces tapes ?
2. Soit g1 la densit de probabilit de la loi uniforme continue sur [0,1]
a. Rappeler lexpression de g1
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
77

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

b. Trouver en fonction de B(3,3) le plus petit rel c vrifiant ;


f(x) c g1(x)
0<x<1
c. En dduire en fonction de B(3,3) le nombre moyen de rejet dune mthode de rejet
base sur g1.
3. Soit g2 la densit de probabilit de la loi triangulaire sur [0,1] et de mode 0.5 :
g2(x) = 4x si 0< x<0.5
g2(x) = 4(1-x ) si 0.5< x<1.
g2(x) = 0 sinon
a. Vrifier gomtriquement que g2 est effectivement une densit de probabilit
b. Trouver en fonction de B(3,3) le plus petit rel c vrifiant :
f(x) c g2(x) 0 < x < 1
NB: On cherche c pour 0< x<0.5 et pour 0.5< x<1 et on note quil sagit du mme rel

c. En dduire en fonction de B(3,3) le nombre moyen de rejet dune mthode de rejet


base sur g2.
4. Compte tenu de ce qui prcde la quelle des densits choisir pour baser la mthode
de rejet : g1 ou g2 ? Justifier votre rponse.
5. On veut utiliser la mthode de Monte Carlo pour valuer approximativement le
nombre B(3,3).
a. Montrer que B(3,3) scrit comme une intgrale quon prcisera
b. Exprimer cette intgrale comme une esprance mathmatique dune fonction de
variable alatoire suivant la loi uniforme continue sur [0,1]
c. Donner lapproximation de Monte Carlo de B(3,3)

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
78

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

ESSAI
2009-2010
2me Anne

Epreuve de Techniques de Simulation


Session Principale
Dure 2 Heures

Exercice n1 (9 points)
Soit X une variable alatoire relle suivant la loi de Cauchy. On note g sa densit de
probabilit :
1
() =

(1 + 2 )
1. Trouver la fonction de rpartition G de X
2. Montrer que G est bijective et trouver son inverse
3. On veut utiliser la mthode dinversion pour simuler des valeurs de X
a. Rappeler le principe gnral de cette mthode.
b. Utiliser cette mthode pour simuler des valeurs de X bases sur les nombres pseudo
alatoires suivants : u1 = 0.313, u2 = 0.03, u3 = 0.872.
4. On pose h(x) = f(x)/g(x) x R o f est la densit de probabilit de la loi normale
centre rduite.
a. Trouver les rels x maximisant h
b. En dduire que f(x) M g(x) x R o M est un rel dterminer.
5. On se propose de simuler la loi normale centre rduite par une mthode de rejet en
se basant sur 4.
a. Dcrire les diffrentes tapes de mise en application de la mthode de rejet.
b. Dterminer la probabilit de rejet et le nombre moyen de rejet.
c. Un gnrateur de nombres pseudo alatoires donne v1 = 0.975, v2 = 0.55,
v3= 0.328, v4 = 0.045. Utiliser ces nombres avec les valeurs simules de X selon g en
3.b pour simuler des valeurs de X selon f.
Exercice n2 : (11 points)
On rappelle quune variable alatoire relle suit une loi gamma de paramtres a
N* et b > 0 a pour densit de probabilit :

() =
1 > 0 ; () = 0
( 1)!
1. Soit Y une variable alatoire relle suivant la loi exponentielle de paramtre b > 0.
Quelle est la mthode usuelle utilise pour simuler Y ? la prsenter assez brivement.
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
79

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

2. Soit = =1 o les Yi sont des variables indpendantes suivant la mme que Y.


Montrer que X suit une loi gamma dont on prcisera les paramtres.
NB : on rappelle que la loi gamma est stable pour laddition

3. On cherche simuler des valeurs de X


a. En se basant sur ce qui prcde, donner une mthode de simulation de X (prciser
les diffrentes tapes de lalgorithme de simulation).
c. Un gnrateur de nombres pseudo alatoires donne : u1 = 0.195, u2 = 0.946, u3 =
0.732, u4 = 0.013. Avec a =2 , utiliser ces nombres pour simuler des valeurs de X.
1

3. Soit lintgrale = 0 2 2 . On suppose que I ne peut pas tre calcule


analytiquement et on se propose de lapproximer par la mthode de Monte Carlo.
a. Ecrire I comme une esprance mathmatique dune fonction de variable alatoire
suivant la loi uniforme continue sur [0,1].
b. En dduire lapproximation de I par la mthode de Monte Carlo. On note cette
approximation.
c. Ecrire I comme une esprance mathmatique dune fonction de variable alatoire
suivant une loi gamma dont on prcisera les paramtres.
d. En dduire lapproximation correspondante I par la mthode de Monte Carlo. On
note cette approximation.
e. Calculer les variances respectives de et de . Commenter.

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
80

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

ESSAI
2009-2010
2me Anne

Epreuve de Techniques de Simulation


Session de contrle
Dure 2 Heures

Exercice n1
NB : On arrondi 2 chiffres aprs la virgule
1. Soit le gnrateur de congruence linaire mixte : xn = ( axn-1+c) mod m
a. quelle est la priode maximale de ce gnrateur ?
b. Rappeler les conditions sur les paramtres a,c et m pour que ce gnrateur atteigne
sa priode maximale.
c. Comment se prsente ces conditions lorsque m = 2k ( k 2) ?
2. On considre le gnrateur suivant : xn = (69xn-1+1) mod 210.
a. Ce gnrateur atteint il sa priode maximale ? Justifier votre rponse.
b. Donner 3 nombres pseudo alatoires issus de ce gnrateur partir dune germe
x0 = 255. On note ces nombres x1, x2, x3.
c. En dduire une suite de 4 valeurs simules de la loi uniforme continue sur [0,1].On
note ces nombres u0, u1, u2, u3.
3. partir des valeurs obtenues en 2.c, trouver des valeurs simules de la loi normale
centre rduite.
a. En utilisant la mthode de Box Muller.( On note ces nombres y0, y1, y2, y3.)
b. En utilisant lalgorithme polaire.( On note ces nombres z0, z1, z2, z3.)
c. Quels sont les avantages et inconvnients de chacune de ces mthodes ?
Exercice n2
1. Soit X une variable alatoire relle absolument continue dfinie sur [0,1]. On note f
et F respectivement sa densit de probabilit et sa fonction de rpartition. On suppose
en outre que X possde une esprance mathmatique note E(X).
1

Montrer que ( ) = 0 (1 ())


NB : On peut utiliser la technique dintgration par partie.
2. On cherche approximer E(X) par la mthode directe de Monte Carlo. On note

cette approximation calcule partir de n valeurs simules de X.


a. Donner lexpression gnrale de
et de sa variance.
b. Sachant que les valeurs simules de X ont t obtenues par la mthode dinversion,
exprimer
en fonction dune suite de n valeurs simules de la loi uniforme continue
sur [0,1].
3. Soit
une deuxime approximation de E(X) dduite en se basant sur 1.
Donner lexpression de
et de sa variance.
4. On suppose que f prend la forme suivante : f(x) = 3x2. 1[0,1]
Calculer V(
) et V( )
. Commenter.
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
81

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

ESSAI
2008-2009
2me Anne

Epreuve d Techniques de Simulation


Session Principale
Dure 2 Heures

Exercice n1 (4 points)
1
On considre lintgrale suivante I= 0
1. Soit X une variable alatoire relle suivant la loi uniforme continue U(0,1)
a. Ecrire I comme une esprance mathmatique dune certaine fonction de X
b. En dduire un estimateur 1 de I par la mthode de Monte Carlo.
c. Calculer la variance de 1 .
2. Soit X une variable alatoire relle absolument continue ayant une densit de
probabilit dfinie par : f(x) = 2x x [0,1] et f(x) = 0 ailleurs.
a. Ecrire I comme une esprance mathmatique dune certaine fonction de X
b. En dduire un estimateur 2 de I par la mthode de Monte Carlo.
c. Calculer la variance de 2 .
3. Soit X une variable alatoire relle suivant la loi uniforme continue U(0,1)
a Ecrire I comme une esprance mathmatique en se basant sur la mthode de la
variable antithtique.
b. En dduire un estimateur 3 de I par la mthode de Monte Carlo.
c . Calculer la variance de 3 .
4. La quelle des trois mthodes utiliser ? Justifier votre rponse.
Exercice n2 : (7 points)
1. Soient X et Y deux variables alatoires discrtes indpendantes suivant
respectivement les lois uniformes discrtes : P(X = x) = x {0,1,2,3} et P(Y =
y) = 1/3 x {0,1,2}.
On pose Z = (X+Y) mod 4. Donner les valeurs possibles de Z et sa loi de
probabilit.
2. Soit le gnrateur de congruence linaire suivant : xn = (axn-1+c) mod 4.
a. Quelle est la priode maximale ?
b. Trouver a et c permettant davoir la priode maximale.
c. On pose x0 = 0. Calculer les valeurs donnes par ce gnrateur jusqu lordre 4.
3. Soit le gnrateur de congruence linaire suivant : yn = (xn-1+) mod 3.
a. Quelle est la priode maximale ?
b. Trouver et permettant davoir la priode maximale.
c. On pose y0 = 0. Calculer les valeurs donnes par ce gnrateur jusqu lordre 3
4. Soit la relation suivante : zn = (xn+yn)mod 4
_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
82

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

a. Expliquer pourquoi on peut considrer cette relation comme un gnrateur de


nombres pseudo alatoires.
b. En posant x0 = y0 = 0, Calculez z0, z1, z2, ., z25.
c. Quelle est la priode de ce gnrateur ? Commenter.
Exercice n3 : (9 points)
1. Soit Z une variable alatoire suivant la loi uniforme continue U(0,1) et Y une autre
variable alatoire absolument continue prenant ses valeurs dans [0,1]. On suppose
Z et Y indpendantes.
a. Reprsenter graphiquement lvnement Z< Y dans le plan.
b. Montrer que P(Z< Y ) = E(Y) , E tant loprateur esprance mathmatique.
2. Soit X une variable alatoire absolument continue et F sa fonction de rpartition
(suppose admettre une rciproque F-1).
a. Comment utiliser la mthode dinversion pour simuler des valeurs de X ?
b. On suppose que F est inconnue mais peut tre estime sans biais par en tout x
R : 0 () 1 ( ()) = ()
En supposant que -1 existe, montrer que P( -1(Z) < x) = F(x) xR ou Z est une
variable alatoire suivant U(0,1) et est indpendante de ().
NB : (x) est bien une variable alatoire.
c. En dduire une procdure pour simuler des valeurs de X lorsquon ne connait
quune estimation sans biais de F(x).
3. Soient x1, x2, ., xn n ralisations passes de X ( supposes indpendantes).
1
a. Montrer que () = =1 1[ ] est un estimateur sans biais de F(x).

b. Les n (= 360) ralisations passes de X ont t regroupes dans le tableau suivant :


]ei-1, ei]
]0, 0.5] ]0.5, 1] ]1, 1.5] ]1.5, 2] ]2, 2.5] ]2.5, 3]
Nombre
40
40
60
120
60
40
Dobservations
Calculer (ei) pour ei = 0.5, 1, 1.5, 2, 2.5, 3 et reprsenter graphiquement en
supposant quelle linaire dans chaque intervalle ]ei-1, ei].
c. Un gnrateur de nombres pseudo alatoires donne z1= 0.468, z2 = 0.754, z3
=0.191. En dduire des valeurs simules de X.

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
83

Cours de Mthodes de Simulation


___________________________________________________________________________________________________

ESSAI
2008-2009
2me Anne

Epreuve de Techniques de Simulation


Session de contrle
Dure 1h30

Exercice 1(10 points)


Soit X une variable alatoire relle absolument continue dont la densit de
1
probabilit est dfinie par :() = ||
2
1. Vrifier que f est effectivement une densit de probabilit.
2. Trouver la fonction de rpartition correspondante.
3. Un gnrateur de nombres pseudo alatoires a donn u1 = 0.046, u2=0.945, u3 =
0.5. En utilisant la mthode dinversion, en dduire trois valeurs simules de X
selon g.
()
4. On considre la fonction : () =
o f la densit de probabilit
()

de la loi normale centre rduite :


() =


2
a. Dterminer les rels qui maximisent h et en dduire sa valeur maximale.
b. En dduire le plus petit rel c tel que () () .
5. On considre lvnement E dfini par cUg(X) < f(X) o U est une
variable alatoire relle indpendante de X et suivant la loi uniforme U(0.1).
Calculer la probabilit de E.
6. Quelle est la densit de probabilit de la loi de X conditionnellement la
ralisation de lvnement E ?
7. En dduire une mthode de rejet pour simuler X selon la loi normale centre
rduite.
8. Quel est le nombre moyen de rejet ?
9. Un gnrateur de nombres pseudo alatoires donne les nombres suivants : v1 =
0.988 ; v2 = 0.113 ; v3 = 0.311. Utiliser ces nombres et les valeurs simules de X
selon g trouvs en 3. pour simuler des valeurs de X selon f en utilisant la mthode
de rejet.
Exercice 2: (10 points)
Soit X une variable alatoire relle absolument continue dont la densit de
probabilit est dfinie par :

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
84

Cours de Mthodes de Simulation


___________________________________________________________________________________________________
() = [1,1]

1. Trouver k pour que g soit effectivement une densit de probabilit.


2. On pose Y = (1+X)/2.
a. Quelle est la loi de Y ?
b. En dduire une procdure de simulation de X.
3. Soient X1 et X2 deux variables indpendantes ayant la mme loi que X.
a. Donner la densit f(x1, x2) du couple (X1, X2).
b. Comment simuler le couple (X1, X2) ?
c. Calculer la probabilit de lvnement :
B={(x1, x2)/ -1 x1 1, -1 x2 1 et x12 +x22 1))
NB : Il nest pas ncessaire de faire du calcul intgral.

4. On veut approcher le nombre par la mthode de Monte Carlo.


a. Ecrire comme une esprance mathmatique dune fonction h (X1, X2) prciser.
b. Comment obtenir des valeurs simules de h (X1, X2) ?
c. Quelle est lapproximation Monte Carlo de ?
d. Calculer la variance de cette approximation. Comment lestimer ?

_____________________________________________________________________________________________
Hassen Mathlouthi
ESSAIT Universit de Carthage
85