Vous êtes sur la page 1sur 60

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

Simulation de flux : Analyse

´

Vincent Augusto

´

Ecole Nationale Sup´erieure des Mines de Saint- Etienne

2010-2011

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

1
1

Pr´esentation

simulation

Donn´ees

Entr´ees directes

Distribution

2
2

Donn´ees d’une simulation

empirique

Distribution

th´eorique

Absence de

donn´ees

3
3

G´en´eration de variables al´eatoires

G´en´eration de

variables

al´eatoires

G´en´eralit´es

4
4

Interpr´etation des sorties

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

Pr´esentation

Analyse d’un probl`eme d’organisation par la simulation :

Observations, discussions.

Mod´elisation du syst`eme (UML, r´eseaux de Petri, etc.).

Simulation selon plusieurs sc´enarios.

Aide `a la d´ecision.

Probl`eme : la gestion et l’analyse des donn´ees en simulation

Quelles sont les donn´ees en entr´ee ?

Quels sont les indicateurs `a mesurer ?

Comment exploiter les donn´ees en sortie ?

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

Choix des donn´ees :

Absence de donn´ees.

Distributions empiriques.

Distributions th´eoriques :

Pr´esentation

d´etermination des param`etres (maximum de vraisemblance) ;

tests d’ad´equation (χ 2 ).

La g´en´eration de variables al´eatoires permet de mod´eliser des ph´enom`enes d´eterministes complexes :

Temps de fabrication.

Pannes (apparition, dur´ee).

Temps de pr´eparation.

Temps inter-arriv´ees des processus.

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

Interpr´etation des sorties :

Pr´esentation

Diff´erence entre syst`eme terminal/non terminal.

Analyse des sorties des syst`emes terminaux.

Pr´etraitements pour l’analyse des syst`emes non terminaux.

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

1
1

Pr´esentation

simulation

Donn´ees

Entr´ees directes

Distribution

2
2

Donn´ees d’une simulation

empirique

Distribution

th´eorique

Absence de

donn´ees

3
3

G´en´eration de variables al´eatoires

G´en´eration de

variables

al´eatoires

G´en´eralit´es

4
4

Interpr´etation des sorties

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

Donn´ees d’une simulation

Informations collect´ees :

`

X 1 , X 2 ,

, X n

A partir des donn´ees en entr´ee :

Utilisation directe des donn´ees en entr´ee ?

´

Etablissement d’une distribution empirique ?

´

Etablissement d’une distribution th´eorique ?

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

Entr´ees directes

Injection directe des donn´ees collect´ees dans le mod`ele :

Permet d’´etablir la validit´e du mod`ele : reproduction d’un comportement observ´e.

La simulation perd de son int´erˆet : si les entr´ees sont fix´ees, les sorties sont d´eterministes.

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

Construction d’une distribution empirique

Soient X 1 ,

Exemple : 2; 2, 5; 4; 7 ; X (2) = 2, 5.

, X n tri´es : X (i) est le i`eme plus petit ´el´ement.

F(X (i) ) est la proportion de X j plus petit que X (i) ,

F(X (i) ) = Exemple :

i1

n1 (n grand). 2; 5; 9; 10; 11 ; F (5) = P(X 5) =

1

4 .

Remarques :

Tous les ´echantillons tir´es ult´erieurement `a partir de cette

loi

seront dans [X (1) , X (n) ].

La moyenne de F (X ) n’est pas ´egale `a la moyenne de

¯

l’´echantillon X (n).

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

Construction d’une distribution empirique

R´esum´e :

Soient X 1 ,

F(x) =

, X n tri´es.

0

si

x

< X 1

i1

n1 +

xX i

(n1)(X i+1 X i ) si X i x X i+1

1

si

x X n

Avantages et inconv´enients :

+ Permet d’´elargir tr`es simplement les jeux de donn´ees.

Probl`eme des valeurs extr`emes : toutes les donn´ees g´en´er´ees sont comprises entre X (1) et X (n) ; or les valeurs extr`emes sont souvent celles qui provoquent un blocage du syst`eme, i.e. les plus int´eressantes.

Probl`eme des irr´egularit´es : sur des ´echantillons de petite taille, un seul point extr`eme peut fausser la distribution.

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

11/60

D´etermination d’une distribution th´eorique

Int´erˆet :

Permet d’´elargir les jeux de tests, avec eventuellement la g´en´eration de points extr`emes.

Diminution de l’influence d’irr´egularit´es dans l’´echantillon.

Justification th´eorique eventuellement d´emontrable.

D´emarche :

1
1

Donn´ees : X 1 ,

, X n .

´

2
2

Etude statistique pr´eliminaire.

3
3

Choix d’une distribution (NORM(α, β), EXP(λ), etc.) et estimation de ses param`etres.

4
4

Test d’ad´equation (χ 2 , KS).

Une loi candidate et ses param`etres.

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

1. Tester l’ind´ependance des ´echantillons

Les tests d’ad´equations utilis´es `a l’´etape 3. ne sont valides que si les ´echantillons sont ind´ependants.

Cette op´eration peut ˆetre r´ealis´ee graphiquement.

Calcul du coefficient de correlation (non correl´e si 0) :

Soient X 1 ,

,

X n . Soient X i , X i+1 avec i ∈ {1,

nj

¯

(X i

, n 1}.

¯

X (n) )(X i+j

X (n) )

Coef. de correlation estim´e : ρˆ j =

i=1

(n j)S 2 (n)

¯

avec S 2 (n) la variance estim´ee et X (n) la moyenne estim´ee.

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

´

2. Etude statistique pr´eliminaire

Connaissance `a priori de certaines lois th´eoriques :

: X (1) , Maximum : X (n) .

Minimum

¯

X (n) .

Moyenne :

Variance : S 2 (n).

Coefficient de variation : c v = S 2 (n)

¯

X (n)

.

M´ediane : m = X ((n+1)/2)

si n impair

1

2 (X (n/2) + X ((n/2)+1) ) si n pair

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

´

2. Etude statistique pr´eliminaire

Connaissance `a priori de certaines lois th´eoriques :

Sym´etrie : ν = E [(X µ) 3 ]

(σ 2 ) 3/2

νˆ(n) =

1

n

n

i=1

(X i X (n)) 3

(S 2 (n)) 3/2

Remarques :

Pour des distributions sym´etriques, la moyenne (estim´ee) est ´egale (proche de) la m´ediane (estim´ee).

La sym´etrie d’une distribution normale est nulle. Si νˆ(n) > 0 (resp. < 0), il existe un d´ecalage vers la droite

(resp. vers la gauche).

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

3. Choix d’une distribution et de ses param`etres

Choix d’une distribution :

M´ethode graphique : estimation de la densit´e de probabilit´e correspondant `a l’´echantillon `a comparer aux lois usuelles.

S´eparer l’´echantillon en k intervalles adjacents

[b 0 , b 1 );

; [b k1 , b k ) de taille ∆b.

h j est la proportion de X j dans [b j1 , b j ) :

h(x) =

0 si X < X (1) (soit b 0 ) h j si b j1 x < b j

0 si x X (n) (soit b k )

h est une fonction continue par morceaux `a laquelle on peut comparer les densit´es usuelles.

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

16/60

3. Choix d’une distribution et de ses param`etres

Choix de ∆b :

b trop grand : l’histogramme aura une forme de bloc, des pics peuvent ˆetre masqu´es.

b trop petit : toutes les irr´egularit´es ressortent.

Exemple : estimation d’une dur´ee

ˆetre masqu´es. • ∆ b trop petit : toutes les irr´egularit´es ressortent. Exemple : estimation d’une

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

3. Choix d’une distribution et de ses param`etres

Estimation des param`etres :

Estimation pour chacune des lois candidates les param`etres qui font que la fonction colle au mieux `a l’´echantillon.

Maximum de vraisemblance :

bonnes propri´et´es ;

bons r´esultats coupl´es `a un test d’ad´equation χ 2 ;

simple `a comprendre et `a mettre en œuvre.

Algorithme :

Soit p θ (x) (ou f θ (x) en continu) une loi candidate et θ le

param`etre `a estimer. Soient X 1 ,

, X n .

Calculer L θ = p θ (X 1 ).p θ (X 2 )

p θ (X n ).

ˆ

θ est la valeur de θ pour laquelle L(θ) est maximal, i.e.

ˆ

Pr´esentation

V. Augusto

Donn´ees d’une

Analyse

simulation

Simulation :

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

3. Choix d’une distribution et de ses param`etres

Propri´et´es :

ˆ

En g´en´eral,

M´ethode adaptable `a des lois `a plusieurs param`etres L(s, p) :

θ est unique et tend vers θ lorsque n → ∞.

calcul des d´eriv´ees partielles s , p ;

d´etermination de (ˆs , pˆ) pour lequel les d´eriv´ees partielles s’annulent.

Technique num´erique de recherche optimum.

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

3. Choix d’une distribution et de ses param`etres

Exercice :

Soient X 1 ,

, X n .

ˆ ˆ

La loi candidate est EXP(β). Estimer β tel que EXP( β)

1 β e

X

β

.

G´en´eration de

est la plus adapt´ee. On a f β (X) =

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

4. Test d’ad´equation

Avec quelle probabilit´e la loi l θ est la loi qui a permis de tirer l’´echantillon ?

Test graphique :

Comparaison entre l’histogramme d´eduit de l’´echantillon et de la fonction de densit´e choisie.

h j est la proportion de X i dans l’intervalle [b j1 , b j ).

r j est la proportion esp´er´ee parmi n observations devant tomber dans [b j1 , b j ) si la distribution f (x) est la bonne :

r j = b j1 f (x).dx.

Comparer h j et r j .

b j

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

4. Test d’ad´equation

Test du χ 2 :

Comparaison formelle des histogrammes.

D´ecoupage de l’espace des valeurs possibles en k

intervalles : −∞, [a 0 , a 1 ),

, [a k1 , a k ), +.

Soit N j le nombre de X i dans le j-`eme intervalle :

k

j=1

N j = n.

Calculer p j , la proportion attendue de X i dans le j-`eme intervalle si l’on consid`ere la fonction de r´epartition

a

estim´ee : p j = a j1 f (x).dx ou p j =

j

On a alors χ 2 =

k

j=1

(N j np j ) 2

np j

.

p(x).

a j1 xa j

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

4. Test d’ad´equation

Choix des intervalles pour le test du χ 2 :

Au mieux il faut p 1 = p 2 = ··· = p k (approche ´equiprobable).

En pratique, np j 5 j.

Remarque :

Hypoth`ese : les X i sont des VA ind´ependantes et identiquement distribu´ees (IID) de fonction f .

Le test du χ 2 permet de d´ecider si cette hypoth`ese est vraie ou fausse.

Le test du χ 2 ne permet (normalement) pas de comparer deux fonctions :

´echantillon trop petit : inefficace ;

´echantillon trop gros : rejet en erreur.

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

En l’absence de donn´ees

Deux heuristiques simples pour d´eterminer des entr´ees :

X TRIA(a, c, b).

X BETA(α, β).

Loi triangulaire :

D´eterminer l’intervalle [a, b] des valeurs possibles.

D´eterminer le mode c, i.e. la valeur la plus souvent rencontr´ee.

[ a , b ] des valeurs possibles. • D´eterminer le mode c , i.e. la

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

En l’absence de donn´ees

Loi de type BETA(α, β) :

Si α = β : loi uniforme.

Si β > α > 1 : d´ecalage `a gauche.

de type BETA ( α, β ) : • Si α = β : loi uniforme.

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

1
1

Pr´esentation

simulation

Donn´ees

Entr´ees directes

Distribution

2
2

Donn´ees d’une simulation

empirique

Distribution

th´eorique

Absence de

donn´ees

3
3

G´en´eration de variables al´eatoires

G´en´eration de

variables

al´eatoires

G´en´eralit´es

4
4

Interpr´etation des sorties

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

G´en´eralit´es

G´en´eration de variables al´eatoires :

Comment introduire de l’al´eatoire `a partir d’un processus (ordinateur) compl´etement d´eterministe ?

Quelles propri´et´es doit avoir le g´en´erateur pseudo-al´eatoire ?

rapidit´e ;

g´en´eration de suites identiques de variables (debug, comparaison).

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

27/60

G´en´eration de VA uniformes

G´en´erateur congruentiel lin´eaire [Lehmer, 1954] :

Les nombres al´eatoires forment une suite dont chaque terme d´epend du pr´ec´edent :

Z i = (aZ i1 + c)

o`u Z 0 est la graine, a le multiplicateur, c l’incr´ement et m le module.

Remarques :

mod m

G´en´erateur pas vraiment al´eatoire (seulement m choix, cycle de longueur m).

Permet ´egalement la g´en´eration de VA continues, mais toujours `a partir de valeurs discr`etes.

Tester un g´en´erateur de VA uniforme :

Test empirique : tirer un ´echantillon avec le g´en´erateur, et le comparer avec UNIF(0, 1) Test du χ 2 .

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

G´en´eration de VA non-uniformes

Position du probl`eme :

Hypoth`ese : le g´en´erateur de VA UNIF(0, 1) est efficace et sˆur.

Plusieurs algorithmes existent pour tirer une VA. Comment mesurer leur efficacit´e ?

exactitude : si en entr´ee les VAU (0, 1), les VA en sortie suivent-elles la loi d´esign´ee ?

efficacit´e : temps de calcul, m´emoire utilis´ee ;

complexit´e : facilit´e d’impl´ementation ;

robustesse : les performances de l’algorithme sont-elles garanties pour toutes les valeurs des param`etres ?

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

M´ethode de la transpos´ee inverse

Hypoth`eses :

On cherche `a g´en´erer X continue.

La fonction de r´epartition F est continue, strictement croissante.

F 1 est la fonction inverse de F .

G´en´eration de

variables

al´eatoires

G´en´eralit´es

Algorithme :

G´en´eration de

VA uniformes

G´en´eration de

G´en´erer U ∼ UNIF(0 , 1). U UNIF(0, 1).

VA

non-uniformes

Lois usuelles

Retourner X = F − 1 ( U ). X = F 1 (U).

continues

Lois usuelles

discr`etes

Interpr´etation

Exemple :

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

x

Soit F (x) = 1 e β On retourne

si x > 0, 0 sinon.

alors F 1 (U) = β ln(1 U).

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

30/60

M´ethode de la transpos´ee inverse

Cas discret :

F(x) = P(X x) = p(x i ).

x i x

On suppose que x 1 x 2 ≤ ··· ≤ x k .

Algorithme :

1
1

G´en´erer U UNIF(0, 1).

2
2

Trouver le plus petit j tel que U F (x j ).

3
3

Retourner X = x j .

Avantages/Inconv´enients :

+ Rapidit´e, simplicit´e.

Une d´etermination analytique de F 1 n’est pas toujours facile/possible.

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

M´ethode par composition

Hypoth`eses :

F peut s’exprimer comme une combinaison convexe

d’autres fonctions F 1 ,

, F n .

F(x) =

n

i=1

p j F j (x) avec p j 0.

Algorithme :

G´en´erer un entier positif j tel que P ( J = j ) = p j j tel que P (J = j ) = p j

j ∈ {1,

, n}.

Retourner X avec une distribution F j (transpos´ee inverse). X avec une distribution F j (transpos´ee inverse).

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

M´ethode par composition

Exemple (loi de Laplace) :

Soit f (x) = 1

2 e x I (,0) (x) +

1

2

e x I (0,+) (x)

avec I A (x) = 1 si x A, 0 sinon.

f est une combinaison convexe de f 1 et f 2 .

G´enerer U 1 et U 2 IID selon UNIF(0, 1) :

U 1 0, 5, retourner

si

X

=

ln U 2 ;

U 1

si

0, 5, retourner X = ln U 2 .

Remarque :

Il faut deux VA uniformes pour un g´en´erer une seule.

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

M´ethode par convolution

Hypoth`eses :

La VA s’exprime comme la somme de VA :

X = Y 1 + ··· + Y n , Y i IID.

Algorithme :

Y 1 + ··· + Y n , Y i IID. Algorithme : G´en´erer Y 1

G´en´erer Y 1 ,

, Y n IID.

Retourner X = Y 1 + ··· + Y n . X = Y 1 + ··· + Y n .

Remarque :

Il faut au moins n VA uniformes pour un g´en´erer une seule.

Simulation :

Analyse

V. Augusto

Pr´esentation

Donn´ees d’une

simulation

Donn´ees

Entr´ees directes

Distribution

empirique

Distribution

th´eorique

Absence de

donn´ees

G´en´eration de

variables

al´eatoires

G´en´eralit´es

G´en´eration de

VA uniformes

G´en´eration de

VA

non-uniformes

Lois usuelles

continues

Lois usuelles

discr`etes

Interpr´etation

des sorties

G´en´eralit´es

Syst`emes

terminaux

Syst`emes

non-terminaux

M´ethode par convolution

Exemple (VA m-erlang) :

Une VA m -erlang de moyenne β est d´efinie comme la somme de m variable