Simulation :

Analyse
V. Augusto
Pr
esentation
Donn
ees dune
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

1/60

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 dune
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

2/60

1 Pr
esentation
2 Donn
ees dune simulation
3 G
eneration de variables aleatoires
4 Interpr
etation des sorties

Simulation :
Analyse

Presentation

V. Augusto
Pr
esentation
Donn
ees dune
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

3/60

Analyse dun probl`eme dorganisation par la simulation :

Observations, discussions.
Mod
elisation du syst`eme (UML, reseaux de Petri, etc.).
Simulation selon plusieurs sc
enarios.
Aide `
a la decision.

Probl`eme : la gestion et lanalyse des donnees en simulation

Quelles sont les donn
ees en entree ?
Quels sont les indicateurs `
a mesurer ?
Comment exploiter les donn
ees en sortie ?

Simulation :
Analyse

Presentation

V. Augusto
Pr
esentation
Donn
ees dune
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

4/60

Choix des donnees :

Absence de donn
ees.
Distributions empiriques.
Distributions th
eoriques :
d
etermination des param`etres (maximum de
vraisemblance) ;
tests dad
equation (2 ).

La generation de variables aleatoires permet de modeliser

des phenom`enes deterministes complexes :
Temps de fabrication.
Pannes (apparition, dur
ee).
Temps de pr
eparation.
Temps inter-arriv
ees des processus.
Quantit
e de ressources necessaires.

Simulation :
Analyse

Presentation

V. Augusto
Pr
esentation
Donn
ees dune
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

5/60

Interpretation des sorties :

Diff
erence entre syst`eme terminal/non terminal.
Analyse des sorties des syst`
emes terminaux.
Pr
etraitements pour lanalyse des syst`emes non terminaux.

Simulation :
Analyse
V. Augusto
Pr
esentation
Donn
ees dune
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

6/60

1 Pr
esentation
2 Donn
ees dune simulation
3 G
eneration de variables aleatoires
4 Interpr
etation des sorties

Simulation :
Analyse
V. Augusto

Donnees dune simulation

Pr
esentation
Donn
ees dune
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

7/60

Informations collectees :
X1 , X2 , . . . , Xn

` partir des donnees en entree :

A
Utilisation directe des donn
ees en entree ?

Etablissement
dune distribution empirique ?

Etablissement
dune distribution theorique ?

Simulation :
Analyse

Entrees directes

V. Augusto
Pr
esentation
Donn
ees dune
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

8/60

Injection directe des donnees collectees dans le mod`ele :

Permet d
etablir la validite du mod`ele : reproduction dun

comportement observe.
La simulation perd de son int
eret : si les entrees sont

fixees, les sorties sont deterministes.

Simulation :
Analyse

Construction dune distribution

empirique

V. Augusto
Pr
esentation
Donn
ees dune
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

9/60

Soient X1 , . . . , Xn tries : X(i) est le i`eme plus petit element.

Exemple : 2; 2, 5; 4; 7 ; X(2) = 2, 5.
F (X(i) ) est la proportion de Xj plus petit que X(i) ,
i1
F (X(i) ) = n1
(n grand).
Exemple : 2; 5; 9; 10; 11 ; F (5) = P(X 5) = 14 .

Remarques :
Tous les
echantillons tires ulterieurement `a partir de cette

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

La moyenne de F (X ) nest pas
egale `a la moyenne de

lechantillon X (n).

Simulation :
Analyse

Construction dune distribution

empirique

V. Augusto
Pr
esentation
Donn
ees dune
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

10/60

Resume :
Soient X
es.
1 , . . . , Xn tri
0 si x < X1
xXi
i1
si Xi x Xi+1
+
F (x) =
n1 (n1)(Xi+1 Xi )
1 si x Xn

Avantages et inconvenients :
+ Permet delargir tr`es simplement les jeux de donnees.
Probl`eme des valeurs extr`emes : toutes les donnees
generees 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 interessantes.
Probl`eme des irregularites : sur des echantillons de petite
taille, un seul point extr`eme peut fausser la distribution.

Simulation :
Analyse

Determination dune distribution

theorique

V. Augusto
Pr
esentation
Donn
ees dune
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

Interet :
Permet d
elargir les jeux de tests, avec eventuellement la

generation de points extr`emes.

Diminution de linfluence dirr
egularites dans lechantillon.
Justification th
eorique eventuellement demontrable.

Demarche :
1
2

Donnees : X1 , . . . , Xn .

Etude
statistique preliminaire.

Choix dune distribution (NORM(, ), EXP(), etc.) et

estimation de ses param`etres.

Test dadequation (2 , KS).

Une loi candidate et ses param`etres.

Simulation :
Analyse
V. Augusto
Pr
esentation

1. Tester lindependance des

echantillons

Donn
ees dune
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

12/60

Les tests dad

equations utilises `a letape 3. ne sont valides

que si les echantillons sont independants.

Cette op
eration peut etre realisee graphiquement.

Calcul du coefficient de correlation (non correle si 0) :

Soient X1 , . . . , Xn . Soient Xi , Xi+1 avec i {1, . . . , n 1}.
nj
X
(n) )(Xi+j X
(n) )
(Xi X
Coef. de correlation estime : j =

i=1

(n j)S 2 (n)

(n) la moyenne estimee.

avec S 2 (n) la variance estimee et X

Simulation :
Analyse
V. Augusto

2. Etude
statistique preliminaire

Pr
esentation
Donn
ees dune
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

13/60

Connaissance `a priori de certaines lois theoriques :

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

(n) .
Moyenne : X
Variance : S 2 (n).

Coefficient de variation : cv =


M
ediane : m =

S 2 (n)
(n) .
X

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

Simulation :
Analyse

2. Etude
statistique preliminaire

V. Augusto
Pr
esentation
Donn
ees dune
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

14/60

Connaissance `a priori de certaines lois theoriques :

)3 ]
Sym
etrie : = E [(X
( 2 )3/2
n

1X
(Xi X (n))3
n
(n) =

i=1
(S 2 (n))3/2

Remarques :
Pour des distributions sym
etriques, la moyenne (estimee)

est egale (proche de) la mediane (estimee).

La sym
etrie dune distribution normale est nulle. Si

(n) > 0 (resp. < 0), il existe un decalage vers la droite

(resp. vers la gauche).

Simulation :
Analyse
V. Augusto
Pr
esentation
Donn
ees dune
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

15/60

3. Choix dune distribution et de

ses param`etres
Choix dune distribution :
M
ethode graphique : estimation de la densite de

probabilite correspondant `a lechantillon `a comparer aux

lois usuelles.
S
eparer lechantillon en k intervalles adjacents

[b0 , b1 ); . . . ; [bk1 , bk ) de taille b.

hj est la proportion de Xj dans [bj1 , bj ) :

0 si X < X(1) (soit b0 )

h si bj1 x < bj
h(x) =
j
0 si x X(n) (soit bk )
h est une fonction continue par morceaux `a laquelle on
peut comparer les densites usuelles.

Simulation :
Analyse
V. Augusto
Pr
esentation
Donn
ees dune
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 dune distribution et de

ses param`etres
Choix de b :
b trop grand : lhistogramme aura une forme de bloc,

des pics peuvent etre masques.

b trop petit : toutes les irr
egularites ressortent.

Exemple : estimation dune duree

Simulation :
Analyse
V. Augusto
Pr
esentation
Donn
ees dune
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

17/60

3. Choix dune 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 lechantillon.

Maximum de vraisemblance :
bonnes propri
etes ;
bons r
esultats couples `a un test dadequation 2 ;
simple `
a comprendre et `a mettre en uvre.

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

param`etre `a estimer. Soient X1 , . . . , Xn .

Calculer L = p (X1 ).p (X2 ) . . . p (Xn ).
est la valeur de pour laquelle L() est maximal, i.e.

L() .
L()

Simulation :
Analyse

3. Choix dune distribution et de

ses param`etres

V. Augusto
Pr
esentation
Donn
ees dune
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

18/60

Proprietes :
En g
eneral, est unique et tend vers lorsque n .
M
ethode adaptable `a des lois `a plusieurs param`etres

L(s, p) :
calcul des d
erivees partielles s, p ;
d
etermination de (s , p) pour lequel les derivees partielles

sannulent.
Technique num
erique de recherche optimum.

Simulation :
Analyse

3. Choix dune distribution et de

ses param`etres

V. Augusto
Pr
esentation
Donn
ees dune
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

19/60

Exercice :
Soient X1 , . . . , Xn .

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

est la plus adaptee. On a f (X ) = 1 e

Simulation :
Analyse

4. Test dadequation

V. Augusto
Pr
esentation
Donn
ees dune
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

20/60

Avec quelle probabilite la loi l est la loi qui a permis de tirer

lechantillon ?

Test graphique :
Comparaison entre lhistogramme deduit de lechantillon et de
la fonction de densite choisie.
hj est la proportion de Xi dans lintervalle [bj1 , bj ).
rj est la proportion esp
eree parmi n observations devant

tomber dans [bj1 , bj ) si la distribution f (x) est la bonne :

R bj
rj = bj1
f (x).dx.
Comparer hj et rj .

Simulation :
Analyse

4. Test dadequation

V. Augusto
Pr
esentation

Test du 2 :

Donn
ees dune
simulation

Comparaison formelle des histogrammes.

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

D
ecoupage de lespace des valeurs possibles en k

intervalles : , [a0 , a1 ), . . . , [ak1 , ak ), +.

Soit Nj le nombre de Xi dans le j-`
eme intervalle :
k
X

Nj = n.

j=1

Calculer pj , la proportion attendue de Xi dans le j-`

eme

intervalle si lon consid`ere la fonction deX

repartition
R aj
estimee : pj = aj1
f (x).dx ou pj =
p(x).
aj1 xaj

Interpr
etation
des sorties
G
en
eralit
es
Syst`
emes
terminaux
Syst`
emes
non-terminaux

21/60

On a alors 2 =

k
X
j=1

(Nj npj )2
.
npj

Simulation :
Analyse

4. Test dadequation

V. Augusto
Pr
esentation
Donn
ees dune
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

22/60

Choix des intervalles pour le test du 2 :

Au mieux il faut p1 = p2 = = pk (approche

equiprobable).
En pratique, npj 5 j.

Remarque :
Hypoth`
ese : les Xi sont des VA independantes et

identiquement distribuees (IID) de fonction f .

Le test du 2 permet de d
ecider si cette hypoth`ese est

vraie ou fausse.
Le test du 2 ne permet (normalement) pas de comparer
deux fonctions :

echantillon trop petit : inefficace ;

echantillon trop gros : rejet en erreur.

Simulation :
Analyse

En labsence de donnees...

V. Augusto
Pr
esentation
Donn
ees dune
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

23/60

Deux heuristiques simples pour determiner des entrees :

X TRIA(a, c, b).
X BETA(, ).

Loi triangulaire :
D
eterminer

lintervalle [a, b] des

valeurs possibles.
D
eterminer le mode

c, i.e. la valeur la
plus souvent
rencontree.

Simulation :
Analyse
V. Augusto
Pr
esentation
Donn
ees dune
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

24/60

En labsence de donnees...
Loi de type BETA(, ) :
Si = : loi uniforme.
Si > > 1 : d
ecalage `a gauche.

Simulation :
Analyse
V. Augusto
Pr
esentation
Donn
ees dune
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

25/60

1 Pr
esentation
2 Donn
ees dune simulation
3 G
eneration de variables aleatoires
4 Interpr
etation des sorties

Simulation :
Analyse

Generalites

V. Augusto
Pr
esentation
Donn
ees dune
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

26/60

Generation de variables aleatoires :

Comment introduire de lal
eatoire `a partir dun processus

(ordinateur) completement deterministe ?

Quelles propri
etes doit avoir le generateur
pseudo-aleatoire ?
rapidit
e;
g
eneration de suites identiques de variables (debug,

comparaison).

Simulation :
Analyse

Generation de VA uniformes

V. Augusto
Pr
esentation
Donn
ees dune
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

Generateur congruentiel lineaire [Lehmer, 1954] :

Les nombres aleatoires forment une suite dont chaque terme
depend du precedent :
Zi = (aZi1 + c) mod m
o`
u Z0 est la graine, a le multiplicateur, c lincrement et m le
module.

Remarques :
G
enerateur pas vraiment aleatoire (seulement m choix,

cycle de longueur m).

Permet
egalement la generation de VA continues, mais

toujours `a partir de valeurs discr`etes.

Tester un generateur de VA uniforme :

Test empirique : tirer un echantillon avec le generateur, et le
comparer avec UNIF(0, 1) Test du 2 .

Simulation :
Analyse
V. Augusto

Generation de VA non-uniformes

Pr
esentation
Donn
ees dune
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

28/60

Position du probl`eme :
Hypoth`
ese : le generateur de VA UNIF(0, 1) est efficace et

s
ur.
Plusieurs algorithmes existent pour tirer une VA.
Comment mesurer leur efficacite ?
exactitude : si en entr
ee les VA U(0, 1), les VA en sortie

suivent-elles la loi designee ?

efficacit
e : temps de calcul, memoire utilisee ;
complexit
e : facilite dimplementation ;
robustesse : les performances de lalgorithme sont-elles

garanties pour toutes les valeurs des param`etres ?

Simulation :
Analyse

Methode de la transposee inverse

V. Augusto
Pr
esentation
Donn
ees dune
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

29/60

Hypoth`eses :
On cherche `
a generer X continue.
La fonction de r
epartition F est continue, strictement

croissante.
F 1 est la fonction inverse de F .

Algorithme :
1

Generer U UNIF(0, 1).

Retourner X = F 1 (U).

Exemple :
x

Soit F (x) = 1 e si x > 0, 0 sinon.

On retourne alors F 1 (U) = ln(1 U).

Simulation :
Analyse

Methode de la transposee inverse

V. Augusto
Pr
esentation
Donn
ees dune
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

Cas discret :
F (x) = P(X x) =

p(xi ).

xi x

On suppose que x1 x2 xk .

Algorithme :
1

Generer U UNIF(0, 1).

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

Retourner X = xj .

Avantages/Inconvenients :
+ Rapidite, simplicite.
Une determination analytique de F 1 nest pas toujours
facile/possible.

Simulation :
Analyse

Methode par composition

V. Augusto
Pr
esentation
Donn
ees dune
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

31/60

Hypoth`eses :
F peut sexprimer comme une combinaison convexe

dautres fonctions F1 , . . . , Fn .
n
X
F (x) =
pj Fj (x) avec pj 0.
i=1

Algorithme :
1

Generer un entier positif j tel que P(J = j) = pj

j {1, . . . , n}.

Retourner X avec une distribution Fj (transposee inverse).

Simulation :
Analyse

Methode par composition

V. Augusto
Pr
esentation
Donn
ees dune
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

32/60

Exemple (loi de Laplace) :

Soit f (x) = 12 e x I(,0) (x) + 12 e x I(0,+) (x)

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

f est une combinaison convexe de f1 et f2 .
G
enerer U1 et U2 IID selon UNIF(0, 1) :
si U1 0, 5, retourner X = ln U2 ;
si U1 0, 5, retourner X = ln U2 .

Remarque :
Il faut deux VA uniformes pour un generer une seule.

Simulation :
Analyse

Methode par convolution

V. Augusto
Pr
esentation
Donn
ees dune
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

33/60

Hypoth`eses :
La VA sexprime comme la somme de VA :

X = Y1 + + Yn , Yi IID.

Algorithme :
1

Generer Y1 , . . . , Yn IID.

Retourner X = Y1 + + Yn .

Remarque :
Il faut au moins n VA uniformes pour un generer une seule.

Simulation :
Analyse

Methode par convolution

V. Augusto
Pr
esentation
Donn
ees dune
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

34/60

Exemple (VA m-erlang) :

Une VA m-erlang de moyenne est definie comme la somme

de m variables aleatoires exponentielles de moyenne m

.
1

Generer Y1 , . . . , Yn IID EXPO( m

).

Retourner X = Y1 + + Yn .

Simulation :
Analyse

Lois usuelles continues

V. Augusto
Pr
esentation
Donn
ees dune
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

35/60

Uniforme : UNIF (a, b)

La fonction U(a, b) est facilement inversible :
F 1 (u) = a + (b a)u.
1

Generer U UNIF (0, 1).

Retourner X = a + (b a)U.

Exponentielle : EXPO()
C.f. exemple de la transformee inverse.
1

Generer U UNIF (0, 1).

Retourner X = ln(1 U).

Simulation :
Analyse

Lois usuelles continues

V. Augusto
Pr
esentation
Donn
ees dune
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

36/60

Normale : NORM(, 2 )
Determination dune fonction majorante permettant la
generation de VA.
1

Generer U1 , U2 UNIF (0, 1) IID.

Soient V1 = 2U1 1, V2 = 2U2 1, W = V12 + V22 .

Si W > 1, retourner r
en 1,
2 ln W
.
sinon retourner Y =
W
On a X1 = V1 Y et X2 = V2 Y , avec X1 , X2 NORM(0, 1) IID.
3

Simulation :
Analyse

Lois usuelles continues

V. Augusto
Pr
esentation
Donn
ees dune
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

37/60

Triangulaire : TRIA(a, b, c)
ca
Si X TRIA(0, 1, ba
) alors X 0 = a + (b a)X et

X 0 TRIA(a, b, c).

Si on sait g
enerer X TRIA(0, 1, c), on sait generer

X 0 TRIA(a, b, c).

cup
si 0 u c
1
F (u) =
1 (1 c)(1 u) si c u 1

Algorithme :
1
2

Generer U UNIF (0, 1).

Si U C retourner X = pcU,
sinon retourner X = 1 (1 c)(1 U).

Simulation :
Analyse

Lois usuelles discr`etes

V. Augusto
Pr
esentation
Donn
ees dune
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

38/60

Bernouilli : BERNOUILLI (p)

1

Generer U UNIF (0, 1).

Si U p retourner X = 1, sinon retourner X = 0.

Uniforme discr`ete : DU(i, j)

1

Generer U UNIF (0, 1).

Retourner X = i + b(j i + 1)Uc.

Geometrique : GEOM(p)
1
2

Generer U UNIF (0, 1).

j
k
ln U
Retourner X = ln(1p)
.

Simulation :
Analyse

Lois usuelles discr`etes

V. Augusto
Pr
esentation
Donn
ees dune
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

39/60

Discr`ete quelconque :
Loi de probabilite donnee sur un ensemble S : p(i), i S.
1

Generer U UNIF (0, 1).

Retourner X = i, entier verifiant

i1
X

p(j) U <

j=0

i
X

p(j).

j=0

Processus de Poisson : POISSON()

Mod
elisation de larrivee dentites dans le syst`eme.
Un processus de Poisson de param`
etre verifie que les

temps inter-arrivees Ai = ti ti1 sont de VA

IID EXPO( 1 .
On suppose ti1 g
enere et on cherche ti :
1
2

Generer U UNIF (0, 1).

Retourner ti = ti1 1 ln U.

Simulation :
Analyse
V. Augusto
Pr
esentation
Donn
ees dune
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

40/60

1 Pr
esentation
2 Donn
ees dune simulation
3 G
eneration de variables aleatoires
4 Interpr
etation des sorties

Simulation :
Analyse

Simulation terminale

V. Augusto
Pr
esentation
Donn
ees dune
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

41/60

Un evenement provoque naturellement la fin de la

simulation :
enement de fin apr`es lequel les informations ne sont
Ev
plus collectees.
Date correspondant `
a la remise `a zero du syst`eme.
La date dapparition de cet
evenement peut etre aleatoire.

Remarques :
Les conditions initiales sont importantes : elles doivent

etre representatives du syst`eme.

Si on proc`
ede `a plusieurs executions (replications) et que

les VA en entree sont IID, alors les resultats de ces

replications sont IID.

Simulation :
Analyse
V. Augusto

Simulation non-terminale

Pr
esentation
Donn
ees dune
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

42/60

Aucun evenement ne precise la fin de la simulation :

Etude
du syst`eme en regime permanent : les conditions
initiales sont peu importantes et ne doivent pas influencer
les resultats.
Le r
egime permanent nexiste pas en general : permanent

cyclique/acyclique.

Simulation :
Analyse

Calcul dun IC pour un syst`eme

terminal (1/3)

V. Augusto
Pr
esentation
Donn
ees dune
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

43/60

Procedure :
Soient X1 , X2 , . . . , Xn les n r
esultats obtenus par n

replications independantes.
Soit la moyenne finie et 2 la variance finie.
Hypoth`
eses : Xi sont IID et du meme ordre de grandeur.

(n) la moyenne estimee. Un intervalle de confiance

Soit X
(IC) `a 100(1 ) % pour est :
r

S 2 (n)
n
o`
u tn1,1/2 est le point critique de la distribution t avec
n 1 degres de liberte et une couverture egale `a 1
2 .
(n) tn1,1/2
X

Simulation :
Analyse

Calcul dun IC pour un syst`eme

terminal (2/3)

V. Augusto
Pr
esentation
Donn
ees dune
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

44/60

Remarques :
(n) pour construire
La quantit
e ajoutee et soustraite de X
lIC est appelee demi-largeur de lIC.
Il sagit dune mesure de la pr
ecision avec laquelle on

connait .

Simulation :
Analyse

Calcul dun IC pour un syst`eme

terminal (3/3)

V. Augusto
Pr
esentation
Donn
ees dune
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

45/60

Exemple :
Supposons que les 10 observations 1,20 ; 1,50 ; 1,68 ; 1,89 ;
0,95 ; 1,49 ; 1,58 ; 1,55 ; 0,50 ; et 1,09 proviennent dune
distribution normale de moyenne inconnue et que notre
objectif consiste `a construire un IC `a 95 % pour . Nous avons :
(10) = 1, 34 et S 2 (10) = 0, 17
X
qui permettent de calculer lIC suivant pour :
q
q
S 2 (10)

= 1, 34 1, 83 0,17
X (10) t9;0,95
10
10 = 1, 34 0, 24
t9;0,95 provient de la table donnee en annexe. Ainsi, nous
pouvons affirmer avec 90 % de chances que est dans
lintervalle [1, 10; 1, 58].

Simulation :
Analyse
V. Augusto

Qualite  de la moyenne estimee

Pr
esentation
Donn
ees dune
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

46/60

Comment, `a partir dune precision donnee (absolue ou

relative) et dune couverture, calculer le nombre de replications
necessaire ?

Solution : etablir une

Erreur absolue.
Erreur relative.

qualite  sur la moyenne estimee :

Simulation :
Analyse

Erreur absolue fixee (1/2)

V. Augusto
Pr
esentation
Donn
ees dune
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

47/60

|
|X

X a une erreur absolue egale `a . 

Idee :
Si on proc`ede `a des replications jusqu`a ce que la precision
obtenue verifie la precision souhaitee, i.e. jusqu`a ce que la
demi-largeur de lIC est inferieure ou egale `a ( > 0), alors :
demi-largeur X
+ demi-largeur)
1 P(X

| demi-largeur)
= P(|X
| )
P(|X

(si A et B sont deux evenements avec A B, alors

P(A) P(B).
La couverture (1 ) correspond bien `a la probabilite de
respecter lerreur absolue fixee.

Simulation :
Analyse

Erreur absolue fixee (2/2)

V. Augusto
Pr
esentation
Donn
ees dune
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

48/60

Hypoth`eses :
Un intervalle de confiance pour bas
e sur n replications a

ete construit.
Lestimation S 2 (n) de la variance de la population ne

changera pas lorsque n augmente.

Determination du nombre de replications `a fixe :

na ()

n
= min i n|ti1,1/2

o
S 2 (n)

Interpretation :
Si n < na () et si on proc`ede `a na () n replications, alors
basee sur les na () replications devrait avoir
lestimation de X
une erreur absolue approchee dau plus .

Simulation :
Analyse

Erreur relative fixee (1/4)

V. Augusto
Pr
esentation
Donn
ees dune
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

49/60

Demarche

nave

|
|X
=
||
a une erreur relative egale `a . 
X

Si on proc`ede `a des replications jusqu`a ce que la demi-largeur

| soit inferieure `a (0 < < 1), alors :
de lIC divisee par |X
|/|X
| demi-largeur/|X
|)
1 P(|X

| |X
|)
P(|X
| |X
+ |)
= P(|X
+ ||))
| (|X |
P(|X
| ||)
= P((1 )|X
|/|| /(1 ))
= P(|X

a une erreur relative

X
de 1 .

(au lieu de ) avec une couverture

Simulation :
Analyse

Erreur relative fixee (2/4)

V. Augusto
Pr
esentation
Donn
ees dune
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

50/60

Hypoth`eses :
Un intervalle de confiance pour bas
e sur n replications a

ete construit.
Lestimation S 2 (n) de la variance de la population ne

changera pas lorsque n augmente.

Determination du nombre de replications `a fixe :

nr ()
avec 0 =

p
n
o
ti1,1/2 S 2 (n)/i
0
= min i n|

(n)|
|X

1+ .

Interpretation :
Si n < nr () et si on proc`ede `a nr () n replications, alors
basee sur les nr () replications devrait avoir
lestimation de X
une erreur relative approchee dau plus .

Simulation :
Analyse

Erreur relative fixee (3/4)

V. Augusto
Pr
esentation
Donn
ees dune
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

51/60

Probl`eme :
(n) et S 2 (n) peuvent etre imprecis :
X
si nr () est sup
erieur au nombre de replications requis, un

certain nombre de replications inutiles pourraient etre

faites ;
basee sur nr ()
si nr () est trop petit, lestimation de X
replications ne sera pas assez precise.

Solution :
Proposer une proc
edure iterative o`
u les replications sont

ajoutees une par une.

Obtenir une estimation de avec une erreur relative de

`a un niveau de confiance de 100(1 ) %.

Simulation :
Analyse

Erreur relative fixee (4/4)

V. Augusto
Pr
esentation
Donn
ees dune
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

52/60

Procedure iterative `a erreur

relative fixee :
q
Soit (n, ) = tn1, 1
2

1
2
3

S 2 (n)
n

la demi-largeur usuelle de lIC.

Faire n0 replications (n0 > 1) et fixer n n0 .

(n), S 2 (n) et (n, ) `a partir de X1 , X2 , . . . , Xn .
Calculer X
0

Si (n,)
(n) alors X (n) est un estimateur avec une erreur
X
relative dau plus . Fin.

Sinon, remplacer n par n + 1, faire une nouvelle

replication, et aller en 2.

Simulation :
Analyse
V. Augusto
Pr
esentation

Etats
transitoires dans les
syst`emes non-terminaux (1/2)

Donn
ees dune
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

53/60

Objectif : se debarasser de linfluence des conditions initiales

sur les resultats

On cherche `a estimer = lim E (Yi ) :

i

En g
eneral, `a cause des conditions initiales,

E [Y (m)] 6= m.
N
ecessite de

prechauffer le mod`ele
model/initial data deletion).


(warming up the

Isoler la partie des resultats sous influence des conditions

initiales et se restreindre aux autres resultats.

Simulation :
Analyse

Etats
transitoires dans les
syst`emes non-terminaux (2/2)

V. Augusto
Pr
esentation
Donn
ees dune
simulation
Donn
ees
Entr
ees directes
Distribution
empirique
Distribution
th
eorique
Absence de
donn
ees

Exemple :
Soit lobservation Y1 , Y2 , . . . , Ym .
Pour estimer , on utilise :

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

54/60

m
X

Y (m, l) =

Yi

i=l+1

ml
avec 1 l m 1 plut
ot que Y (m).
(m, l)] .
Il faut trouver l tel que E [Y
[Welch, 1981] Procedure graphique consistant `a determiner
l tel que E (Yi ) pour i > l, o`
u l est la periode de warm-up.

Simulation :
Analyse

Determination de la periode de
warm-up (1/3)

V. Augusto
Pr
esentation
Donn
ees dune
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

55/60

Procedure :
Realiser n replications (n 5) de longueur m (avec m
grand). Soit Yji la i e observation de la replication j.
Calculer les Yi .

1
2

Y11 ,
Y21 ,
.
.
Yn1 ,

Y12 ,
Y22 ,
.
.
Yn2 ,

Y13 ,
Y23 ,
.
.
Yn3 ,

Y14 ,
Y24 ,
.
.
Yn4 ,

1
Y

2
Y

3
Y

4
Y

...
...

...

Y1,m2 ,
Y2,m2 ,
.
.
Yn,m2 ,

Y1,m1 ,
Y2,m1 ,
.
.
Yn,m1 ,

Y1,m
Y2,m
.
.
Yn,m

...

m2
Y

m1
Y

m
Y

Simulation :
Analyse
V. Augusto
Pr
esentation
Donn
ees dune
simulation
Donn
ees
Entr
ees directes
Distribution
empirique
Distribution
th
eorique
Absence de
donn
ees

Determination de la periode de
warm-up (2/3)
Procedure (suite) :
Pour adoucir les larges oscillations de Y1 , Y2 , . . . (mais
conserver les petites oscillations en regime permanent) on
definit la moyenne decalee Yi (w ) :

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

56/60

Yi (w ) =

w
X

Yi+s

s=w

2w +1
i1
X

s=(i1)
2i1

si i = w + 1, . . . , m w

Yi+s
si i = 1, . . . , w

o`
u w est la fenetre, w bm/4c.

Simulation :
Analyse

Determination de la periode de
warm-up (3/3)

V. Augusto
Pr
esentation
Donn
ees dune
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

57/60

Procedure (suite) :
Tracer Yi (w ) pour i = 1, . . . , m w et choisir l, valeur `a
partir de laquelle il semble y avoir convergence.

Bilan :
(m, l) =
Lestimateur Y
Y (m).

Pm

i=l+1 Yi

ml

est utilise `a la place de

Cet estimateur est moins biais

e que Y (m) du fait que les

premi`eres valeurs ne sont pas prises en compte.

Simulation :
Analyse

Exemple dapplication de la
procedure

V. Augusto
Pr
esentation
Donn
ees dune
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

58/60

Exemple :
Soient m = 10, w = 2, Yi = i pour i = 1, 2, . . . , 5 et Yi = 6
pour i = 6, 7, . . . , 10. On a alors :
Y1 (2) = 1
Y4 (2) = 4
Y7 (2) = 5, 8

Y2 (2) = 2
Y5 (2) = 4, 8
Y8 (2) = 6

Y3 (2) = 3
Y6 (2) = 5, 4

Simulation :
Analyse
V. Augusto
Pr
esentation
Donn
ees dune
simulation
Donn
ees
Entr
ees directes
Distribution
empirique
Distribution
th
eorique
Absence de
donn
ees

Estimation de la moyenne apr`es la

periode de warm-up
Estimation de la moyenne une fois l fixe :
Soient n0 replications de longueur m0 avec m0 >> l. Soit Yji la
i e observation de la replication j.
0

m
X

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

59/60

Xj =

Yji

i=l+1
m0

j = 1, . . . , n0

(n0 ) est un estimateur non

Alors ces Xj sont IID : E (Xj ) . X
biaise de . Lintervalle de confiance `a 100(1 ) % pour
secrit alors :
r
2 0
0
(n ) tn0 1,1/2 S (n )
X
n0

Simulation :
Analyse

Remarques additionnelles

V. Augusto
Pr
esentation
Donn
ees dune
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

60/60

Remarques :
Th
eoriquement, les n premi`eres replications utilisees pour

(n0 ).
calculer l ne doivent pas etre utilisees pour calculer X
Si toutefois m est grand devant l, on peut r
eutiliser ces n

premi`eres replications.
Initialement, faire 5 `
a 10 replications avec m aussi grand

que possible.
i (w ) pour plusieurs valeurs de
Tracer le processus moyen Y
w et en deduire l sur la courbe la plus lisse.
Si aucune courbe ne convient, refaire 5 `
a 10 replications.