Université d’Alger 1, Faculté des Sciences, Département MI 2019/2020

L3 Mathématiques Appliquées Module :Simulation

Corrigé des exercices de la série n 2

Exercice 1:

1. On lance une pièce de monnaie parfaite: = fP; F g ; P (P ) = P (F ) = 21 :

1 si on obtient pile au ieme lancer,

On pose Xi = de fonction de répartition
0 sinon
8
< 0 si x < 0;
1
FXi (x) = si 0 x < 1;
: 2
1 si x 1:
Algorithme de Simulation de Xi :
1. Simuler ui de U[0;1] ;
1
2. Si ui 2 , poser xi = 0;sinon poser xi = 1:

Application: Simuler le résultat de 10 lancers

i ui Test xi Résultat du ieme lancer

1 0:406 u1 < 1=2 0 F
2 0:062 u2 < 1=2 0 F
3 0:968 u3 > 1=2 1 P
4 0:125 u4 < 1=2 0 F
5 0:531 u5 > 1=2 1 P
6 0:187 u6 < 1=2 0 F
7 0:093 u7 < 1=2 0 F
8 0:25 u8 < 1=2 1 F
9 0:656 u9 > 1=2 1 P
10 0:312 u10 < 1=2 0 F

2. QCS de 20 questions

Soit Xi la note obtenue à la ieme question

1 si la ieme réponse est juste,

Xi =
1 si la ieme réponse est fausse;
où P (Xi = 1) = 23 , P (Xi = 1) = 1
3 et
8
< 0 si x < 1;
2
FXi (x) = 3 si 1 x < 1;
:
1 si x 1:
P
20
La note …nale obtenue au QCS est X = Xi :
i=1
Algorithme de Simulation de Xi :
1. Simuler ui de U[0;1] ;
2
2. Si ui 3 , poser xi = 1;sinon poser xi = 1:

1
 P
i P
i
i ui xi xj i ui xi xj
j=1 j=1
1 0:406 1 1 11 0:218 1 9
2 0:062 1 2 12 0:375 1 10
3 0:968 1 1 13 0:781 1 9
4 0:125 1 2 14 0:437 1 10
5 0:531 1 3 15 0:343 1 11
6 0:187 1 4 16 0:5 1 12
7 0:098 1 5 17 0:906 1 11
8 0:206 1 6 18 0:562 1 12
9 0:656 1 7 19 0:468 1 13
10 0:312 1 8 20 0:625 1 14
La note …nale est égale à -14.

Exercice 2
Soit X une v.a. de densité
1 x
h(x) = 2e si x 0;
1 x
2e si x 0:
1. Simuler X par la méthode de l’inverse.
Soit H la fonction de répartition de X :
8 Rx 1 y
Z x < 1 2
e dy si x 0;
H(x) = P (X x) = h(y)dy =
1 : R0 1 y
Rx1
1 2
e dy + 0 2
e y dy si x 0;
8 1 x
< 2e si x 0;
H(x) =
: 1
2 + 12 (1 e x
)=1 1
2e
x
si x 0:

Si x 0 alors H(x) 2 [0; 21 ] et si x 0, alors H(x) 2 [ 12 ; 1]:

Simuler X par la méthode de l’inverse revient a résouder H(x) = u pour u 2 [0; 1] :

Si u 2 [0; 21 ] alors H(x) = u () 21 ex = u () x = log(2u);

Si u 2 [ 12 ; 1] alors H(x) = u () 1 1
2e
x
= u () x = log 2(1 u):

Algorithme :
1. Générer un nombre pseudo-aléatoire u;
2. Si u 12 poser x = log 2u
sinon poser x = log 2(1 u):
2. Simulation de Z par la méthode de rejet avec une enveloppe h:
La densité de Z est donnée par
1 1 2
f (x) = p e 2x ; x 2 R:
2
On suppose qu’il existe une constante c telle que f (x) c h(x); 8 x 2 R: L’algorithme de rejet est le
suivant:
Algorithme :
1. Générer x de X,
2. Générer un nombre pseudo-aléatoire u;
f (u)
3. Si u ch(u) poser z = x;
Sinon revenir en 1.

2
Calcul de c

f (x)
c = maxx2R :
h(x)

p1 e 2 x
1 2 x2
f (x) 2 +jxj
On a = 2 =p e 2 ; x 2 R; qui est une fonction paire donc
h(x) (1=2)e jxj 2
f (x) f (x)
c = max = max :
x2R h(x) x 0 h(x)

f (x) 2 x2
Pour x 0; on pose K(x) = ln = ln p + x:
h(x) 2 2
0 0
K (x) = x + 1 et K (x) = 0 () x = 1:
00
De plus, on a K (x) = 1 < 0; 8x 0:
f (1) 2 1 f (x) 1 2
Par suite c = = p e 2 et = e 2 (jxj 1) :
h(1) 2 ch(x)
Algorithme :
1. Générer u1 de U[0;1] ;
1
2. Si u1 2 poser x = log 2u1 ;sinon poser x = log 2(1 u1 ),
3. Simuler u2 de U[0;1] ;
1
1)2
4. Si u2 e 2 (jxj alors z = x;
sinon revenir en 1.
Exercice 3

2. Générer un échantillon de taille 10

i) d’une variable X de loi binomiale B(6; 1=3) en utilisant la méthode de l’inverse:

i
X
i 1 i 2 6 i
X( ) = f0; 1; :::; 6g; P (X = i) = C6 ( 3 ) ( 3 ) ; i = 0; :::; 6; et F (i) = P (X = j)
j=0
x 0 1 2 3 4 5 6
FX (x) 0.0877915 0.351166 0.6803841 0.8998628 0.9821674 0.9986283 1
Algorithme :
1. Simuler u de U[0;1] ;
2. Si F (i 1) < u F (i); alors poser x = i

2
En utilisant la table des nombres au hasard (L6 C1 (de gauche à droite), " = 10 ), on obtient

ui xi
0:26 1
0:51 2
0:83 3
0:91 4
0:22 1
0:96 4
0:56 2
0:15 1
0:60 2
0:04 0

ii) d’une variable X de loi (1) par la méthode de l’inverse:

x 1
F (x) = 1 e = u () x = ln(1 u):

3
 Algorithme :
1. Simuler u de U[0;1] ;
2. Poser x = 1 ln(1 u) = ln(1 u).

ui xi
0:26 0:30
0:51 0:71
0:83 1:77
0:91 2:40
0:22 0:24
0:96 3:21
0:56 0:82
0:15 0:16
0:60 0:91
0:04 0:04

2. Simuler une variable Y de loi géométrique de paramètre p:

i) Méthode de l’inverse: voir le cours.
ii) Y peut s’écrire sous la forme suivante: Y = min fn 1; Un pg où (Un )n 1 est une suite de
variables aléatoires de loi uniforme sur [0; 1] (voir cours méthodes particulières).
ln (1 U ) ln (1 U )
iii) Si U suit une loi U[0;1] alors la variable T = = suit une loi exponentielle
lnq lnq
de paramètre = ln q (0 < p < 1 =) 0 < q < 1 =) ln q > 0).
Comme T ( ) = R+ alors [T ] ( ) = N et Z ( ) = N où Z = [T ] + 1.
Pour tout i 1, on a
P (Z = i) = P ( [T ] + 1 = i) = P ( [T ] = i 1) = P (i 1 T < i) = FT (i) FT (i 1)
= (1 ei ln q ) (1 e(i 1) ln q )
= e(i 1) ln q ei ln q
= qi 1 qi
= q i 1 (1 q) = q i 1 p:
Conclusion: Z suit une loi géométrique de paramètre p.
iv) D’aprés la question précédente, on peut utilser l’algorithme suivant pour simuler Y
Algorithme :
1. Simuler u de
h U[0;1]i;
ln(1 u)
2. Poser y = ln q + 1:
Application numérique: Générer un échantillon de taille 5, p = 0:25

ln(1 ui )
ui ln 0:75 yi
0:26 1:04 2
0:51 2:47 3
0:83 6:15 7
0:91 8:37 9
0:22 0:86 1

Exercice 4

Ecrire un algorithme de simulation de la distribution triangulaire dé…nie par

8
>
> 0 si x 0;
<
x si,0 x 1;
f (x) =
>
> 2 x si 1 x 2;
:
0 si x 2:

4
3. Utilisation de la méthode de l’inverse: Soit F la fonction de répartition de X
8
> 0 si x 0;
>
>
>
> Rx
>
>
>
< 0 tdt si 0 x 1;
F (x) = R1 Rx
>
>
>
> 0
tdt + 1 (2 t)dt si 1 x 2;
>
>
>
>
: R1 R2
0
tdt + 1 (2 t)dt si x 2;
8
> 0 si x 0;
>
>
>
>
>
> 2
>
< x si 0 x 1;
2
F (x) =
>
> x2
>
> + 2x 1 si 1 x 2;
>
> 2
>
>
:
1 si x 2:
1 1
Notons que si 0 x 1 alors 0 F (x) 2 et si 1 x 2 alors 2 F (x) 1:

Soit u 2 [0; 1] ;une réalisation d’une v.a U uniforme sur [0; 1]. On cherche x tel que F (x) = u:
Si u 2 0; 21 alors
2 p
F (x) = u , x2 = u , x = 2u (2 [0; 1]) :
Si u 2 [ 21 ; 1] alors
x2 x2
F (x) = u , 2 + 2x 1 = u () 2 + 2x (1 + u) = 0:
=4 2(1 + u) = 2(1 u) > 0
p p
x1 = 2 + 2(1 u) solution non admissible car x1 > 2; x2 = 2 2(1 u) 2 [1; 2]
Algorithme :
1. Simuler u de U[0;1] ; p
2. Si u 2 0; 12 poserpx = 2u;
sinon poser:x = 2 2(1 u):
u x
0:26 0:72
0:51 1:01
0:83 1:41
0:87 1:49
0:07 0:37
2 Simuler cette même loi en utilisant la propriété : X = U1 + U2 , U1 et U2 étant deux variables aléatoires
indépendantes de loi U[0;1] : En e¤et

F(U1 +U2 ) (x) = P (U1 + U2 x)

R1
= 0 P (U1 + U2 x=U2 = y)fU2 (y)dy
R1
= 0 FU1 (x y)dy

8
>
> 0 si x 0;
>
>
>
> Rx
>
>
< 0 x ydy si 0 x 1;
F(U1 +U2 ) (x) = Rx R1
>
> 1
>
> dy + x ydy si 1 x 2;
>
>
0 x 1
>
>
:
1 si x 2;

5
 8
> 0 si x 0;
>
>
>
>
>
> 2
>
< x si 0 x 1;
2
F(U1 +U2 ) (x) =
>
> x2
>
> + 2x 1 si 1 x 2;
>
> 2
>
>
:
1 si x 2:

Algorithme:
1. Simuler u1 ; u2 de U[0;1] ;
2. Poser x = u1 + u2 ;
u1 u2 x
0:26 0:51 0:77
0:83 0:91 1:74
0:22 0:96 1:18
Exercice 5
Simulation de la v.a. discrète X de loi P (X = 1) = 0:30; P (X = 2) = 0:2; P (X = 3) = 0:35; P (X =
4) = 0:15:

1. Simulation par la méthode de l’inverse

x 1 2 3 4
F (x) 0:30 0:50 0:85 1
Algorithme:
1. Simuler u de U[0;1] ;
2. Si F (i 1) < u F (i); alors poser x = i.

ui xi
0:13 1
0:4 2
0:76 3

2. Simulation par la méthode de rejet

On peut utiliser l’enveloppe Y de loi uniforme sur f1; 2; 3; 4g:

Soient pi = P (X = i) et qi = P (Y = i) = 0:25; i = 1; 4.
Algorithme:
1. Simuler y de Y;
2. Simuler u de U[0;1] ,
py
3. Si u cqy alors poser x = y,
sinon revenir en 1.
pi
Déterminons c = max telle que pi cqi 8 i = 1; 4:
i=1;4 qi
pi 0:30 0:20 0:35 0:15 0:35 7
c = max = max ; ; ; = = = 1:4:
i qi 0:25 0:25 0:25 0:25 0:25 5
y peut etre simulée par la formule y = [4u] + 1 où u est un nombre pseudo-aléatoire (voir le cours) (on
peut utiliser aussi la méthode de l’inverse).
p p 20p
Remarquon que cqyy = c y1 = 7 y :
4
Algorithme:
1. Simuler u1 de U[0;1] et poser y = [4u1 ] + 1;
2. Simuler u2 de U[0;1] ,
20py
3. Si u2 7 alors poser x = y,
sinon revenir en 1.

6
 20py
u1 y 7 u2 Test Décision x
0:13 1 0:85 0:4 u2 < 20p7
1
accepation 1
20p4
0:76 4 0:42 0:28 u2 < 7 acceptation 4
0:99 4 0:42 0:78 u2 > 20p7
4
rejet rejet
20p4
0:93 4 0:42 0:79 u2 > 7 rejet rejet
0:05 1 0:85 0:25 u2 < 20p7
1
acceptation 1
Exercice 6
R1
FX (x) = F (x) = 0
xy e y
dy; x 2 [0; 1]

Remarquons que
y
e = fY (y); y > 0; où Y (1)
On peut donc écrire
R1 R1
F (x) = 0
xy fY (y)dy = 0
P (X x=Y = y)fY (y)dy:

On en déduit la loi conditionnelle de X sachant Y = y

P (X x=Y = y) = xy

D’où l’algorithme de simulation de X :

Algorithme:
1. Simuler y de Y;
2. Simuler x de (X=Y = y) :

Pour simuler y, on simule u1 de U[0;1] et on pose y = ln u1 ou y = ln(1 u1 );

Pour simuler x de (X=Y = y), on utilise la méthode de l’inverse: Simuler u2 de U[0;1] et résoudre
1
xy = u2 () x = u2y :

1
u1 y = ln u1 u2 x = u2y
0:13 2:04 0:4 0:63
0:76 0:27 0:28 0:0089
0:99 0:01 0:78 1:61(10 11 )
Exercice 7

1 Loi de Z: On a Z( ) = N et pour tout i 2 N

1 1 1 1 1 1
qi = P (Z = i) = P (i U < i + 1) = P ( i+1 <U i) = i i+1 = i(i+1)

2 X une v.a. telle que X( ) = N et

6
pi = P (X = i) = 2 i2
:

Simulation de X par la méthode de rejet avec l’enveloppe Z :

Algorithme:
1. Simuler z de Z;
2. Simuler u de U[0;1] ,
pz
3. Si u cqz alors poser x = z,
sinon revenir en 1.
pi
Déterminons c = max telle que pi cqi 8 i 1:
i 1 qi

7
 pi 6 i+1 6 2 12
c = max = max 2
= 2
= 2
:
i 1 qi i 1 i
Par suite
pi i+1
= :
cqi 2i
Algorithme:
1. Simuler u1 de U[0;1] et posez z = [ u11 ];
2. Simuler u2 de U[0;1] ,
z+1
3. Si u2 2z alors poser x = z,
sinon revenir en 1.
z+1
u1 z 2z u2 Décision x
0:13 7 0:57 0:4 accepation 7
0:76 1 1 0:28 acceptation 1
0:99 1 1 0:78 acceptation 1
0:93 1 1 0:79 acceptation 1
0:05 20 0:52 0:25 acceptation 20
Exercice 8
Ecrire f sous la forme
4
X
f (x) = ai fi (x):
i=1

R1
a1 f1 (x) = 52 x avec 0
f1 (x)dx = 1 ) a1 = 1
5 et f1 (x) = 2x sur [0; 1];
En procédant de la même manière on trouve:

3 2
a2 = et f2 (x) = 2 x sur [1; 2];
10 3
3 2 2
a3 = et f3 (x) = + x sur [2; 3];
10 3 3
1
a4 = et f4 (x) = 8 2x sur [3; 4]:
5
Simulation de X par la méthode de composition:
1
Soit Z une v.a. discrète à valeurs dans Z( ) = f1; 2; 3; 4g telle que P (Z = 1) = P (Z = 4) = 5 et
3
P (Z = 2) = P (Z = 3) = 10 :
Algorithme:
1. Simuler z de Z;
2. Si z = i, simuler x de fi ; i = 1; 2; 3; 4:
Les densités (fi )1 i 4 peuvent être simulées par la méthode de l’inverse:
Zx
F1 (x) = 2tdt = x2 pour x 2 [0; 1] et
0
p
F1 (x) = u , x = u;
Zx
2 x2 5
F2 (x) = (2 3 t)dt = 3 + 2x 3 pour x 2 [1; 2] et
1
p
F2 (x) = u , x = 3 4 3u;

8
 Zx
2 x2
F3 (x) = ( 3 + 23 t)dt = 3
2
3x pour x 2 [2; 3] et
2
p
F3 (x) = u , x = 1 + 3u + 1;
Zx
F4 (x) = (8 2t)dt = x2 + 8x 15 pour x 2 [2; 3]
3
p
F4 (x) = u , x = 4 1 u:
La variable Z peut être également simulée par la méthode de l’inverse:

i 1 2 3 4
1 3 3 1
P (Z = i) 5 10 10 5
1 5 8
FZ (i) 5 = 0:2 10 = 0:5 10 = 0:8 1
Pour u 2 [0; 1] et FZ (i 1) < u FZ (i), poser z = i:
Algorithme:
1.Simuler u1 de U[0;1] et poser z = i si FZ (i 1) < u1 FZ (i);
2. Simuler u2 de U[0;1] ;
p
Si z = 1, poser x = u2p ;
Si z = 2, poser x = 3 p4 3u2 ;
Si z = 3, poser x = 1 + p3u2 + 1;
Si z = 4, poser x = 4 1 u2 :

Application numérique:

u1 z u2 x
0:26 2 0:51 1:42
0:83 4 0:91 3:7
0:22 2 0:96 1:94
Exercice 9
Soit f une densité de probabilité dé…nie sur R par

ex e x
f (x) = 2 = :
(1 + ex ) (1 + e x )2

1. Détermination de la loi de X = log(U=(1 U )); U étant une v.a. de loi uniforme sur ]0; 1[ :
Comme U ( ) = ]0; 1[ alors X ( ) = R: Pour tout x 2 R; on a

ex
FX (x) = P [X x] = P [log(U=(1 U )) x] = P [U ]
1 + ex
ex
=
1 + ex
1
=
1+e x
ex e x
Par suite fX (x) = 2 = = f (x); x 2 R:
(1 + ex ) (1 + e x )2

2. Soit V = U=(1 U ): Déterminons la loi de V :

La variable V prend ses valeurs dans R+ : Pour tout v > 0; on a

FV (v) = P [U=(1 U) v] = P [U v=(1 + v)] = v=(1 + v):

La densité de V est donc

9
 1
fV (v) = 2; v > 0:
(1 + v)

Z1
On suppose maintenant que V est distribuée comme où Z1 et Z2 sont 2 v.a. indépendantes de lois
Z2
exponentielles de paramètres 1 et 2 respectivement.

Z1
On pose (T1 ; T2 ) = ; Z2 avec
Z2
' : R+ R+ ! R+ R+
z1
(z1 ; z2 ) 7 ! ; z2 = (t1 ; t2 ) :
z2
Par suite ' 1 (t1 ; t2 ) = (t1 t2 ; t2 ) et le jacobien de ' 1 est donné par J' 1 = t2 : Par le théorème de
changement de variables, on déduit la densité du couple (T1 ; T2 ) :
1
f(T1 ;T2 ) (t1; t2 ) = f(Z1 ;Z2 ) (' (t1 ; t2 )) J' 1 = f(Z1 ;Z2 ) (t1 t2 ; t2 ) J' 1

= fZ1 (t1 t2 )fZ2 (t2 ) J' 1

= 1 exp( 1 t1 t2 ) 2 exp( 2 t2 )t2

= 1 2 t2 exp( t2 ( 1 t1 + 2 )):

La densité marginale de T1 = Z1 =Z2 est :

Z
+1
1 2
fT1 (t1 ) = f(T1 ;T2 ) (t1; t2 )dt2 = 2
; t1 > 0:
( 1 t1 + 2)
0

Conclusion : Pour que V et T1 soient identiquement distribuées il faut et il su¢ t que 1 = 2 = 1:

.

3. La variable Y admet la densité fY (y) = exp( y); y > 0; et (X=Y = y) est de fonction de répartition
Fy (x) = exp( ye x ); x 2 R: La fonction de répartition de X est déterminée en conditionnant sur Y

Z
+1

FX (x) = P (X x) = P (X x=Y = y)fY (y)dy

0
Z
+1
x
= exp( ye ) exp( y)dy
0
Z
+1
x
exp( y( + e ))dy
0

= x
; x 2 R:
+e
1
Ainsi, pour = 1; FX (x) = x
qui représente la fonction de répartition d’une loi logistique
1+e
standard.

4. Soient X1 et X1 deux v.a. admettant la fonction de répartition Fa (x) = exp( ae x ); x 2 R:

Déterminons la loi de X1 X2 .Pour cela, considérons l’application de R2 dans R2 qui à tout couple
1
(x1 ; x2 ) associe (x1 ; x2 ) = (x1 x2 ; x2 ) = (r; s): Ce qui donne (r; s) = (r + s; s) et J 1 = 1:

10
Par le théorème de changement de variables, on déduit :

f(X1 X2 ; X2 ) (r; s) = a2 e (r+2s)

: exp( ae (r+s)
ae s
) = a2 e (r+2s)
: exp( a(1 + e r
)e s
); r; s 2 R:

La densité marginale de X1 X2 est alors:

Z
+1 Z
+1

f(X1 X2 ) (r) = f(X1 X2 ; X2 ) (r; s)ds = a2 e (r+2s)

: exp( a(1 + e r
)e s
)ds
1 1
Z
+1
e r s r r s
= r
ae :a(1 + e ) exp( a(1 + e )e )ds
1+e
1
r Z
+1
e s r s
= r
ae :d (exp( a(1 + e )e )) :
1+e
1
Après une intégration par parties, on obtient

e y
f(X1 X2 ) (r) = ; r 2 R; qui est aussi une densité logistique standard.:
(1 + e y )2
5.

1er Algorithme:

On simule u de U]0;1[ ,

u
On pose x = log :
1 u

2er Algorithme:

On génère u1 et u2 de U[0;1] ;
On pose z1 = log(u1 ) et z2 = log(u2 );
z1
On pose x = log :
z2
3er Algorithme:

On simule y de loi exponentielle de paramètre 1: on simule u1 de U[0;1] et on pose y = log u1 ,

x
On simule x de loi de fonction de répartition F (x) = exp( ye ) : on simule u2 de U[0;1] et on pose
log u2
x = log( ) (utiliser la méthode de l’inverse):
y
4er Algorithme:

log u1 log u2
On simule x1 = log( ) et x2 = log( ) où u1 et u2 sont deux observations indépen-
a a
dantes de loi U]0;1[ ;
On pose x = x1 x2 :

5er Algorithme: ( résultat de la méthode de l’inverse)

1 u
Soit: u 2 [0; 1] : F (x) = x)
= u , x = log( ):
(1 + e 1 u

11
Exercice 10:

1
x e x x
f (x) = ; h(x) = e ; x > 0; ( > 1; 0 < < 1):
( )
x
f (x) x 1e xe
1. Soit q(x) = = : L’enveloppe g(x) = c h(x) qui minimise la probabilité de rejet
h(x) ( )
correspond à la valeur: c = supx>0 q(x) = supx>0 log q(x):

d log q(x) 1
= + 1
dx x
d log q(x) 1
=0,x=
dx 1
d2 log q(x) 1
Comme 2
= < 0; 8x > 0; alors la valeur optimale de c est
dx x2
1 ( 1)
1 1 e
c = q( )= = c( ):
1 1 ( )
1
2. Le min0< <1 c( ) est donné par = :
( 1)
e 1 x
3. g(x) = ch(x) = e est la meilleure enveloppe exponentielle.
( )

Algorithme:
1
1.Simuler y de loi ( );
2. Simuler u de U[0;1] ;
f (y)
3. Si u poser x = y;
ch(y)
Sinon revenir en 1.

Algorithme:
1. Simuler u1 de U[0;1] et poser y = ln u1 ;
2. Simuler u2 de U[0;1] ;
3. Si u2 t(y) alors poser x = y;
Sinon retourner à 1.
f (y) 1
avec t(y) = = ( ln u1 ) e( 1)(1+ln u1 ) :
ch(y)

Exercice 11:

x
P
f (x) = e = i 1 i fi (x)1fi 1 X<ig :

1. Soient i 1 et Fi la fonction de répartition associée à fi :

La constante i est donnée par
Z i
1 i 1
i = P (i 1 X < i) = e t dt = e (i 1)
(1 e 1
)= e (1 e 1
):
i 1

12
 Pour x 2 [i 1; i[ ; la fonction de répartition conditionnelle Fi est

Zx
e t dt
(i 1) x
P [X x ; i 1 X < i] i 1 e e
Fi (x) = P [X x =i 1 X < i] = = (i 1) (1 1)
= (i 1) (1 1)
:
P (i 1 X < i) e e e e

Par suite, la densité fi est donnée par

x
e e (x (i 1))
fi (x) = = :
e (i 1) (1 e 1) (1 e 1 )
1
2. fi (x) 1 e 1 ; i 1 x < i; 8i 1

On peut donc simuler fi par une méthode de rejet qui utilise comme enveloppe le rectangle de sommets
(i 1; 0); (i; 0); (i; 1 1e 1 ); (i 1; 1 1e 1 ) :
Algorithme:
a) On simule u1 de U[0;1] et on pose v1 = u1 + (i 1);
b) On simule u2 de U[0;1] et on pose v2 = 1 1e 1 u2 ;
c) Si v2 fi (v1 ); on accepte la valeur v1 ;
Sinon on revient en a).

3. Soit Z une variable aléatoire discrète à valeurs dans N de loi ( i )i 1 (loi géométrique de paramètre
(1 e 1 )) Pour simuler f , on utilise l’algorithme suivant:
Algorithme:
1. Simuler z de Z;
2. Si z = i, simuler x de fi :

Exercice12

1. Si X est la v.a. simulée par l’algorithme donnée, alors pour i 2 N on a

1 1
P (X i) = P ([G (U )] i) = P (G (U ) < i + 1) = P (U < G(i + 1)) = G(i + 1) = F (i):
Ainsi F est bien la loi de X

b 1 1
2. G(x) = 1 x ;x 0; b > 0; et P (X = i) = ; :i 1
ib (i + 1)b

i
X i
X 1 1 1
F (i) = P (X i) = pk = ( b )=1 = G(i + 1):
k (k + 1)b (i + 1)b
k=1 k=1

On peut donc simuler X comme suit:

Algorithme:
1.Simuler u de U[0;1] ;
2. Poser x = [G 1 (u)]:
Pour u 2 [0; 1];
1=b 1
G(x) = u , x = (1 u) =G (u):
:
D’où l’algorithme

13
Algorithme:
1.Simuler u de U[0;1] ;
1=b
2. Poser x = [(1 u) ]:

u x
b=1 b=2 b=3 b = 0:5
0:26 1 1 1 1
0:51 2 1 1 4
0:83 5 2 1 34

14