Simulation des lois usuelles avec Matlab 1/25

1 Lois discrètes

1.1 Loi de Bernoulli de paramètre θ, notée Ber(θ)

∀x ∈ {0, 1} , P (X = x) = θx (1 − θ)1−x

E[X] = θ V ar[X] = θ (1 − θ)

fonction génératrice GX (t) = E[tX ] = 1 − θ + θ t.

1.2 Loi Binomiale de paramètres (n, θ), notée Bin(n, θ)

∀k ∈ {0, 1, . . . , n} , P (X = k) = Cnk θk (1 − θ)n−k

E[X] = n θ V ar[X] = n θ (1 − θ)

fonction génératrice GX (t) = E[tX ] = (1 − θ + θ t)n .

Exemple
On considère une urne contenant N boules, N1 boule rouges, N2 = N −N1 boules
noires. On en tire par hasard n boules avec remise . Soit X la variable aléatoire
N1
égale au nombre de boules rouges tirées. Posons p = , on a :
N
P (X = k) = Cnk pk (1 − p)n−k , ∀k ∈ {0, 1, . . . , n}.

Propriétés
➊.➋.➊. Si X suit une loi Bin(n, θ), alors n − X suit une loi Bin(n, 1 − θ).
➊.➋.➋. Si X1 , . . . , Xn sont des variables aléatoires indépendantes suivant la même
loi Ber(θ), alors Sn = X1 + . . . + Xn suit une loi Bin(n, θ).

K D.GHORBANZADEH
2/25 Simulation des lois usuelles avec Matlab

1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 n=20;
5 theta=0.2;
6 nb=2000;
7 R=binornd(n,theta,nb,1);
8 hist(R)
9 x=0:1:max(R);
10 p1=nb*binopdf(x,n,theta);
11 hold on
12 plot(x,p1,’*k’,’linewidth’,1);
13 box off
14 hold off
rhbino.m
450

400

350

© D.Ghorbanzadeh (1997)
300

250

200

150

100

50

0
0 1 2 3 4 5 6 7 8 9 10

F IG . 1 – simulation de la loi Bin(n, θ)

K D.GHORBANZADEH
 Simulation des lois usuelles avec Matlab 3/25

1.3 Loi géométrique de paramètre θ, notée Géo(θ)

∀k ∈ N⋆ , P (X = x) = θ (1 − θ)k−1

1 1−θ
E[X] = V ar[X] =
θ θ2
θt
fonction génératrice GX (t) = E[tX ] = .
1 − (1 − θ)t

◮ Remarque
Dans certains ouvrages la loi Géo(θ) est présentée sous la forme :

∀k ∈ N , P (X = x) = θ (1 − θ)k .

1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 theta=.13;
5 nb=500;
6 R = geornd(theta,nb,1);
7 hist(R)
8 x=0:1:max(R);
9 p1=2*nb*geopdf(x,theta);
10 hold on
11 plot(x,p1,’*k’);
12 box off
13 hold off
rhgeo.m

K D.GHORBANZADEH
4/25 Simulation des lois usuelles avec Matlab

250

200

150

© D.Ghorbanzadeh (1997)
100

50

0
0 5 10 15 20 25 30 35 40 45

F IG . 2 – simulation de la loi Géo(θ)

1.4 Loi Binomiale Négative de paramètres (n, θ), notée BN (n, θ)

∀n ∈ N⋆ , ∀k ∈ N , P (X = k) = Cn+k−1
k
θn (1 − θ)k

n n (1 − θ)
E[X] = V ar[X] =
θ θ2

 n
X θt
fonction génératrice GX (t) = E[t ] = .
1 − (1 − θ)t

Propriété
Si X1 , . . . , Xn sont des variables aléatoires indépendantes suivant la même loi
Géo(θ), alors Sn = X1 + . . . + Xn suit une loi BN (n, θ).

K D.GHORBANZADEH
 Simulation des lois usuelles avec Matlab 5/25

1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 theta=.3;
5 N=5;
6 nb=500;
7 R = nbinrnd(N,theta,nb,1);
8 hist(R)
9 x=0:1:max(R);
10 p1=3.2*nb*nbinpdf(x,N,theta);
11 hold on
12 plot(x,p1,’*k’);
13 box off
14 hold off
rhbineg.m

140

120

100

© D.Ghorbanzadeh (1997)
80

60

40

20

0
0 5 10 15 20 25 30 35 40 45

F IG . 3 – simulation de la loi BN (n, θ)

K D.GHORBANZADEH
6/25 Simulation des lois usuelles avec Matlab

1.5 Loi de Poisson de paramètre λ, notée P(λ)

λk
∀k ∈ N , P (X = k) = e−λ
k!

E[X] = λ V ar[X] = λ

fonction génératrice GX (t) = E[tX ] = eλ (1−t) .

Propriété
Si X1 , . . . , Xn sont des variables aléatoires indépendantes de lois respectives :
n
X
P(λ1 ), . . . , P(λn ), alors Sn = X1 + . . . + Xn suit une loi P( λk ).
k=1

1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 lambda=7;
5 nb=1000;
6 R = poissrnd(lambda,nb,1);
7 hist(R)
8 x=0:1:max(R)+1;
9 p1=1.7*nb*poisspdf(x,lambda);
10 hold on
11 plot(x,p1,’*k’,’linewidth’,1);
12 box off
13 hold off
rhpois.m

K D.GHORBANZADEH
 Simulation des lois usuelles avec Matlab 7/25

350

300

250

200

© D.Ghorbanzadeh (1997)
150

100

50

0
0 2 4 6 8 10 12 14 16 18

F IG . 4 – simulation de la loi P(λ)

1.6 Loi Uniforme sur un ensemble de cardinal fini

1
∀k ∈ {1, . . . , N} , P (X = k) =
N

N +1 N2 − 1
E[X] = V ar[X] = .
2 12

1.7 Loi d’une variable aléatoire presque sûrement égale à une

valeur constante x0

P (X = x0 ) = 1

E[X] = x0 V ar[X] = 0

fonction génératrice GX (t) = E[tX ] = tx0 .

K D.GHORBANZADEH
8/25 Simulation des lois usuelles avec Matlab

2 Lois continues

2.1 Loi Uniforme sur l’intervalle [a, b], notée U ([a, b])

1
densité fX (x) = 1l[a,b] (x)
b−a

si x ≤ 0


 0



 x−a
fonction de répartition FX (x) = si a < x < b

 b−a



1 si x ≥ b


a+b (b − a)2
E[X] = V ar[X] =
2 12

ei bt − ei at
fonction caractéristique ϕX (t) = E[ei tX ] = .
i t(b − a)

1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 a=2;
5 b=7;
6 nb=1000;
7 R = unifrnd(a,b,nb,1);
8 hist(R)
9 x = a:0.1:b;
10 p1=.55*nb*unifpdf(x,a,b);
11 hold on
12 plot(x,p1,’k’,’linewidth’,2);
13 box off
14 hold off
rhunif.m

K D.GHORBANZADEH
 Simulation des lois usuelles avec Matlab 9/25

120

100

80

© D.Ghorbanzadeh (1997)
60

40

20

0
2 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7

F IG . 5 – simulation de la loi U([a, b])

2.2 Loi Triangulaire sur l’intervalle [−a, a], notée ∆([−a, a])

1 |x|
densité fX (x) = (1 − ) 1l[−a,a] (x)
a a


 0 si x ≤ −a



(x + a)2



si − a ≤ x ≤ 0


2a2


fonction de répartition FX (x) =
(a − x)2


1 − si 0 ≤ x < a


2a2







1 si x ≥ a


a2
E[X] = 0 V ar[X] =
6
at 2
 
sin
fonction caractéristique ϕX (t) = E[ei tX ] = 
 2.
at 
2
K D.GHORBANZADEH
10/25 Simulation des lois usuelles avec Matlab

Propriété
Si X et Y sont deux variables aléatoires indépendantes suivant la même loi U([0, a]),
alors X − Y suit une loi ∆([−a, a]).

1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 a=3; nb=1000;
5 X = unifrnd(0,a,nb,1); %loi uniforme
6 Y = unifrnd(0,a,nb,1); %loi uniforme
7 hist(X-Y)
8 x = -1-a:0.1:a+1;
9 p1=.55*nb*(1/a)*(1-abs(x)./a).*(x>=-a & x<=a);
10 hold on
11 plot(x,p1,’k’,’linewidth’,2);
12 box off
13 hold off
rhtriag.m
200

180

160

140
© D.Ghorbanzadeh (1997)

120

100

80

60

40

20

0
−4 −3 −2 −1 0 1 2 3 4

F IG . 6 – simulation de la loi ∆([−a, a])

K D.GHORBANZADEH
 Simulation des lois usuelles avec Matlab 11/25

2.3 Loi Normale de paramètres (m, σ 2), notée N (m, σ 2)

(x − m)2
1 −
densité fX (x) = √ e 2σ 2
σ 2π

E[X] = m V ar[X] = σ 2

1 22
fonction caractéristique ϕX (t) = E[ei tX ] = exp(i mt − σ t)
2
1 22
transformée de Laplace ϕX (t) = E[etX ] = exp(mt + σ t ).
2
Propriétés
➋.➌.➊. La densité et la fonction de répartition de la loi N (0, 1) sont notées par :
x2 x
1
Z
−
ϕ(x) = √ e 2 Φ(x) = ϕ(t) dt.
2π −∞

➋.➌.➋. Pour x ∈ R on a : Φ(x) + Φ(−x) = 1.

➋.➌.➌. Pour α ∈]0, 1[ on a : Φ−1 (α) + Φ−1 (1 − α) = 0 , où Φ−1 désigne la
fonction réciproque de Φ.
➋.➌.➍. Si X suit une loi N (m, σ 2 ), alors pour α 6= 0 et pour tout β, α X ± β
suit une loi N (α m ± β, α2 σ 2 ).
X −m
➋.➌.➎. Si X suit une loi N (m, σ 2 ), alors suit une loi N (0, 1).
σ
➋.➌.➏. Si X1 , . . . , Xn sont des variables aléatoires indépandantes suivant des
n
X n
X n
X
2 2
lois : N (m1 , σ1 ), . . . , N (mn , σn ), alors αk Xk suit une loi N ( αk mk , αk2 σk2 ).
k=1 k=1 k=1

➋.➌.➐. Si X1 , . . . , Xn sont des variables aléatoires indépandantes suivant la même

1 Pn 1 P n
2
loi N (m, σ 2 ). Alors X n = Xi et Sn2 = Xi − X n sont indé-
n i=1 n − 1 i=1
pendants.

K D.GHORBANZADEH
12/25 Simulation des lois usuelles avec Matlab

1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 m=7;
5 sigma2=13;
6 nb=2000;
7 R= normrnd(m,sqrt(sigma2),nb,1);
8 hist(R)
9 x=m-4*sqrt(sigma2):0.01:m+4*sqrt(sigma2);
10 p1=2*nb*normpdf(x,m,sqrt(sigma2));
11 hold on
12 plot(x,p1,’k’,’linewidth’,2);
13 box off
14 hold off
rhnormal.m
500

450

400

350

© D.Ghorbanzadeh (1997)
300

250

200

150

100

50

0
−10 −5 0 5 10 15 20 25

F IG . 7 – simulation de la loi N (m, σ 2 )

K D.GHORBANZADEH
 Simulation des lois usuelles avec Matlab 13/25

2.4 Loi Exponentielle de paramètre λ, notée Exp(λ)

densité fX (x) = λ e−λ x 1l]0,∞[ (x)


 0 si x ≤ 0
fonction de répartition FX (x) =
1 − e−λ x si x > 0


1 1
E[X] = V ar[X] =
λ λ2
1
fonction caractéristique ϕX (t) = E[ei tX ] = .
it
1−
λ
Propriété
 
1 X −a
Si X est une variable aléatoire de loi U(]a, b[), alors les variables aléatoires − log
  λ b−a
1 b−X
et − log suivent la même loi Exp(λ).
λ b−a

1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 lambda=1/4;
5 nb=1000;
6 R = exprnd(lambda,nb,1);
7 hist(R)
8 x=min(R):0.01:max(R);
9 p1=130*exppdf(x,lambda);
10 hold on
11 plot(x,p1,’k’,’linewidth’,2);
12 box off
13 hold off
rhexp.m

K D.GHORBANZADEH
14/25 Simulation des lois usuelles avec Matlab

600

500

400

© D.Ghorbanzadeh (1997)
300

200

100

0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8

F IG . 8 – simulation de la loi Exp(λ)

2.5 Loi Gamma de paramètres (a, b), notée γ(a, b)

ba a−1 −b x
densité fX (x) = x e 1l]0,∞[ (x)
Γ(a)

Γ(a + k) a a
∀k ∈ N E[X k ] = , E[X] = V ar[X] =
bk Γ(a) b b2

1
fonction caractéristique ϕX (t) = E[ei tX ] =  a .
it
1−
b

Propriétés
➋.➎.➊. Exp(λ) ≡ γ(1, λ).
b
➋.➎.➋. Si X suit une loi γ(a, b), alors ∀α > 0 , αX suit une loi γ(a, ).
α

K D.GHORBANZADEH
 Simulation des lois usuelles avec Matlab 15/25

1
➋.➎.➌. Si X suit une loi γ(a, b), alors la densité de la loi de est définie par :
X
b
−
a
b e x
f 1 (x) = 1l]0,∞[ (x).
X Γ(a) xa+1
➋.➎.➍. Si X suit une loi γ(a, b), alors pour a > 2 on a :
1 b 1 b2
E[ ]= V ar[ ]= .
X a−1 X (a − 1)2 (a − 2)
1
➋.➎.➎. Si X suit une loi γ(a, b), alors pour α > 0, la densité de la loi de X α est
définie par :
α ba α a−1 −b xα
fX α1 (x) = x e 1l]0,∞[ (x).
Γ(a)
➋.➎.➏. Si X1 , . . . , Xn sont des variables aléatoires indépendantes de lois respec-
n
X
tives : γ(a1 , b), . . . , γ(an , b), alors Sn = X1 + . . . + Xn suit une loi γ( ak , b).
k=1
➋.➎.➐. Si X1 , . . . , Xn sont des variables aléatoires indépendantes suivant la même
n
1 X
loi Exp(λ), alors Xk suit une loi γ(n, n λ).
n k=1

1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 a=3;
5 b=1/2;
6 nb=1000;
7 R = gamrnd(a,b,nb,1);
8 hist(R)
9 x=0.00001:0.01:max(R);
10 p1=(nb/2)*gampdf(x,a,b);
11 hold on
12 plot(x,p1,’k’,’linewidth’,2);
13 box off
14 hold off
rhgamma.m

K D.GHORBANZADEH
16/25 Simulation des lois usuelles avec Matlab

350

300

250

© D.Ghorbanzadeh (1997)
200

150

100

50

0
0 1 2 3 4 5 6 7

F IG . 9 – simulation de la loi γ(a, b)

2.6 Loi Beta de paramètres (a, b), notée βeta(a, b)

1
densité fX (x) = xa−1 (1 − x)b−1 1l]0,1[ (x)
β(a, b)
où β(a, b) désigne la fonction Beta définie par :
Z 1
Γ(a) Γ(b)
β(a, b) = β(b, a) = xa−1 (1 − x)b−1 dx = .
0 Γ(a + b)

Γ(a + b) Γ(a + k)
∀k ∈ N E[X k ] =
Γ(a) Γ(a + b + k)

a ab
E[X] = V ar[X] = .
a+b (a + b + 1) (a + b)2

Propriétés
➋.➏.➊. Soit Fa,b la fonction de répartition de la loi βeta(a, b) et Fa,b
−1
la fonction

K D.GHORBANZADEH
 Simulation des lois usuelles avec Matlab 17/25

réciproque de Fa,b . Alors, elles vérifient les relations suivantes :

∀x ∈]0, 1[ , Fa,b (x) = 1 − Fb,a (1 − x)

−1 −1
∀α ∈]0, 1[ , Fa,b (α) + Fb,a (1 − α) = 1.

➋.➏.➋. Si X et Y sont deux variables alátoires indépendantes de lois respectives :

X
γ(a1 , b) et γ(a2 , b), alors suit une loi βeta(a1 , a2 ).
X +Y

1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 a=4; b=3;
5 nb=1200;
6 R = betarnd(a,b,nb,1);
7 hist(R)
8 x=0:0.01:1;
9 p1=100*betapdf(x,a,b);
10 hold on
11 plot(x,p1,’k’,’linewidth’,2);
12 box off
13 hold off
rhbeta.m

2.7 Loi Beta de deuxième espèce de paramètres (a, b), notée

βII (a, b)

1 xa−1
densité fX (x) = 1l]0,∞[ (x)
β(a, b) (1 + x)a+b

Γ(a + k) Γ(b − k)
∀k < b E[X k ] =
Γ(a) Γ(b)

a a (a + b − 1)
E[X] = V ar[X] = .
b−1 (b − 2) (b − 1)2

Propriétés

K D.GHORBANZADEH
18/25 Simulation des lois usuelles avec Matlab

250

200

© D.Ghorbanzadeh (1997)
150

100

50

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

F IG . 10 – simulation de la loi βeta(a, b)

➋.➐.➊. Soit Fa,b la fonction de répartition de la loi βII (a, b) et Fa,b

−1
la fonction
réciproque de Fa,b . Alors, elles vérifient les relations suivantes :

1
∀x ∈]0, ∞[ , Fa,b (x) = 1 − Fb,a ( )
x

−1 1
∀α ∈]0, 1[ , Fa,b (α) = −1 .
Fb,a (1 − α)

X
➋.➐.➋. Si X suit une loi βeta(a, b), alors suit une loi βII (a, b).
1−X

K D.GHORBANZADEH
 Simulation des lois usuelles avec Matlab 19/25

2.8 Loi Chi-deux à m degrés de liberté notée χ2m

x
1 m/2−1
−
densité fX (x) = m/2 m x e 2 1l]0,∞[ (x)
2 Γ( 2 )

k
Γ( m2 + k)
k
∀k ∈ N E[X ] = 2
Γ( m2 )

E[X] = m V ar[X] = 2 m.

K D.GHORBANZADEH
20/25 Simulation des lois usuelles avec Matlab

Propriétés
➋.➑.➊. Si X1 , . . . , Xn sont des variables aléatoires indépendantes de lois respec-
n
X
tives : χ2m1 , . . . , χ2mn , alors Sn = X1 + . . .+ Xn suit une loi χ2m avec m = mk .
k=1
➋.➑.➋. Si X1 , . . . , Xn sont des variables aléatoires indépendantes de lois respec-
 n  2
X Xk − µ k
tives : N (µ1, σ12 ), . . . , N (µn , σn2 ), alors suit une loi χ2n .
k=1
σk
➋.➑.➌. Si X1 , . . . , Xn sont des variables aléatoires indépendantes suivant la même
n  2 n
2
X Xk − X n 1 X
loi N (µ, σ ), alors suit une loi χ2n−1 où X n = Xk .
k=1
σ n k=1

1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 m=6;
5 nb=1000;
6 R = chi2rnd(m,nb,1);
7 hist(R)
8 x=0.0001:0.01:max(R);
9 p1=2*nb*chi2pdf(x,m);
10 hold on
11 plot(x,p1,’k’,’linewidth’,2);
12 box off
13 hold off
rhchi2.m

K D.GHORBANZADEH
 Simulation des lois usuelles avec Matlab 21/25

350

300

250

© D.Ghorbanzadeh (1997)
200

150

100

50

0
0 5 10 15 20 25 30

F IG . 11 – simulation de la loi χ2m

2.9 Loi de Student à m degrés de liberté notée Tm

− m+1
x2

1 2
densité fX (x) = √ 1+
m β( m2 , 21 ) m

m
E[X] = 0 ∀m > 2 , V ar[X] = .
m−2

Propriétés
➋.➒.➊. Si X et Y sont des variables aléatoires indépendantes de loi respectives :
X
N (0, 1) et χ2m , alors p suit une loi Tm .
Y /m
➋.➒.➋. Si X1 , . . . , Xn sont des variables aléatoires indépendantes suivant la même
√ n n
2 n (X n − µ) 1 X 1 X
loi N (µ, σ ), alors suit une loi Tn−1 où X n = Xk et Sn2 = (Xk − X n )2 .
Sn n n−1
k=1 k=1

K D.GHORBANZADEH
22/25 Simulation des lois usuelles avec Matlab

1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 m=19;
5 nb=1700;
6 R = trnd(m,nb,1);
7 hist(R)
8 x=-1+min(R):0.01:max(R)+1;
9 p1=.7*nb*tpdf(x,m);
10 hold on
11 plot(x,p1,’k’,’linewidth’,2);
12 box off
13 hold off
rhstud.m
500

450

400

350

© D.Ghorbanzadeh (1997)
300

250

200

150

100

50

0
−6 −4 −2 0 2 4 6

F IG . 12 – simulation de la loi Tm

K D.GHORBANZADEH
 Simulation des lois usuelles avec Matlab 23/25

2.10 Loi de Fisher à (m, n) degrés de liberté, notée Fm,n

 m  m2
n
 m − m+n
2 m
densité fX (x) = 1+ x x 2 −1 1l]0,∞ (x)
β( m2 , n2 ) n
n
si n > 2 : E[X] =
n−2

2n2 (m + n − 2)
si n > 4 : V ar[X] = .
m(n − 4)(n − 2)2

Propriétés
➋.➓.➊. Soit Fm,n la fonction de répartition de la loi Fm,n et Fm,n −1
la fonction
réciproque de Fm,n . Alors, elles vérifient les relations suivantes :

1
∀x ∈]0, ∞[ , Fm,n (x) = 1 − Fn,m ( )
x

−1 1
∀α ∈]0, 1[ , Fm,n (α) = .
Fn,m
−1 (1 − α)

1
➋.➓.➋. Si X suit une loi Fm,n , alors suit une Fn,m .
X
➋.➓.➌. Si X suit une loi Tm , alors X 2 suit une F1,m .
➋.➓.➍. Si X et Y sont des variables aléatoires indépendantes de lois respectives :
X/m
χ2m et χ2n , alors suit une loi Fm,n .
Y /n
b
➋.➓.➎. Si X suit une loi βII (a, b), alors X suit une F2a,2b .
a

K D.GHORBANZADEH
24/25 Simulation des lois usuelles avec Matlab

3 Quelques relations entre les lois usuelles

3.1 Binomiale et Poisson

La loi Binomiale de paramètres (n, p) est approximée par la loi de Poisson de
paramètre λ, pour n → ∞, p → 0 avec np → λ.
En pratique, cette approximation est faite si p < 0, 5 et n > 20.

3.2 Binomiale et Normale

La loi Binomiale de paramètres (n, p) est approximée par la loi normale de moyenne
np et varaince np(1 − p), pour n → ∞ avec 0 < p < 1.
En pratique, cette approximation est faite si np(1 − p) > 9.
• Si X est une varaible aléatoire de loi Binomiale de paramètres (n, p), avec
np(1 − p) > 9 ; alors, on a l’approximation suivante :
! !
b − np a − np
P (a ≤ X ≤ b) ≈ Φ p −Φ p
n>36 np(1 − p) np(1 − p)
où Φ désigne la fonction de répartition de la loi normale de moyenne 0 et variance
1.

3.3 Poisson et Normale

La loi de Poisson de paramètre λ est approximée par la loi normale de moyenne
λ et varaince λ, pour λ → ∞.
En pratique, cette approximation est faite si λ ≥ 20.
• Si X est une varaible aléatoire de loi Poisson de paramètre λ, avec λ ≥ 20 ;
alors, on a l’approximation suivante :
   
b−λ a−λ
P (a ≤ X ≤ b) ≈ Φ √ −Φ √
λ≥20 λ λ

3.4 Khi-deux et Normale

La loi de Khi-deux à m degrés de libeté est approximée par la loi normale de
moyenne m et varaince 2m, pour m > 30.

K D.GHORBANZADEH
 Simulation des lois usuelles avec Matlab 25/25

Résumé des commandes MATLAB

Lois Discrètes

loi P (X = x) simulation de X FX (x) FX

−1
(α)

Ber(θ) binopdf (x, 1, θ) X = binornd(1, θ, N, M ) binocdf (x, 1, θ) binoinv(α, 1, θ)

Bin(n, θ) binopdf (x, n, θ) X = binornd(n, θ, N, M ) binocdf (x, n, θ) binoinv(α, n, θ)
Géo(θ) geopdf (x, θ) X = geornd(θ, N, M ) geocdf (x, θ) geoinv(α, θ)
BN (n, θ) nbincdf (x, n, θ) X = nbinrnd(n, θ, N, M ) nbincdf (x, n, θ) nbininv(α, n, θ)
P(λ) poisspdf (x, λ) X = poissrnd(λ, N, M ) poisscdf (x, λ) poissinv(α, λ)
U({1, . . . , n}) unidpdf (x, n) X = unidrnd(n, N, M ) unidcdf (x, n) unidinv(α, n)

Lois Continues

loi fX (x) simulation de X FX (x) FX

−1
(α)

U(a, b) unifpdf(x,a,b) X = unif rnd(a, b, N, M ) unif cdf (x, a, b) unif inv(α, a, b)

2
N (µ, σ ) normpdf (x, µ, σ) X = normrnd(µ, σ, N, M ) normcdf (x, µ, σ) norminv(α, µ, σ)
1 1 1 1
Exp(λ) exppdf (x, ) X = exprnd( , N, M ) expcdf (x, ) expinv(α, )
λ λ λ λ
1 1 1 1
γ(a, b) gampdf (x, a, ) X = gamrnd(a, , N, M ) gamcdf (x, a, ) gaminv(α, a, )
b b b b
βeta(a, b) betapdf (x, a, b) X = betarnd(a, b, N, M ) betacdf (x, a, b) betainv(α, a, b)
χ2m chi2pdf (x, m) X = chi2rnd(m, N, M ) chi2cdf (x, m) chi2inv(α, m)
Tm tpdf (x, m) X = trnd(m, N, M ) tcdf (x, m) tinv(α, m)
Fm,n f pdf (x, m, n) X = f rnd(m, n, N, M ) f cdf (x, m, n) f inv(α, m, n)

K D.GHORBANZADEH