Méthodologies d’Evaluation des Systèmes

Informatiques (MESI)

Prof. A. MELIT

Université de JIJEL

1
 Introduction
Evaluation qualitative / quantitative:
Il existe deux approches d'évaluation pour un système informatique,
l'approche qualitative et l'approche quantitative.
L'évaluation qualitative s'intéresse à définir des propriétés structurelles
et comportementales.
– Absence de blocage
– Existence d'une solution
– Gestion de la concurrence
…
L'évaluation quantitative consiste à calculer les critères de
performances du système.
– Débit d’entrée et de sortie
– Temps de séjour d’un client dans le système
- Nombre moyen de clients dans le systèmes
- Le temps moyen d’attente
- Le taux d’occupation
– Etc... 2
◼ Les méthodes d'évaluation de performance
quantitatives:
Les principales méthodes d'évaluation de performance
quantitatives sont :
– La mesure
• Les sondes matérielles
• Les sondes logicielles
– La simulation
• A événements discrets
• Autres formes de simulation
– L'analyse opérationnelle
– Les méthodes analytiques
• Les files d'attente
3
la simulation:
La simulation est une technique de modélisation très puissante
pour l’analyse et la conception des systèmes. Elle peut être
appliquée dans divers domaines tels que l’analyse des :
• systèmes de services (Banques, téléphonie,...);
• systèmes de production (ou de fabrication),
• systèmes naturels(biologiques, écologiques,...),
• systèmes informatiques (d’exploitation, de
communications et leurs protocoles, etc.).
• systèmes financiers ou économiques
• Systèmes de transport tels que les autoroutes, aéroports,
métros, ou ports, etc.

4
Définition d'un système: Comme définition d'un système nous
retenons celle donnée par l'AFCET et qui s'énonce comme suit :
« Un système est une entité complexe traitée comme une
totalité organisée, formée d'éléments et de relations entre ceux-ci,
les uns et les autres étant définis en fonction de la place qu'ils
occupent dans cette totalité et cela de telle sorte que son identité
soit maintenue face à certaines évolutions ».

La complexité d'un système provient du fait qu'il peut comporter

beaucoup de sous-systèmes interconnectés et pouvant avoir des
objectifs en conflit.

5
Exemple : Une usine de production constitue un très bon
exemple de système dont les parties pourraient être :
• main d’oeuvre
• service achats
• service approvisionnement
• service de gestion de stocks
• service Fabrication
• service Ventes
• service Ordonnancement de la production
• service Administratif

6
MODELE ET MODELISATION: La modélisation consiste à
construire une représentation simplifiée d'un système appelée
généralement « modèle ».
Définitions: Le modèle est:
• Une représentation sous une forme quelconque d’un objet, d’un
processus ou d’un système,
• Une représentation simplifiée, relativement abstraite d’un
processus, d’un système en vue de le décrire, de l’expliquer ou de le
prévoir (source : dictionnaire de l’environnement).
• Une représentation d’un système physique, mathématique ou
logique représentant les structures essentielles d’une réalité et
capable à son niveau d’en expliquer ou d’en reproduire
dynamiquement le fonctionnement .
•une représentation d’un système (réel ou imaginé (en voix de
conception) dont le but est d’expliquer et de prédire certains aspects
du comportement de ce système.

7
 Le processus de modélisation:

Système réel

Modélisation

Modèle
Analyse
des Résolution
résultats
Modélisation = substitution du système réel par
Résultats
un modèle
La solution du modèle n’est nécessairement pas la
solution à apporter au problème c’est pourquoi nous
aurons besoin d’analyser les résultats et de les
comparer par rapport à la réalité. 8
Modèle: un modèle est un représentation simplifiée de la
réalité, élaborée pour servir l’un au moins des objectifs
suivants:
-Aider à mieux comprendre le comportement du système
-Aider à calculer et à Optimiser les performances du système

Les différents types d’un modèle: En fonction de la

problématique les modèles peuvent être de types suivants:

❑ Les modèles descriptifs:

➢ tous les modèles de la statistique.
➢ ces modèles structurent de grandes masses de données de
façon à permettre à l’utilisateur de mieux percevoir les relations
entre les variables analysées
9
❑ les modèles analytiques:
➢Dans ce type de modèle, les constituants essentiels en tant que
descriptions formelles du modèle sont des équations mathématiques
(files d’attente, optimisation , réseaux de pétri …)

❑ Les modèles de simulation:

➢la plupart des systèmes réels sont trop complexes pour être
représentés par des modèles réalistes qui peuvent être évalués
analytiquement.
➢Ce type de modèles permet de décrire sous forme procédurale le
fonctionnement du système réel.
➢ La simulation consiste à évaluer numériquement le modèle sur une
période de temps intéressante , en effectuant durant ce temps les
mesures et les expériences qui permettent d’en décrire le
comportement.
10
Typologie des modèles de simulation: Une première
classification possible des modèles de simulation peut se faire
en fonction du type des connaissances que l'on a sur le système
et son environnement.
• Si cette connaissance est certaine, on parlera de simulation
déterministe, par exemple, une usine peut modifier sa
production en fonction de la demande constatée sur le marché
et du niveau de ses stocks.

• s'il est possible (en fonction des expériences passées ou de

l'expérience) de probabiliser l'apparition de différents états, on
parlera alors de simulation probabiliste, par exemple, dans
une étude de files d'attente à un guichet, on peut donner la loi
de probabilité du temps séparant deux arrivées et
éventuellement aussi la loi de probabilité du temps de service.
11
La simulation: technique de modélisation du monde réel, elle permet:
➢d’analyser les conséquences de certaines actions ou de certaines
hypothèses relatives à l’évolution d’un système dans le temps( grâce à
l’ordinateur).

➢La simulation est utilisée quand l’étude d’un modèle par les
méthodes analytiques échouent ou pour valider les résultats des
méthodes analytiques approximatives.

➢La simulation d’un système donné consiste à:

o isoler un certain nombre de grandeurs intéressantes que nous
appelons variables d’état.
oobserver les valeurs qu’elles admettent successivement au cours de
la simulation. On définit alors l’état d’un système.

12
• Variable d’état: Ensemble de variables décrivant l’état du
système à un instant donné (Ex. nombre de clients dans la file
d’attente, le nombre de connexion à un site web, …).
• Espace d’état: ensemble des valeurs que peuvent prendre les
variables d’état.
• Evénement: un changement dans l’état du système (ex. arrivée
ou départ de de clients.

13
Les entrées d’un modèle de simulation: les entrées d’un
modèle de simulation consiste à connaitre les lois régissant les
variables d’entrée, déterminées par mesures faites sur le système
réel.
Exemple: le cas d’une file d’attente:
-les variables d’entrée sont le nombre de clients arrivés dans la
file. Donc, il s’agit de connaitre la loi des arrivées

Les variables de sortie: sont les variables qu’on désire connaitre

et qui servent pour décrire le système étudié.
Exemple: pour le cas d’une file d’attente, on désire connaitre: le
nombre moyen de clients dans la file, le temps moyen de séjour et
d’attente d’un client, le taux d’utilisation du serveur, …

14
 2 - Génération des nombres aléatoires
➢La génération des nombres aléatoires est une étape primordiale
dans un modèle de simulation, car elle fournira au fur et à mesure
les échantillons d’entrée d’un simulateur.

➢Ceci se fait en deux étapes :

1. générer un nombre aléatoire uniformément distribue entre 0 et1

(génération des nombres pseudo aléatoires).

2. transformer ce nombre pour fournir une valeur selon la loi de

probabilité désirée (génération des variables aléatoires)

15
1- génération des nombres pseudo aléatoires: les premiers
générateurs de nombres aléatoires étaient basés sur de phénomènes
physiques:
•Des appareils mesurant le bruit de fond d’une ville,
• Jet d’une pièce de monnaie,
•Jet d’un dé,
•…
Avec l’arrivée des ordinateurs, on commence à utiliser des
algorithmes pour la générations des nombres aléatoires
uniformément répartis entre 0 et 1

Peu importe la méthode utilisée, l’essentiel est de construire une

suite qui répond à tous les tests statistiques, et de produire des
suites périodiques et que la période soit la plus longue possible

16
Méthodes congruentielles : Cette technique est basée sur des
relations de congruences. Avec cette méthode le kème nombre
pseudo aléatoire est donné par:
Uk= aUk-1 (Modulo m) k=1, 2, ….
Cet algorithme engendre des nombres compris entre 1 et m-1.
Si, on désire tirer des nombres aléatoires compris entre 0 et 1, on
divise Uk par m
Il faut choisir U0 , m et a de façon à satisfaire les critères de qualité
d’un générateur, qui sont:
✓ la période du générateur est maximale est égale à m-1
✓ les nombres générés sont indépendantes et uniformément répartis
dans ]0, m[
En général m= 2q-1 où q est le nombre de bits d’un mot machine,
par exemple: m = 231 -1; a = 2100005341

17
Les propriétés statistiques d’un générateur:

• Il s’agit des tests statistiques qui permettent de dire, si on a un bon

générateur ou non.

•Aucun de ces tests ne doit être considéré comme déterminant à lui

seul.

• L’attitude à avoir est de n’accepter un générateur de nombres

aléatoires que s’il a satisfait simultanément à plusieurs tests, qui sont
en général:
•Le test d’indépendance (coefficient d’auto-corrélation)
•Le test d’uniformité ( test de Chi-deux)
•….

18
 2- Génération des variables aléatoires:

A partir des générateurs d’une suite de nombres réels uniformes entre

0 et 1, on cherche à obtenir une suite de nombres aléatoires suivant
une loi de probabilité donnée, moyennant certaines transformations à
définir.
Il existe plusieurs méthodes qui se basent généralement sur
certaines propriétés propres à la distribution qu’on cherche à
générer. Parmi ces méthodes, nous avons:
✓ transformation inverse
✓ rejet
✓ composition
✓ convolution
✓ caractérisation statistique
✓…
19
20
 v −u v

b−a 
u
f ( x)dx

• Sous Matlab, Pour générer un nombre aléatoire r entre 0 et 1, on

utilise la fonction rand() et on écrit: r =rand()
• Pour générer un nombre aléatoire r entre a et b, on écrit:
r = a + (b-a)*rand();

21
-Les lois usuelles discrètes

22
-Lois usuelles continues

23
 II-Méthodes de génération de variables aléatoires
1- Méthode par transformation inverse:
Soit X une variable aléatoire et F sa fonction de répartition.

Si, U=F(x) est uniformément réparti entre 0 et 1.

Il suffit donc de générer X selon F-1(U), autrement dit, on génère U
selon la loi uniforme entre 0 et 1 et on inverse la fonction de
répartition F (on retourne F-1(U)).

Contrainte: on peut calculer facilement F-1 grâce à une formule

analytique ou une distribution empirique.

24
25
 1.2- Génération des variables aléatoires discrètes
Soit X une variable aléatoire discrète dont les valeurs possibles sont x1,
x2…xk et les probabilités associées : p1, p2…pk. Le principe à utiliser pour
générer une instance de X est le suivant :
On pose

Alors X=xk

u u
p1+p2+p3

X=x1 X=x2

26 26
Exemple 1: Soit une variable aléatoire X qui prend les valeurs 5, 10,
20 avec les probabilités associées 0.5, 0.25, 0.25. Donner la suite
valeurs associées à X correspondants à la suite des nombres aléatoires
uniformément répartis suivants: 0.1, 0.3, 0.6, 0.2, 0.7, 0.9, 0.8.

• On a p1=0.5, p2=0.25=p3. on a p1+p2=0.75 et p1+p2+p3=1.

•Si u p1 alors X=5
•Si p1  u  p1+p2 alors X=10
• si p1+p2 u p1+p2+p3 alors X =20

• donc la suite des valeurs de X sera: 5, 5, 10, 5, 10, 20, 20

27
Exemple2: génération des nombres aléatoires selon la loi binomiale
B(n, k, p), où:

Où p(X=k) est la probabilité d’avoir k succès parmi n.

- Pour n=4 et p=0.5, on a:
- P0= 0.0625, p1=0.25 et p0+p1=0.3125
- P2=0.375 et p0+p1+p2=0.6875
- P3=0.25 et p0+p1+p2+p3=0.9375
- P4=0.0625 et p0+p1+p2+p3+p4=1

pour une suite de nombres uniformément repartis entre 0 et 1

données: 0.2, 0.5, 0.8, 0.6, 0.4 la suite correspondantes selon la loi
binomiale B(4,k, 0.5) est: 1, 2, 3, 1, 1
28
1.3- pour une distribution empirique

On désire tirer un nombre aléatoire suivant ont on connait une

tabulation de la fonction de répartition, c’est dire une
discrétisation de F(x). Donc, nous avons une table de couple(xi,
F(xi), avec xi < xi+1.
• On tire u[0, 1]
• Si F(xi)<u<F(xi+1) alors le nombre aléatoire recherché est xi+1

F(xi+1)
u
F(xi)

x0 x1 xi xi+1

29
30
On tire un nombre aléatoire u si 0<u≤0.4 alors le nombre
aléatoire généré est 256. sinon si 0.4<u ≤0.65, alors le nombre
aléatoire généré est 512. sinon si 0.65<u ≤1, alors le nombre
aléatoire généré est 1024.

31
32
 2- Méthode par rejet:
On veut simuler une variable aléatoire X de densité f et de fonction
de répartition F.

rejet

acceptation

33
(0, 1)

(0, 1)

34
On veut,

(M=2.11)

(0, 1) = U1
(0, 1) = 2.11 U2

• Soit (0.2, 0.6) un couple de nombres aléatoires générer selon la loi uniforme entre
0 et 1. Vérifier si ce couple est à accepter ou à rejeter.
• D’après les formules ci-dessus X=0.2 et Y=2.11*0.6=1.266
• f(X)=f(0.2)=4*(0.8)3=2.048>1.266 . Alors ce couple est accepté 35
2- Méthode par composition

36
Exemple 1 (Loi de Laplace):

37
Exemple 2: Loi triangulaire
 2( x − a )
 f ( x ) = ( m − a )(b − a ) sia  x  m

 2(b − x )
 f ( x) = sim  x  b
 (b − m)(b − a )
 f ( x ) = 0 sin on



f(x)
2/(b-a)
aire=1 x
a m b

Loi utilisable lorsque l’estimation du minimum, du maximum et de

la valeur la plus probable sont connues

38
On tire u1 entre 0 et 1

39
 Exemple 3: Loi Hyper - Exponentielle
La densité de probabilité de la loi hyper-exponentielle est la somme des densités
des lois exponentielles :

La fonction de répartition est donnée par :

L’espérance et la variance sont les sommes des espérances et variance des lois
exponentielles :

40
la loi hyper-exponentielle permet de simuler la durée de service d’un client
où le serveur est composé de plusieurs serveurs exponentiels en parallèle

41
3- Méthode par convolution

42
Exemple 1: La distribution Erlang-k
• La distribution est continue et possède deux paramètres: le paramètre de forme k , un
entier, et le paramètre d'intensité .
• La densité de probabilité de la distribution d'Erlang est:

=1/

• La fonction de répartition de la distribution d'Erlang est:

• L’espérance et la variance sont :

et
• La distribution d'Erlang est aussi la distribution de la somme de k variables
aléatoires indépendantes et identiquement distribuées selon une loi exponentielle.
i.e:

43
 Exemple 2: loi binomiale (p, n)

la distribution de Bernoulli ou loi de Bernoulli, est

une distribution de probabilité discrète, qui prend la valeur 1 avec la
probabilité p et 0 avec la probabilité q = 1 – p. En d'autres termes,

Loi binomiale
Si X1, …, Xn sont des variables aléatoires de Bernoulli avec
paramètre p, indépendantes et identiquement distribuées, alors leur
somme N suit la loi binomiale :

44
suit une loi du χ2 à k degrés de liberté

L’espérance et la variance sont k et 2k

45
Exemple 3: la loi de Student à n degré de liberté

46
Exemple 4: Loi de Fisher

47
Exemple 5: la loi lognormale
Soit X une variable aléatoire suivant la loi normale N(µ, ). Alors la variable
aléatoire Y=eX suit la loi lognormale de densité de probabilité:

Pour générer une variable Y de type lognormale on:

• On génère Z selon loi Normale centrée réduite N(0, 1)
• X= µ+ Z
• Y=eX

48
5- Utilisation des caractéristiques statistiques d’une loi de
probabilité
Les caractéristiques spécifiques de certaines distributions de probabilités
permettent de les générer par des algorithmes particuliers

Exemple 1: Méthode de Box Muller pour générer une distribution

Normale N(µ, ):

• si (X1, X2) est une variable aléatoire à valeur dans R2 de densité de

probabilité:
f (X 1 , X 2) = e 
1 − X 12+ X 22  / 2

2

• On pose X1=cos
X2= sin
38
50
51
Exemple 3: Loi de Bernoulli

52
 Exemple 4: Loi géométrique
• Prob(X=k) = p(1-p)(k-1) (k=1,2, ….)
Où p est la probabilité de succès, (1-p) est la probabilité d’échec.
•Utilisée pour modéliser un nombre d’essais avant le premier succès ou le
premier échec, par exemple:
Nombre de paquets transmis avec succès entre deux paquets transmis avec
erreur.
•Algorithme:
-tirer U[0, 1];
-n=1; lire p;
-Tant que (U >p) faire
n=n+1;
tirer U[0, 1]
Fait

53
•Exemple 5: Loi binomiale

•Prob(X=k) = C kn pk(1-p)(n-k) (k=0, 1, …, n)

Où p est la probabilité de succès

• utilisée, pour connaitre par exemple le nombre de paquets transmis
avec succès (k) parmi n transmissions

Algorithme:

k=0; lire n, p; i=1;

tant que (i<=n) faire
tirer U[0, 1];
si (U<=p) alors k=k+1 fsi
fait
afficher k
54
 Exemple 6: Loi de Poisson
Proposition : Considérons une variable aléatoire X, distributée suivant une loi de
Poisson de paramètre , avec  petit. Soit A1;A2, … une suite de variables
aléatoires indépendantes, équidistribuées de loi exponentielle de paramètre .
Soit X le plus petit entier tel que

55
Algorithme:

56
 Exemples de simulation de lois de probabilité
1- lois discrètes: pour simuler une loi de probabilité on procède comme suit:
• on génère un échantillon de taille assez grand de nombres aléatoires selon cette loi.
• on trace l’histogramme d’apparition des nombres générés.
• Pour vérifier l’authenticité des nombres générés, on trace la courbe de la
distribution de probabilité de cette loi, si les deux courbes sont identiques, on a un
bon générateur.

1- lois continues: pour simuler une loi de probabilité continue on procède comme suit:
• on divise d’abord le domaine de définition de cette loi en un certain nombre de
classes de longueur donnée.
• on génère un échantillon de taille assez grand de nombres aléatoires selon cette loi .
• on place chaque nombre généré dans sa classe d’appartenance en comptabilisant le
nombre d’apparition des nombres des classes.
• on trace l’histogramme d’apparition des nombres générés.
• Pour vérifier l’authenticité des nombres générés, on trace la courbe de la
distribution de probabilité de cette loi, si les deux courbes sont identiques, on a un
bon générateur.

57
1- simulation de la Loi géométrique :
clear all;
for i=1:30
0.35
tab(i)=0;
End
0.3
%génération d’un échantillon de taille nb
theta=0.3; nb=1000;
0.25
for i=1:nb
k=1; u=rand(); 0.2
while (u>theta)
k=k+1;u=rand(); 0.15

end
tab(k)=tab(k)+1; 0.1

end
0.05
for i=1:30
tab(i)=tab(i)/nb;
0
end 0 5 10 15 20 25 30 35

%R = geornd(theta,nb,1);
bar(tab); k=1:1:30;
• Sous matlab la fonction geornd(theta, nb, 1)
p1=theta*(1-theta).^(k-1) génère un échantillon de taille (nb) selon la
hold on
plot(k,p1,'*r');
loi géométrique de paramètre theta.
hold off
58 58
2-LOI BINOMIALE
clear all;
0.35
n=10;
for i=1:n+1 tab(i)=0; end 0.3
%génération d’un échantillon de taille nb
p=0.5; nb=1000; 0.25
for i=1:nb
k=0; l=0; 0.2

while (k<n)
u=rand();k=k+1; 0.15

if(u<=p) l=l+1; end

0.1
end
tab(l+1)=tab(l+1)+1;
0.05
end
for i=1:n+1 tab(i)=tab(i)/nb; end 0
0 1 2 3 4 5 6 7 8 9 10
bar(0:10, tab);
k=0:n;
• Sous matlab la fonction binornd(n, p, nb, 1)
%vérification
p1=binopdf(k,n,p); génère un échantillon de taille (nb) selon la
hold on loi binomiale de paramètre n, p.
plot(k,p1,'*r');
box off
hold off
59
3-Loi de poisson
clear all;
n=30; 0.35

for i=1:n+1
tab(i)=0; 0.3

end
0.25
lambda=2; nb=2000;
for i=1:nb
0.2
k=0; u=rand();p=1;
while (exp(-lambda)<=p)
0.15
u=rand();k=k+1;
p=p*u;
0.1
end
tab(k+1)=tab(k+1)+1; 0.05
end
for i=1:n+1 0
-5 0 5 10 15 20 25 30 35
tab(i)=tab(i)/nb;
end • Sous matlab la fonction poisspdf(k, lambda)
k=0:n;
bar(k,tab); génère un nombre aléatoires selon la loi de
p1=poisspdf(k,lambda); poisson de paramètre k et lambda.
hold on
k=1:31;
plot(k,p1,'*r');
hold off 60
clear all
%initialisation 3-Simulation de la loi exponentielle
nb=1000;
Tab=[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]; 700

lambda=1;
600
% génération d’un échantillon de taille
%(nb) selon la loi exponentielle de taux 500
%lambda
for i=1:nb 400

u=rand();
300
k=1;x0=0;
x=(-1/lambda)*log(u); 200
while (x>(x0+k))
k=k+1; 100

end
0
tab(k)=tab(k)+1; 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
end
x=0:14;
bar(x, tab); • Sous matlab la fonction exprnd(x, nb,
hold on 1) génère un échantillon de taille (nb)
x=0:0.5:15;
p1=600*lambda*exp(-x.*lambda); selon la loi exponentielle de taux x.
plot(x,p1,'r', 'linewidth',2 );
61
hold off;
clear all 4- loi normale N(µ, )
nb=1000; lambda=1;
tab=[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]; 350

% génération d’un échantillon de taille nb

300
for i=1:nb
u1=rand(); 250

u2=rand();
200
k=1;x0=-4;
x=sqrt(-2*log(u1))*cos(2*pi*u2); 150
while (x>(x0+k))
k=k+1; 100

end 50
tab(k)=tab(k)+1;
end 0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14

x=0:14;
bar(x, tab); • Sous matlab la fonction normrnd(µ, , nb,
hold on 1) génère un échantillon de taille (nb)
x=-4:0.5:15;
selon la loi normale de moyenne µ et
p1=820*normpdf(x,3.5,1);
plot(x,p1,'r', 'linewidth',3 ); d’écart type  .
hold off; 62
 Exercices
Exercice 1 : Soit une variable aléatoire discrète X à 6 valeurs possibles
représentant les issues du lancer d’un dé, qui a pour densité p(x) et une
fonction de répartition F(x) (cumul des probabilités) donnée par :
x 1 2 3 4 5 6
p(x) 1/6 1/6 1/6 1/6 1/6 1/6
F(x) 1/6 1/3 1/2 2/3 5/6 1
1. Ecrire un programme qui génère un échantillon de taille n de la
variable aléatoire X.
2. Soit la suite de nombres aléatoires U suivantes, tirés selon une loi
uniforme entre 0 et 1 : 0.5, 0.7 0.9, 0.1, 0.3, et 0.4. Donner la suite des
valeurs prises par la variable aléatoire X, correspondant à la suite U.
3. Si, on tire un échantillon de 1000 nombres de la variable aléatoire X,
donner le nombre d’apparitions parmi les 1000 nombres tirés de la
valeur 1, 2, 3, 4, 5, et 6.
63
Exercice 2 : 1. En utilisant la méthode par composition et inversion de la
fonction de répartition, générer une variable aléatoire X dont sa densité de
probabilité est donnée par :

2. Soient les couples de valeurs issues d’une loi uniforme entre 0 et 1,

vérifier en utilisant la méthode par rejet, l’acceptation ou le rejet des
couples (0.2, 0.9) et (0.8, 0.3).
3. On réparti l’intervalle [1, 3] en deux sous intervalles [1, 2] et [2, 3], et
on tire 1000 nombres de la variable aléatoire X, donner le nombre
d’apparitions parmi les 1000 nombres tirés dans chaque sous intervalles.
4. Tracer l’histogramme de la fréquence d’apparition de chaque sous
intervalles.

64
Exercice3 : Simuler les lois de probabilités suivantes:
1. La loi normale centrée réduite N(0, 1), en utilisant le théorème
centrale limite.
2. La loi de Khi-deux
3. La loi de Student et la loi de Fisher
4. La loi géométrique et la loi de poisson en utilisant l’inverse de la
fonction de répartition.

65