Académique Documents
Professionnel Documents
Culture Documents
1 Nombre pseudo-aléatoire 3
1.1 Générateur physique . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Générateur algorithmique . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Principe général . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Cycle et transitoire . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Variable pseudo-aléatoire 9
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.1 Méthodes génériques et méthodes spécifiques . . . . . . . 9
2.1.2 Variable pseudo-uniforme . . . . . . . . . . . . . . . . . . 10
2.2 Variable aléatoires de loi discrète . . . . . . . . . . . . . . . . . . 10
2.2.1 Méthode de découpage d’intervalles . . . . . . . . . . . . 11
1
2 TABLE DES MATIÈRES
Chapitre 1
Nombre pseudo-aléatoire
3
4 CHAPITRE 1. NOMBRE PSEUDO-ALÉATOIRE
Il est important de noter que dans cet algorithme le seul élément possible-
ment aléatoire est l’initialisation de la suite xn autrement dit la valeur de x0 .
Le reste des valeurs produites par les appels successifs à cet algorithme étant
alors entièrement déterminé.
Cet exemple est un exemple extrêmement simple de générateur algorith-
mique de nombres pseudo-aléatoires. D’une manière générale, tout générateur
algorithmique de nombres pseudo-aléatoires est caractérisé par un couple (E, f ),
où
- E est un ensemble fini de nombre,
- f est une application de E dans lui même
Ensuite et à partir d’une valeur initiale x0 appelé graine (seed en anglais)
qui appartient souvent à E, il suffit d’appliquer la fonction f autant de fois que
1.2. GÉNÉRATEUR ALGORITHMIQUE 5
= f (f ◦ . . . ◦ f (x0 )) (1.2)
| {z }
i−1f ois
= f (xi−1 )
Ainsi, pour chaque choix de la graine on obtient une suite de nombres pseudo-
aléatoires différentes. Une fois la graine fixée le reste de la suite est complètement
déterministe. Pourtant, le résultat est supposé avoir un comportement aléatoire
indépendant et de loi discrète uniforme sur les éléments de E.
Une valeur par défaut pour la graine est souvent fournie par l’ordinateur elle
est basée généralement sur l’heure à laquelle nous lançons le générateur.
1.2.2 Exemples
Nous allons voir dans la suites les principales familles de générateurs de
nombres pseudo-aléatoires utilisés en pratique.
Générateur multi-récursif
Les générateurs multi-récursifs d’ordre k basés sur la récurrence linéaire mul-
tiple définie par le couple
(E = {0, . . . , m−1}k , f (x0 , . . . , xk−1 ) = (x1 , . . . , xk−1 , (a0 x0 +. . . ak−1 xk−1 +b) modulo m)
ce générateur nécessite une graine sous la forme d’un vecteur de k entiers
positifs et inférieurs strictement à m. Ainsi, pour générer un nombre xn avec
n > k un tel générateur utilise les nombres {xn−k , xn−k+1 , . . . , xn−1 }
où Xi , Xi−1 et c sont des vecteur de taille k et A est une matrice carrée k × k.
Les éléments des vecteurs et de la matrice sont des entiers entre 0 et m − 1.
𝑥𝑝+𝑞 𝑥
𝑝+𝑞+1
𝑥𝑝−1 𝑥𝑝 𝑥𝑝+1
𝑥1 𝑥𝑝+𝑞−1
𝑥0
Le transitoire peut être vide et dans ce cas sa longueur est nulle. Alors que
le cycle est au minimum égale à 1 ce qui donne une séquence constante. Le but
est évidement de générer des séquences sans transitoire et dont le cycle est le
plus long possible. Ce qui fait que tant que la taille de la séquence que nous
souhaitons générer est inférieure à la longueur du cycle, cette dernière peut être
considérée comme étant aléatoire. D’un autre côté, si la longueur du cycle est
inférieur au cardinal de E on en déduit à priori que les éléments de E n’ont pas
tous la même chance d’être tiré. Par conséquent, l’étude des transitoires et des
cycles des générateurs est indispensable.
Variable pseudo-aléatoire
2.1 Introduction
Dans ce chapitre, nous nous intéressons à l’étape de transformation, qui
consiste à simuler des variables aléatoires de loi donnée à partir des nombres
pseudo-aléatoires produits par des générateurs du type décrit dans le chapitre
précédent.
9
10 CHAPITRE 2. VARIABLE PSEUDO-ALÉATOIRE
où m est choisie assez grand, a et b sont choisie de telle sorte à ce qu’on vérifie
les conditions du théorème 2 et graine est un entier fixé une fois d’une façon
aléatoire et qui change à chaque fois que l’algorithme est utilisé.
Un tel générateur nous donne des nombres pseudo-aléatoires uniformément
distribué sur l’intervalle [0, 1]. Simuler la loi uniforme sur [0, 1] est très important
car c’est à partir de cette variable que nous allons simuler n’importe quelle loi
de probabilité.
Simuler U[0,1] suffit pour simuler n’importe quelle loi uniforme continue car
Si X suit la loi U[0,1] alors Y = a + (b − a)X suit la loi U[a,b] pour tout réels a
et b.