Upload
vanhanh
View
212
Download
0
Embed Size (px)
Citation preview
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Probabilites Appliquees I–
Simulation
Master 1 MathematiquesUniversite de Paris-Est-Creteil-Val-de-Marne
2010–2011
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
1 Introduction
Necessite des simulations
Nombres aleatoires
Conclusions
2 Simulation de la loi uniforme sur (0,1)
Le theoreme de representation de Skorohod
Definition mathematique
Generateurs congruentiels
3 Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applications
Methodes de rejet
Methode de Box-Muller
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Necessite des simulationsNombres aleatoiresConclusions
Plan1 Introduction
Necessite des simulations
Nombres aleatoires
Conclusions
2 Simulation de la loi uniforme sur (0,1)
Le theoreme de representation de Skorohod
Definition mathematique
Generateurs congruentiels
3 Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applications
Methodes de rejet
Methode de Box-MullerProbabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Necessite des simulationsNombres aleatoiresConclusions
Plan1 Introduction
Necessite des simulations
Nombres aleatoires
Conclusions
2 Simulation de la loi uniforme sur (0,1)
Le theoreme de representation de Skorohod
Definition mathematique
Generateurs congruentiels
3 Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applications
Methodes de rejet
Methode de Box-MullerProbabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Necessite des simulationsNombres aleatoiresConclusions
Simulation de phenomenes physiques
Simulation d’experiences physiques ou des variables doivent etrerendues aleatoires afin d’eliminer des biais.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Necessite des simulationsNombres aleatoiresConclusions
Resolution de problemes difficiles
Resolution de problemes impliquant des processus physiques complexes.(ici theorie cinetique des gaz)
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Necessite des simulationsNombres aleatoiresConclusions
Approximation d’integrales
Calcul de la valeur approchee d’un integrale comportant beaucoupde variables∫∫B(0,1)
cos(3x) + sin(7√|y |)
1 + x2 + y 2
dxdy
π∼ 1
M
M∑i=1
cos(3xi ) + sin(7√|yi |)
1 + x2i + y 2
i
,
avec (xi , yi ) « bien repartis » dans la boule unite.
−1 −0.5 0 0.5 1−1
−0.8
−0.6
−0.4
−0.2
0
0.2
0.4
0.6
0.8
1
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Necessite des simulationsNombres aleatoiresConclusions
Plan1 Introduction
Necessite des simulations
Nombres aleatoires
Conclusions
2 Simulation de la loi uniforme sur (0,1)
Le theoreme de representation de Skorohod
Definition mathematique
Generateurs congruentiels
3 Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applications
Methodes de rejet
Methode de Box-MullerProbabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Necessite des simulationsNombres aleatoiresConclusions
Qu’est-ce qu’une suite aleatoire de nombres ?
Un amas d’etoiles ?
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Necessite des simulationsNombres aleatoiresConclusions
Les decimales de π ?3,1415926535897932384626433832795028841971693993751058209749445923078164062862089986280348253421170679
8214808651328230664709384460955058223172535940812848111745028410270193852110555964462294895493038196
4428810975665933446128475648233786783165271201909145648566923460348610454326648213393607260249141273
7245870066063155881748815209209628292540917153643678925903600113305305488204665213841469519415116094
3305727036575959195309218611738193261179310511854807446237996274956735188575272489122793818301194912
9833673362440656643086021394946395224737190702179860943702770539217176293176752384674818467669405132
0005681271452635608277857713427577896091736371787214684409012249534301465495853710507922796892589235
4201995611212902196086403441815981362977477130996051870721134999999837297804995105973173281609631859
5024459455346908302642522308253344685035261931188171010003137838752886587533208381420617177669147303
5982534904287554687311595628638823537875937519577818577805321712268066130019278766111959092164201989
. . .
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Necessite des simulationsNombres aleatoiresConclusions
Dans “A Million Random Digits with 100,000 Normal Deviates”(1955) ?
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Necessite des simulationsNombres aleatoiresConclusions
Tentatives de definition
Proposition
Une suite de decimales a valeurs dans 0, . . . , 9 est aleatoire sipour tout rang donne on ne peut pas predire le chiffre du rangsuivant avec une probabilite superieure a 1/10.
Proposition (Test de normalite)
Chaque n-uplets de decimales prises dans la suite (infinie) apparaıtavec une frequence de 1/10n, n ≥ 1.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Necessite des simulationsNombres aleatoiresConclusions
Tentatives de definition
Proposition
Une suite de decimales a valeurs dans 0, . . . , 9 est aleatoire sipour tout rang donne on ne peut pas predire le chiffre du rangsuivant avec une probabilite superieure a 1/10.
Proposition (Test de normalite)
Chaque n-uplets de decimales prises dans la suite (infinie) apparaıtavec une frequence de 1/10n, n ≥ 1.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Necessite des simulationsNombres aleatoiresConclusions
Commentaires et paradoxes
Une telle definition implique une infinite de test a faire passera la suite : pas realisable en pratique.On ne peut que definir des tests pour des types d’alea et onne peut declarer une telle suite aleatoire qu’en fonction dunombre fini de tests qu’elle a subi.
Le developpement decimal (connu pour le moment) de π apasse tout les test de normalite et pour autant est-ce vraimentune suite aleatoire ?
Plus une suite satisfait de tels tests, plus elle conquiert unecertaine regularite statistique qui peut, dans certains cas,permettre de predire les parties manquantes. Est-elle dans cecas vraiment aleatoire ? Une suite infinie et desordonnee denombres est un concept paradoxal.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Necessite des simulationsNombres aleatoiresConclusions
Commentaires et paradoxes
Une telle definition implique une infinite de test a faire passera la suite : pas realisable en pratique.On ne peut que definir des tests pour des types d’alea et onne peut declarer une telle suite aleatoire qu’en fonction dunombre fini de tests qu’elle a subi.
Le developpement decimal (connu pour le moment) de π apasse tout les test de normalite et pour autant est-ce vraimentune suite aleatoire ?
Plus une suite satisfait de tels tests, plus elle conquiert unecertaine regularite statistique qui peut, dans certains cas,permettre de predire les parties manquantes. Est-elle dans cecas vraiment aleatoire ? Une suite infinie et desordonnee denombres est un concept paradoxal.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Necessite des simulationsNombres aleatoiresConclusions
Commentaires et paradoxes
Une telle definition implique une infinite de test a faire passera la suite : pas realisable en pratique.On ne peut que definir des tests pour des types d’alea et onne peut declarer une telle suite aleatoire qu’en fonction dunombre fini de tests qu’elle a subi.
Le developpement decimal (connu pour le moment) de π apasse tout les test de normalite et pour autant est-ce vraimentune suite aleatoire ?
Plus une suite satisfait de tels tests, plus elle conquiert unecertaine regularite statistique qui peut, dans certains cas,permettre de predire les parties manquantes. Est-elle dans cecas vraiment aleatoire ? Une suite infinie et desordonnee denombres est un concept paradoxal.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Necessite des simulationsNombres aleatoiresConclusions
Un terme ambigu
Le meme terme, aleatoire, est utilise pour designer a la foisune suite obtenue de facon aleatoire (ex : PPPPP au jeu depile ou face, une visee au hasard dans un ciel etoile) et a lafois une suite sans ordre apparent.
PPPPP est aleatoire au premier sens mais pas au second
De meme pour la distribution d’etoiles dans la figureprecedente.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Necessite des simulationsNombres aleatoiresConclusions
Plan1 Introduction
Necessite des simulations
Nombres aleatoires
Conclusions
2 Simulation de la loi uniforme sur (0,1)
Le theoreme de representation de Skorohod
Definition mathematique
Generateurs congruentiels
3 Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applications
Methodes de rejet
Methode de Box-MullerProbabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Necessite des simulationsNombres aleatoiresConclusions
Buts
On va s’interesser aux methodes de simulations de nombresuniformement repartis sur [0,1], c.-a-d. suivant une loiuniforme.
Toutes les autres formes d’alea seront simules a partir de la loiuniforme (cf. theoreme fondamental de la simulation).
Necessite d’elaborer des procedures pour tester lesdistributions de nombres.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Necessite des simulationsNombres aleatoiresConclusions
Buts
On va s’interesser aux methodes de simulations de nombresuniformement repartis sur [0,1], c.-a-d. suivant une loiuniforme.
Toutes les autres formes d’alea seront simules a partir de la loiuniforme (cf. theoreme fondamental de la simulation).
Necessite d’elaborer des procedures pour tester lesdistributions de nombres.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Necessite des simulationsNombres aleatoiresConclusions
Buts
On va s’interesser aux methodes de simulations de nombresuniformement repartis sur [0,1], c.-a-d. suivant une loiuniforme.
Toutes les autres formes d’alea seront simules a partir de la loiuniforme (cf. theoreme fondamental de la simulation).
Necessite d’elaborer des procedures pour tester lesdistributions de nombres.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Le theoreme de representation de SkorohodDefinition mathematiqueGenerateurs congruentiels
Plan1 Introduction
Necessite des simulations
Nombres aleatoires
Conclusions
2 Simulation de la loi uniforme sur (0,1)
Le theoreme de representation de Skorohod
Definition mathematique
Generateurs congruentiels
3 Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applications
Methodes de rejet
Methode de Box-MullerProbabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Le theoreme de representation de SkorohodDefinition mathematiqueGenerateurs congruentiels
Plan1 Introduction
Necessite des simulations
Nombres aleatoires
Conclusions
2 Simulation de la loi uniforme sur (0,1)
Le theoreme de representation de Skorohod
Definition mathematique
Generateurs congruentiels
3 Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applications
Methodes de rejet
Methode de Box-MullerProbabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Le theoreme de representation de SkorohodDefinition mathematiqueGenerateurs congruentiels
Principe fondamental de la simulation
Theoreme (Skorohod)
Soit X : (Ω,A,P)→ (Rd ,B(Rd)) une v.a. de loi PX . Il existe unefonction borelienne ϕ : ([0, 1],B([0, 1]), λ)→ (Rd ,B(Rd),PX ) telleque
PX = λ ϕ−1,
c.-a-d. telle que la loi de X est l’image par ϕ de la mesure deLebesgue λ sur [0, 1] ou encore
Xd= ϕ(U)
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Le theoreme de representation de SkorohodDefinition mathematiqueGenerateurs congruentiels
Plan1 Introduction
Necessite des simulations
Nombres aleatoires
Conclusions
2 Simulation de la loi uniforme sur (0,1)
Le theoreme de representation de Skorohod
Definition mathematique
Generateurs congruentiels
3 Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applications
Methodes de rejet
Methode de Box-MullerProbabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Le theoreme de representation de SkorohodDefinition mathematiqueGenerateurs congruentiels
Une definition formelle
D’un point de vue mathematique, on definit une suite de nombresaleatoires uniformement distribues sur l’intervalle [0,1] par la
Definition
Une suite xnn≥0 de nombres reels a valeurs dans [0,1] est unesuite de nombres aleatoire s’il existe
un espace de probabilite (Ω,A,P),
une suite Unn≥0 de v.a. i.i.d. de loi uniforme sur [0, 1] and
ω ∈ Ω
tels que xn = Un(ω).
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Le theoreme de representation de SkorohodDefinition mathematiqueGenerateurs congruentiels
Approche naıve
ω peut ne pas etre un bon « scenario », c.-a-d. de pas etregenerique , admissible.Ex : tomber dans l’ensemble P-negligeable pour lequel la loides grands nombres n’est pas vraie.
On ne dispose pas en general de suites de v.a. telles queUnn≥0.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Le theoreme de representation de SkorohodDefinition mathematiqueGenerateurs congruentiels
Comment generer une suite de nombres aleatoires ?
Par un processus physique tel que le prochain chiffre produitne peut etre predit avec une probabilite superieure a 1/n (enbase n)Ex : pile ou face (en base 2), des (en base 6), icosaedre (avecles chiffres de 0 a 9 repetes deux fois), roulette, . . ..
Avec un ordinateur qui generera des suites« pseudo-aleatoire » (selon un algorithme deterministe).Ex : calcul des decimales de π, generateurs congruentiels, . . .
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Le theoreme de representation de SkorohodDefinition mathematiqueGenerateurs congruentiels
Comment generer une suite de nombres aleatoires ?
Par un processus physique tel que le prochain chiffre produitne peut etre predit avec une probabilite superieure a 1/n (enbase n)Ex : pile ou face (en base 2), des (en base 6), icosaedre (avecles chiffres de 0 a 9 repetes deux fois), roulette, . . ..
Avec un ordinateur qui generera des suites« pseudo-aleatoire » (selon un algorithme deterministe).Ex : calcul des decimales de π, generateurs congruentiels, . . .
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Le theoreme de representation de SkorohodDefinition mathematiqueGenerateurs congruentiels
Plan1 Introduction
Necessite des simulations
Nombres aleatoires
Conclusions
2 Simulation de la loi uniforme sur (0,1)
Le theoreme de representation de Skorohod
Definition mathematique
Generateurs congruentiels
3 Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applications
Methodes de rejet
Methode de Box-MullerProbabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Le theoreme de representation de SkorohodDefinition mathematiqueGenerateurs congruentiels
Nombres pseudo-aleatoires
xn =yn
N, yn ∈ 0, . . . ,N − 1, yn+1 = ayn + b mod N
ou pgcd(a,N) = 1.
On choisit N le plus grand possible. Ex :N = 231 − 1 pour une architecture 32 bits.
La periode de la suite ynn≥0 est Card(< a >) = ϕ(N).
Generateur Frotran NAG, a = 1313, N = 259 − 1. Simule loiuniforme sur [0, 1]8.
Generateurs de Mersenne (MT − p) de periode Np = 2p − 1ou p est premier.Ex : MT − 19337. Ici Np = 219937 − 1 ∼ 10600. Simule une loiuniforme sur [0, 1]623.
http ://www.math.sci.hiroshima-u.ac.jp/ m-mat/MT/emt.html
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Le theoreme de representation de SkorohodDefinition mathematiqueGenerateurs congruentiels
Nombres pseudo-aleatoires
xn =yn
N, yn ∈ 0, . . . ,N − 1, yn+1 = ayn + b mod N
ou pgcd(a,N) = 1. On choisit N le plus grand possible. Ex :N = 231 − 1 pour une architecture 32 bits.
La periode de la suite ynn≥0 est Card(< a >) = ϕ(N).
Generateur Frotran NAG, a = 1313, N = 259 − 1. Simule loiuniforme sur [0, 1]8.
Generateurs de Mersenne (MT − p) de periode Np = 2p − 1ou p est premier.Ex : MT − 19337. Ici Np = 219937 − 1 ∼ 10600. Simule une loiuniforme sur [0, 1]623.
http ://www.math.sci.hiroshima-u.ac.jp/ m-mat/MT/emt.html
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Le theoreme de representation de SkorohodDefinition mathematiqueGenerateurs congruentiels
Nombres pseudo-aleatoires
xn =yn
N, yn ∈ 0, . . . ,N − 1, yn+1 = ayn + b mod N
ou pgcd(a,N) = 1. On choisit N le plus grand possible. Ex :N = 231 − 1 pour une architecture 32 bits.
La periode de la suite ynn≥0 est Card(< a >) = ϕ(N).
Generateur Frotran NAG, a = 1313, N = 259 − 1. Simule loiuniforme sur [0, 1]8.
Generateurs de Mersenne (MT − p) de periode Np = 2p − 1ou p est premier.Ex : MT − 19337. Ici Np = 219937 − 1 ∼ 10600. Simule une loiuniforme sur [0, 1]623.
http ://www.math.sci.hiroshima-u.ac.jp/ m-mat/MT/emt.html
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Le theoreme de representation de SkorohodDefinition mathematiqueGenerateurs congruentiels
Nombres pseudo-aleatoires
xn =yn
N, yn ∈ 0, . . . ,N − 1, yn+1 = ayn + b mod N
ou pgcd(a,N) = 1. On choisit N le plus grand possible. Ex :N = 231 − 1 pour une architecture 32 bits.
La periode de la suite ynn≥0 est Card(< a >) = ϕ(N).
Generateur Frotran NAG, a = 1313, N = 259 − 1. Simule loiuniforme sur [0, 1]8.
Generateurs de Mersenne (MT − p) de periode Np = 2p − 1ou p est premier.Ex : MT − 19337. Ici Np = 219937 − 1 ∼ 10600. Simule une loiuniforme sur [0, 1]623.
http ://www.math.sci.hiroshima-u.ac.jp/ m-mat/MT/emt.html
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Le theoreme de representation de SkorohodDefinition mathematiqueGenerateurs congruentiels
Nombres pseudo-aleatoires
xn =yn
N, yn ∈ 0, . . . ,N − 1, yn+1 = ayn + b mod N
ou pgcd(a,N) = 1. On choisit N le plus grand possible. Ex :N = 231 − 1 pour une architecture 32 bits.
La periode de la suite ynn≥0 est Card(< a >) = ϕ(N).
Generateur Frotran NAG, a = 1313, N = 259 − 1. Simule loiuniforme sur [0, 1]8.
Generateurs de Mersenne (MT − p) de periode Np = 2p − 1ou p est premier.Ex : MT − 19337. Ici Np = 219937 − 1 ∼ 10600. Simule une loiuniforme sur [0, 1]623.
http ://www.math.sci.hiroshima-u.ac.jp/ m-mat/MT/emt.html
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Le theoreme de representation de SkorohodDefinition mathematiqueGenerateurs congruentiels
Nombres pseudo-aleatoires
xn =yn
N, yn ∈ 0, . . . ,N − 1, yn+1 = ayn + b mod N
ou pgcd(a,N) = 1. On choisit N le plus grand possible. Ex :N = 231 − 1 pour une architecture 32 bits.
La periode de la suite ynn≥0 est Card(< a >) = ϕ(N).
Generateur Frotran NAG, a = 1313, N = 259 − 1. Simule loiuniforme sur [0, 1]8.
Generateurs de Mersenne (MT − p) de periode Np = 2p − 1ou p est premier.Ex : MT − 19337. Ici Np = 219937 − 1 ∼ 10600. Simule une loiuniforme sur [0, 1]623.
http ://www.math.sci.hiroshima-u.ac.jp/ m-mat/MT/emt.html
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Plan1 Introduction
Necessite des simulations
Nombres aleatoires
Conclusions
2 Simulation de la loi uniforme sur (0,1)
Le theoreme de representation de Skorohod
Definition mathematique
Generateurs congruentiels
3 Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applications
Methodes de rejet
Methode de Box-MullerProbabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Plan1 Introduction
Necessite des simulations
Nombres aleatoires
Conclusions
2 Simulation de la loi uniforme sur (0,1)
Le theoreme de representation de Skorohod
Definition mathematique
Generateurs congruentiels
3 Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applications
Methodes de rejet
Methode de Box-MullerProbabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Quelques v.a. importantes
Symbole f (x) E(X ) Var(X ) F (x)
N (µ, σ2) 1σ√
2πe−
(x−µ)2
2σ2 µ σ2 cf .cdfnor
G (a, b) 1Γ(a)ba xa−1e−x/b ab ab2 cf .cdfgam
E(λ) λe−λx1[0,+∞[ 1/λ 1/λ2 1− e−λx
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Transformation de v.a.
On peut obtenir de nombreuses v.a. a partir d’autres selon diversesoperations :
1 changement de variables, transformation ;
2 melanges ;
3 tri, statistique d’ordre ;
4 convolution des densites = somme de v.a.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Changement de variables
Theoreme
X de densite f continue sur Rd . On pose S = Supp(f ). Soith : Rd → Rd bijective de S sur T = h(S).
Alors Y = h(X ) ssi X = h−1(Y ) = g(Y ) ou g : Rd → Rd .
Si de plus les derivees partielles gi ,j =∂gi
∂yjexistent et sont
continues alors Y a pour densite
f (g(y))det(J),
ou J designe la matrice jacobienne du changement devariable, c.-a-d.
J = [gi ,j ]
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Changement de variables
Theoreme
X de densite f continue sur Rd . On pose S = Supp(f ). Soith : Rd → Rd bijective de S sur T = h(S).
Alors Y = h(X ) ssi X = h−1(Y ) = g(Y ) ou g : Rd → Rd .
Si de plus les derivees partielles gi ,j =∂gi
∂yjexistent et sont
continues alors Y a pour densite
f (g(y))det(J),
ou J designe la matrice jacobienne du changement devariable, c.-a-d.
J = [gi ,j ]
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Changement de variables
Theoreme
X de densite f continue sur Rd . On pose S = Supp(f ). Soith : Rd → Rd bijective de S sur T = h(S).
Alors Y = h(X ) ssi X = h−1(Y ) = g(Y ) ou g : Rd → Rd .
Si de plus les derivees partielles gi ,j =∂gi
∂yjexistent et sont
continues alors Y a pour densite
f (g(y))det(J),
ou J designe la matrice jacobienne du changement devariable, c.-a-d.
J = [gi ,j ]
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Un bon changement de variable
X : Ω→ R de loi image sur R : µ = P X−1.
But : simuler xn = Xn(ω), Xnn≥0 v.a. i.i.d., Xnd= X .
On dit que les xn sont distribues selon la loi image µ.
Soit F (x) = µ(]−∞, x ]) = PX ≤ x. La fonction F est
croissante ;
continue a droite et admet une limite a gauche (propriete dela mesure)
Lemme
Supposons F strictement croissante et continue. Alors si U suitune loi uniforme sur (0, 1) on a
F−1(U)d= X .
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Variantes et cas particuliers
Si µ admet une densite qui ne charge pas 0 alors
F (x) =
∫ x
−∞f (u) du est continue et strictement croissante.
Dans le cas ou F est seulement croissante et/ou discontinueen seulement certains points, le lemme reste vrai a conditionde remplacer F par son inverse continu a gauche
F−1g (u)
def= infs | F (s) ≥ u.
Alors F−1g est croissante, continue a gauche et
∀u ∈ (0, 1), F−1g (u) ≤ x ⇐⇒ F (x) ≥ u.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Nombreuses applications
Le lemme precedent permet de simuler les lois suivantes :
1 Loi de la v.a. exponentielle E(λ) de parametre λ > 0.
2 Loi de la v.a. de Cauchy, Cauchy(c), parametre c > 0.
3 Loi de la v.a. de Pareto Pθ de parametre θ > 0.
4 Loi supportee par un ensemble fini E = x1; . . . ; xN.5 Loi de la v.a. de Bernoulli B(p) de parametre p ∈ [0, 1].
6 Loi de la v.a. binomiale B(n, p) de parametre (n, p),p ∈ [0, 1], n ≥ 1.
7 Loi de la v.a. geometrique G (p) de parametre p :
τ = mink ≥ 0 | Xk = 1 d= G (p)
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Nombreuses applications
Le lemme precedent permet de simuler les lois suivantes :
1 Loi de la v.a. exponentielle E(λ) de parametre λ > 0.
2 Loi de la v.a. de Cauchy, Cauchy(c), parametre c > 0.
3 Loi de la v.a. de Pareto Pθ de parametre θ > 0.
4 Loi supportee par un ensemble fini E = x1; . . . ; xN.5 Loi de la v.a. de Bernoulli B(p) de parametre p ∈ [0, 1].
6 Loi de la v.a. binomiale B(n, p) de parametre (n, p),p ∈ [0, 1], n ≥ 1.
7 Loi de la v.a. geometrique G (p) de parametre p :
τ = mink ≥ 0 | Xk = 1 d= G (p)
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Nombreuses applications
Le lemme precedent permet de simuler les lois suivantes :
1 Loi de la v.a. exponentielle E(λ) de parametre λ > 0.
2 Loi de la v.a. de Cauchy, Cauchy(c), parametre c > 0.
3 Loi de la v.a. de Pareto Pθ de parametre θ > 0.
4 Loi supportee par un ensemble fini E = x1; . . . ; xN.5 Loi de la v.a. de Bernoulli B(p) de parametre p ∈ [0, 1].
6 Loi de la v.a. binomiale B(n, p) de parametre (n, p),p ∈ [0, 1], n ≥ 1.
7 Loi de la v.a. geometrique G (p) de parametre p :
τ = mink ≥ 0 | Xk = 1 d= G (p)
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Nombreuses applications
Le lemme precedent permet de simuler les lois suivantes :
1 Loi de la v.a. exponentielle E(λ) de parametre λ > 0.
2 Loi de la v.a. de Cauchy, Cauchy(c), parametre c > 0.
3 Loi de la v.a. de Pareto Pθ de parametre θ > 0.
4 Loi supportee par un ensemble fini E = x1; . . . ; xN.
5 Loi de la v.a. de Bernoulli B(p) de parametre p ∈ [0, 1].
6 Loi de la v.a. binomiale B(n, p) de parametre (n, p),p ∈ [0, 1], n ≥ 1.
7 Loi de la v.a. geometrique G (p) de parametre p :
τ = mink ≥ 0 | Xk = 1 d= G (p)
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Nombreuses applications
Le lemme precedent permet de simuler les lois suivantes :
1 Loi de la v.a. exponentielle E(λ) de parametre λ > 0.
2 Loi de la v.a. de Cauchy, Cauchy(c), parametre c > 0.
3 Loi de la v.a. de Pareto Pθ de parametre θ > 0.
4 Loi supportee par un ensemble fini E = x1; . . . ; xN.5 Loi de la v.a. de Bernoulli B(p) de parametre p ∈ [0, 1].
6 Loi de la v.a. binomiale B(n, p) de parametre (n, p),p ∈ [0, 1], n ≥ 1.
7 Loi de la v.a. geometrique G (p) de parametre p :
τ = mink ≥ 0 | Xk = 1 d= G (p)
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Nombreuses applications
Le lemme precedent permet de simuler les lois suivantes :
1 Loi de la v.a. exponentielle E(λ) de parametre λ > 0.
2 Loi de la v.a. de Cauchy, Cauchy(c), parametre c > 0.
3 Loi de la v.a. de Pareto Pθ de parametre θ > 0.
4 Loi supportee par un ensemble fini E = x1; . . . ; xN.5 Loi de la v.a. de Bernoulli B(p) de parametre p ∈ [0, 1].
6 Loi de la v.a. binomiale B(n, p) de parametre (n, p),p ∈ [0, 1], n ≥ 1.
7 Loi de la v.a. geometrique G (p) de parametre p :
τ = mink ≥ 0 | Xk = 1 d= G (p)
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Nombreuses applications
Le lemme precedent permet de simuler les lois suivantes :
1 Loi de la v.a. exponentielle E(λ) de parametre λ > 0.
2 Loi de la v.a. de Cauchy, Cauchy(c), parametre c > 0.
3 Loi de la v.a. de Pareto Pθ de parametre θ > 0.
4 Loi supportee par un ensemble fini E = x1; . . . ; xN.5 Loi de la v.a. de Bernoulli B(p) de parametre p ∈ [0, 1].
6 Loi de la v.a. binomiale B(n, p) de parametre (n, p),p ∈ [0, 1], n ≥ 1.
7 Loi de la v.a. geometrique G (p) de parametre p :
τ = mink ≥ 0 | Xk = 1 d= G (p)
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
v.a. exponentielle E(λ)
Soit X de densite f (x) = λe−λx1[0,+∞[
Fonction de repartition F (x) =∫ x−∞ f (t)dt = 1− e−λx .
=⇒ F−1(u) = − 1
λln(1− u)
Soit Ud= U([0, 1]). Alors − 1
λln(U)
d= X .
I Simulation : On simule (Uk)k≥0 i.i.d. de loi uniforme sur [0, 1] eton pose
Xk = − 1
λln(Uk).
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
v.a. ne prenant qu’un nombre fini de valeurs
(xi )1≤i≤N distincts
X : Ω→ x1, . . . , xN de loipk = P(X = xk).
L’inverse continue a gauche de la fonction de repartition de X est
∀u ∈ (0, 1), F−1g (u) =
N∑k=1
xk 1p1+···+pk−1<u≤p1+···+pk.
Donc
Xd=
N∑k=1
xk 1p1+···+pk−1<U≤p1+···+pk, Ud= U([0, 1]).
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
v.a. ne prenant qu’un nombre fini de valeurs
(xi )1≤i≤N distincts X : Ω→ x1, . . . , xN de loipk = P(X = xk).
L’inverse continue a gauche de la fonction de repartition de X est
∀u ∈ (0, 1), F−1g (u) =
N∑k=1
xk 1p1+···+pk−1<u≤p1+···+pk.
Donc
Xd=
N∑k=1
xk 1p1+···+pk−1<U≤p1+···+pk, Ud= U([0, 1]).
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
v.a. ne prenant qu’un nombre fini de valeurs
(xi )1≤i≤N distincts X : Ω→ x1, . . . , xN de loipk = P(X = xk).
L’inverse continue a gauche de la fonction de repartition de X est
∀u ∈ (0, 1), F−1g (u) =
N∑k=1
xk 1p1+···+pk−1<u≤p1+···+pk.
Donc
Xd=
N∑k=1
xk 1p1+···+pk−1<U≤p1+···+pk, Ud= U([0, 1]).
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Melanges de v.a.
Melange discret : Y : Ω→ N et X de densite conditionnelle fnsachant Y = n, c.-a-d. de densite
f (x) =+∞∑n=1
P(Y = n)fn(x)
Melange continu : Y : Ω→ R de densite g et X de densiteconditionnelle sachant Y , f (·,Y ), c.-a-d. de densite
f (x) =
∫f (x , y)g(y)dy
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Tri de v.a.
U1, . . . ,Un, n v.a. i.i.d. de loi uniforme sur [0, 1].
On trie les tirages :
U(1) ≤ U(2) ≤ · · · ≤ U(n), c.-a-d. U(k) = ke plus petit.
Theoreme
Le n-uplet (U(1), . . . ,U(n)) est uniformement reparti dans0 < x1 < · · · < xn.La v.a. U(k) a pour densite
n!
(k − 1)!(n − k)!xk(1− x)n−k , x ∈ [0, 1].
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Tri de v.a.
U1, . . . ,Un, n v.a. i.i.d. de loi uniforme sur [0, 1].
On trie les tirages :
U(1) ≤ U(2) ≤ · · · ≤ U(n), c.-a-d. U(k) = ke plus petit.
Theoreme
Le n-uplet (U(1), . . . ,U(n)) est uniformement reparti dans0 < x1 < · · · < xn.La v.a. U(k) a pour densite
n!
(k − 1)!(n − k)!xk(1− x)n−k , x ∈ [0, 1].
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Plan1 Introduction
Necessite des simulations
Nombres aleatoires
Conclusions
2 Simulation de la loi uniforme sur (0,1)
Le theoreme de representation de Skorohod
Definition mathematique
Generateurs congruentiels
3 Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applications
Methodes de rejet
Methode de Box-MullerProbabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Une densite simulable, l’autre pas
Soit f et g deux densites de probabilites (par rapport a la mesurede Lebesgue λ) sur Rd telles que g > 0 λ-p.s. et pour lesquelles ilexiste un reel c > 0 tel que
∀x ∈ Rd , f (x) ≤ c g(x).
On souhaite simuler X de densite f et on fait les hypotheses desimulation suivantes :
on sait simuler une suite i.i.d. de vecteurs aleatoires Ykk≥1
de loi g(y)λ et
on sait calculer f et g ,
a un cout raisonnable.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Un lemme de Von Neumann
Lemme (Von Neumann, 1951)
Soit (Un,Yn)n≥1 une suite de v.a. i.i.d. de lois λ⊗ PY definie sur(Ω,A,P) ou PY (dy) = g(y)dy. Posons
τ = mink ≥ 1 | cUkg(Yk) ≤ f (Yk).
Alors, τ suit une loi geometrique G ?(p) de parametrep = PcU1g(Y1) ≤ f (Y1) = 1
c et
Xd= Yτ .
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Simulation
Corollaire
On definit par recurrence pour tout n ≥ 1 les v.a. a valeurs entieressuivantes :
τ1 = mink ≥ 1 | cUkg(Yk) ≤ f (Yk),
puisτn+1 = mink ≥ τn + 1 | cUkg(Yk) ≤ f (Yk).
Alors la suite (τn − τn−1)n≥1 est i.i.d. (par convention τ0 = 0) deloi commune G ?(p) et la suite
Xn = Yτn est i.i.d. de loi PX .
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Applications
Loi uniforme sur des domaines bornes D ⊂ Rd :
D ⊂ [−M,M]d , Yd= U([−M,M]d) et τ = minn | Yn ∈ D.
AlorsYτ
d= U(D).
Appliquer le lemme precedent a g(x) = (2M)−d1[−M,M]d (x)
et f (x) = 1λ(D)1D(x).
Loi normale sur R. (cf. exercices)
Loi γ(α), α > 0.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Applications
Loi uniforme sur des domaines bornes D ⊂ Rd :D ⊂ [−M,M]d , Y
d= U([−M,M]d) et τ = minn | Yn ∈ D.
AlorsYτ
d= U(D).
Appliquer le lemme precedent a g(x) = (2M)−d1[−M,M]d (x)
et f (x) = 1λ(D)1D(x).
Loi normale sur R. (cf. exercices)
Loi γ(α), α > 0.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
SImulation de la loi γ(α)
X : Ω→ [0,+∞[ de loi PX (dx) = fα(x)λ(dx) ou
fα(x) =1
Γ(α)xα−1 exp(−x)1[0,+∞[(x).
I 0 < α < 1 : methode de rejet
fα(x) ≤ α + e
αeΓ(α)gα(x), gα(x) =
αe
α + e
(xα−11(0,1)(x) + exp(−x)1[1,+∞[(x)
)I α = n ∈ N :
Xd= γ(α), X ′
d= γ(α′) =⇒ X + X ′
d= γ(α) + γ(α′)
γ(1) = E(1)
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
SImulation de la loi γ(α)
X : Ω→ [0,+∞[ de loi PX (dx) = fα(x)λ(dx) ou
fα(x) =1
Γ(α)xα−1 exp(−x)1[0,+∞[(x).
I 0 < α < 1 : methode de rejet
fα(x) ≤ α + e
αeΓ(α)gα(x), gα(x) =
αe
α + e
(xα−11(0,1)(x) + exp(−x)1[1,+∞[(x)
)I α = n ∈ N :
Xd= γ(α), X ′
d= γ(α′) =⇒ X + X ′
d= γ(α) + γ(α′)
γ(1) = E(1)
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Plan1 Introduction
Necessite des simulations
Nombres aleatoires
Conclusions
2 Simulation de la loi uniforme sur (0,1)
Le theoreme de representation de Skorohod
Definition mathematique
Generateurs congruentiels
3 Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applications
Methodes de rejet
Methode de Box-MullerProbabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Un changement de variable en polaire
Soit Rd= E( 1
2) ⊥⊥ Θ
d= U([0, 2π]).
On pose X =√
R cos(Θ), Y =√
R sin(Θ) et f , g fonctions boreliennes sur R :
E f (X )g(Y ) =
Z +∞
0
dx
2exp
“−x
2
”Z 2π
0
dθ
2πf (√
x cos(θ))g(√
x sin(θ)),
=
Z +∞
0
r dr exp
„− r 2
2
«Z 2π
0
dθ
2πf (r cos(θ))g(r sin(θ)),
=
ZR2
dx ′dy ′
2πf (x ′)g(y ′) exp(−(x ′
2+ y ′
2)/2),
La derniere egalite se factorise en
E f (X )g(Y ) =
„ZR
dx ′√2π
exp(−x ′2/2)f (x ′)
«„ZR
dy ′√2π
exp(−y ′2/2)g(y ′)
«= E f (X ′)g(Y ′), ou X ′, Y ′
d= N (0, 1).
En appliquant cette derniere relation a f = 1 puis g = 1, on en deduit dans unpremier temps que X et Y suivent des lois normales et dans un deuxiemetemps qu’elles sont independantes.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Un changement de variable en polaire
Soit Rd= E( 1
2) ⊥⊥ Θ
d= U([0, 2π]).
On pose X =√
R cos(Θ), Y =√
R sin(Θ) et f , g fonctions boreliennes sur R :
E f (X )g(Y ) =
Z +∞
0
dx
2exp
“−x
2
”Z 2π
0
dθ
2πf (√
x cos(θ))g(√
x sin(θ)),
=
Z +∞
0
r dr exp
„− r 2
2
«Z 2π
0
dθ
2πf (r cos(θ))g(r sin(θ)),
=
ZR2
dx ′dy ′
2πf (x ′)g(y ′) exp(−(x ′
2+ y ′
2)/2),
La derniere egalite se factorise en
E f (X )g(Y ) =
„ZR
dx ′√2π
exp(−x ′2/2)f (x ′)
«„ZR
dy ′√2π
exp(−y ′2/2)g(y ′)
«= E f (X ′)g(Y ′), ou X ′, Y ′
d= N (0, 1).
En appliquant cette derniere relation a f = 1 puis g = 1, on en deduit dans unpremier temps que X et Y suivent des lois normales et dans un deuxiemetemps qu’elles sont independantes.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Un changement de variable en polaire
Soit Rd= E( 1
2) ⊥⊥ Θ
d= U([0, 2π]).
On pose X =√
R cos(Θ), Y =√
R sin(Θ) et f , g fonctions boreliennes sur R :
E f (X )g(Y ) =
Z +∞
0
dx
2exp
“−x
2
”Z 2π
0
dθ
2πf (√
x cos(θ))g(√
x sin(θ)),
=
Z +∞
0
r dr exp
„− r 2
2
«Z 2π
0
dθ
2πf (r cos(θ))g(r sin(θ)),
=
ZR2
dx ′dy ′
2πf (x ′)g(y ′) exp(−(x ′
2+ y ′
2)/2),
La derniere egalite se factorise en
E f (X )g(Y ) =
„ZR
dx ′√2π
exp(−x ′2/2)f (x ′)
«„ZR
dy ′√2π
exp(−y ′2/2)g(y ′)
«= E f (X ′)g(Y ′), ou X ′, Y ′
d= N (0, 1).
En appliquant cette derniere relation a f = 1 puis g = 1, on en deduit dans unpremier temps que X et Y suivent des lois normales et dans un deuxiemetemps qu’elles sont independantes.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Un changement de variable en polaire
Soit Rd= E( 1
2) ⊥⊥ Θ
d= U([0, 2π]).
On pose X =√
R cos(Θ), Y =√
R sin(Θ) et f , g fonctions boreliennes sur R :
E f (X )g(Y ) =
Z +∞
0
dx
2exp
“−x
2
”Z 2π
0
dθ
2πf (√
x cos(θ))g(√
x sin(θ)),
=
Z +∞
0
r dr exp
„− r 2
2
«Z 2π
0
dθ
2πf (r cos(θ))g(r sin(θ)),
=
ZR2
dx ′dy ′
2πf (x ′)g(y ′) exp(−(x ′
2+ y ′
2)/2),
La derniere egalite se factorise en
E f (X )g(Y ) =
„ZR
dx ′√2π
exp(−x ′2/2)f (x ′)
«„ZR
dy ′√2π
exp(−y ′2/2)g(y ′)
«= E f (X ′)g(Y ′), ou X ′, Y ′
d= N (0, 1).
En appliquant cette derniere relation a f = 1 puis g = 1, on en deduit dans unpremier temps que X et Y suivent des lois normales et dans un deuxiemetemps qu’elles sont independantes.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Un changement de variable en polaire
Soit Rd= E( 1
2) ⊥⊥ Θ
d= U([0, 2π]).
On pose X =√
R cos(Θ), Y =√
R sin(Θ) et f , g fonctions boreliennes sur R :
E f (X )g(Y ) =
Z +∞
0
dx
2exp
“−x
2
”Z 2π
0
dθ
2πf (√
x cos(θ))g(√
x sin(θ)),
=
Z +∞
0
r dr exp
„− r 2
2
«Z 2π
0
dθ
2πf (r cos(θ))g(r sin(θ)),
=
ZR2
dx ′dy ′
2πf (x ′)g(y ′) exp(−(x ′
2+ y ′
2)/2),
La derniere egalite se factorise en
E f (X )g(Y ) =
„ZR
dx ′√2π
exp(−x ′2/2)f (x ′)
«„ZR
dy ′√2π
exp(−y ′2/2)g(y ′)
«= E f (X ′)g(Y ′), ou X ′, Y ′
d= N (0, 1).
En appliquant cette derniere relation a f = 1 puis g = 1, on en deduit dans unpremier temps que X et Y suivent des lois normales et dans un deuxiemetemps qu’elles sont independantes.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Un changement de variable en polaire
Soit Rd= E( 1
2) ⊥⊥ Θ
d= U([0, 2π]).
On pose X =√
R cos(Θ), Y =√
R sin(Θ) et f , g fonctions boreliennes sur R :
E f (X )g(Y ) =
Z +∞
0
dx
2exp
“−x
2
”Z 2π
0
dθ
2πf (√
x cos(θ))g(√
x sin(θ)),
=
Z +∞
0
r dr exp
„− r 2
2
«Z 2π
0
dθ
2πf (r cos(θ))g(r sin(θ)),
=
ZR2
dx ′dy ′
2πf (x ′)g(y ′) exp(−(x ′
2+ y ′
2)/2),
La derniere egalite se factorise en
E f (X )g(Y ) =
„ZR
dx ′√2π
exp(−x ′2/2)f (x ′)
«„ZR
dy ′√2π
exp(−y ′2/2)g(y ′)
«= E f (X ′)g(Y ′), ou X ′, Y ′
d= N (0, 1).
En appliquant cette derniere relation a f = 1 puis g = 1, on en deduit dans unpremier temps que X et Y suivent des lois normales et dans un deuxiemetemps qu’elles sont independantes.
Probabilites Appliquees I – Simulation
IntroductionSimulation de la loi uniforme sur (0,1)
Simulation d’une v.a. de loi donnee
Operations sur les v.a. et premieres applicationsMethodes de rejetMethode de Box-Muller
Un changement de variable en polaire
Soit Rd= E( 1
2) ⊥⊥ Θ
d= U([0, 2π]).
On pose X =√
R cos(Θ), Y =√
R sin(Θ) et f , g fonctions boreliennes sur R :
E f (X )g(Y ) =
Z +∞
0
dx
2exp
“−x
2
”Z 2π
0
dθ
2πf (√
x cos(θ))g(√
x sin(θ)),
=
Z +∞
0
r dr exp
„− r 2
2
«Z 2π
0
dθ
2πf (r cos(θ))g(r sin(θ)),
=
ZR2
dx ′dy ′
2πf (x ′)g(y ′) exp(−(x ′
2+ y ′
2)/2),
La derniere egalite se factorise en
E f (X )g(Y ) =
„ZR
dx ′√2π
exp(−x ′2/2)f (x ′)
«„ZR
dy ′√2π
exp(−y ′2/2)g(y ′)
«= E f (X ′)g(Y ′), ou X ′, Y ′
d= N (0, 1).
En appliquant cette derniere relation a f = 1 puis g = 1, on en deduit dans unpremier temps que X et Y suivent des lois normales et dans un deuxiemetemps qu’elles sont independantes.
Probabilites Appliquees I – Simulation