Monte Carlo

Sorbonne Université
Master Mathématiques et Applications Année 2021/2022

M2 Statistique, M2 Apprentissage et Algorithmes Second Semestre
Méthodes Monte-Carlo
Arnaud Guyader
Table des matières
1 Génération de variables aléatoires 1

1.1 Variables uniformes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Méthode d’inversion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Méthode de rejet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Vecteurs aléatoires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.1 Conditionnement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.2 Changement de variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.3 Vecteurs gaussiens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.4.4 Copules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.6 Corrigés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2 Intégration Monte-Carlo 21
2.1 Généralités . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.1 Convergence et intervalles de confiance . . . . . . . . . . . . . . . . . . . . . 21
2.1.2 Quelques mots sur l’intégration numérique . . . . . . . . . . . . . . . . . . . 23
2.1.3 Le cadre bayésien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.4 Tests d’hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2 Réduction de variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2.1 Echantillonnage préférentiel . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.2 Conditionnement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.2.3 Stratification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2.4 Variables antithétiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3 Méthodes Quasi-Monte-Carlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.4 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.5 Corrigés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3 Monte-Carlo par Chaînes de Markov 47

3.1 Rappels sur les chaînes de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2 Algorithme de Metropolis-Hastings . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3.2.1 Algorithme de Metropolis . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.2 Généralisation : méthode de Metropolis-Hastings . . . . . . . . . . . . . . . 56
3.3 Le recuit simulé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.3.1 Principe et convergence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.3.2 Un mot sur les algorithmes génétiques . . . . . . . . . . . . . . . . . . . . . 64
3.4 Espace d’états général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.4.1 Noyaux de transition et chaînes de Markov . . . . . . . . . . . . . . . . . . 65
3.4.2 Algorithme de Metropolis-Hastings . . . . . . . . . . . . . . . . . . . . . . . 67
3.4.3 Echantillonneur de Gibbs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
i
ii Table des matières
3.6 Corrigés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Arnaud Guyader Méthodes Monte-Carlo

Chapitre 1
Génération de variables aléatoires
Introduction
Idéalement, une méthode Monte-Carlo repose sur la simulation d’une suite de variables aléatoires
(Xn )n≥1 indépendantes et identiquement distribuées (i.i.d.) selon une loi donnée. Ce chapitre
expose quelques méthodes pour y parvenir, au moins de façon approchée, en commençant par la
loi uniforme, sur laquelle toutes les autres sont basées.
1.1 Variables uniformes

Le but est de générer une suite de variables aléatoires (Un )n≥1 indépendantes et de loi uniforme
sur [0, 1]. Ceci est bien entendu impossible sur un ordinateur : d’abord parce que les nombres entre
0 et 1 sont en fait de la forme k/2p avec k ∈ {0, . . . , 2p − 1} ; ensuite parce que vérifier qu’une suite
(Un )n≥1 est bien i.i.d. est une question très délicate. C’est essentiellement l’objet de la théorie de
la complexité de Kolmogorov (voir par exemple [6], Chapitre 7, pour une introduction à ce sujet).
En pratique, les logiciels se basent sur une suite dite pseudo-aléatoire qui a la forme Xn+1 = f (Xn )
avec Xn à valeurs dans un ensemble fini, typiquement de taille beaucoup plus grande que 2p .
L’objectif est alors d’en déduire une suite (Un ) qui ressemble autant que possible à une suite i.i.d.
uniforme sur {0, . . . , 2p − 1}. La fonction f étant déterministe, il est clair qu’un tel générateur est
périodique. Il existe de nombreuses méthodes pour générer de telles suites et nous ne détaillerons
pas ce sujet, nous contentant de mentionner celle utilisée par défaut sous Python, R et Matlab, à
savoir le Mersenne Twister MT-19937 :
Xn+1 = AXn (mod 2)
où Xn est un vecteur de 19937 bits et A une matrice bien choisie. La variable pseudo-aléatoire Un
correspond alors aux 32 derniers bits de Xn . Proposé par Matsumoto et Nishimura en 1998 [23],
ce générateur a une période de longueur 219937 − 1 (i.e. le maximum possible vu la taille de Xn et
le fait que 0 est un point fixe), lequel est un nombre premier de Mersenne.
Notons aussi que si, pour une raison ou une autre, on veut changer de générateur sous R, il suffit
de le spécifier avant l’appel à runif via la fonction RNGkind. En voici un exemple pour utiliser un
générateur proposé par L’Ecuyer :
> set.seed(123) # fixe la graine du générateur
> runif(1) # génération par Mersennne Twister
[1] 0.2875775
> RNGkind("L’Ecuyer-CMRG") # changement de générateur pseudo-aléatoire
> set.seed(123)
1
2 Chapitre 1. Génération de variables aléatoires
> runif(1)
[1] 0.1663742
> RNGkind("Mersenne-Twister") # retour au générateur par défaut
> set.seed(123)
> runif(1)
[1] 0.2875775
Remarque : Sur cet exemple, le fait de fixer la graine du générateur pseudo-aléatoire par la
commande set.seed a simplement permis de vérifier les changements de générateurs. De façon
plus générale, cette commande en début de programme peut s’avérer très utile puisqu’elle permet
de refaire une simulation dans les mêmes conditions et, le cas échéant, de trouver une erreur dans
un code.
Dans tout ce cours, nous supposerons donc disposer d’un générateur pseudo-aléatoire “satisfaisant”
pour la loi uniforme. La suite de ce chapitre explique alors comment, partant de la loi uniforme,
il est possible de générer d’autres lois. Pour une référence très complète sur le sujet, on pourra
consulter le livre de Luc Devroye [8] en libre accès sur sa page.
1.2 Méthode d’inversion

Cette méthode part d’une propriété élémentaire, souvent vue en Licence dans un premier cours de
probabilités. Dit rapidement, soit F une fonction de répartition bijective, alors si U suit une loi
uniforme sur [0, 1], la variable aléatoire X = F −1 (U ) a pour fonction de répartition F . En effet,
pour tout réel x,
P(X ≤ x) = P(F −1 (U ) ≤ x) = P(U ≤ F (x)) = F (x),
où l’on a appliqué respectivement l’aspect bijectif de F , sa croissance et la forme spécifique de la
fonction de répartition de la loi uniforme.
Pour ce qui nous concerne, l’intérêt de ce résultat est clair : pour peu que F soit facilement
inversible, alors pour générer une variable aléatoire de loi 1 F , il suffit de générer une variable
uniforme U et de lui appliquer F −1 . On peut en fait généraliser ceci à des fonctions de répartition
non bijectives.
Définition 1 (Inverse généralisée)
Soit X une variable aléatoire de fonction de répartition F . On appelle inverse généralisée de F ,
ou fonction quantile de X, la fonction F −1 définie pour tout u ∈]0, 1[ par
F −1 (u) = inf{x ∈ R : F (x) ≥ u}.
Rappel. Le réel q1/2 := F −1 (1/2) est appelé la médiane de F . De façon générale, lorsque 0 < α < 1,
q1−α := F −1 (1 − α) est appelé quantile d’ordre (1 − α) de F . On le rencontre constamment dans
les tests d’hypothèses, le plus fameux d’entre eux étant celui associé aux intervalles de confiance à
95% de la loi gaussienne centrée réduite : q0.975 := Φ−1 (0.975) = 1.96 . . . ≈ 2, où Φ est la fonction
de répartition de la loi N (0, 1).
Si F est inversible, il est clair que cette fonction quantile correspond bien à l’inverse classique
de F . A contrario, considérons une variable aléatoire X discrète à valeurs dans l’ensemble fini
{x1 < · · · < xm } avec probabilités (p1 , . . . , pm ). Il est facile de vérifier que pour tout u ∈]0, 1[,


 x1 si 0 < u ≤ p1

 x2 si p1 < u ≤ p1 + p2
F −1 (u) = ..

 .


xm si p1 + · · · + pm−1 < u ≤ 1
1. Rappelons que la fonction de répartition caractérise la loi.

1.2. Méthode d’inversion 3
c’est-à-dire
m
X
F −1 (u) = xk 1p1 +···+pk−1 <u≤p1+···+pk . (1.1)
k=1
Si l’ensemble des valeurs prises par la variable discrète X n’est pas fini, il suffit de remplacer
cette somme par une série. Quoi qu’il en soit, outre que, tout comme F , cette fonction quantile est
croissante et en escalier, on notera que, contrairement à F , elle est continue à gauche. Ces propriétés
sont en fait vraies de façon générale. Venons-en maintenant aux résultats utiles en simulation.
Proposition 1 (Méthode d’inversion)

Soit U une variable uniforme sur [0, 1], F une fonction de répartition et F −1 son inverse généra-
lisée. Alors :
1. la variable aléatoire X = F −1 (U ) a pour fonction de répartition F .
2. si X a pour fonction de répartition F et si F est continue, alors la variable aléatoire F (X)
est de loi uniforme sur [0, 1].
Remarque : c’est le premier point qui porte le nom de méthode d’inversion. Le second point nous
sera utile lorsque nous aborderons la théorie des copules en Section 1.4.4.
Preuve. Soit X = F −1 (U ) et x réel fixé. Montrons que pour tout u ∈]0, 1], on a
F −1 (u) ≤ x ⇐⇒ u ≤ F (x). (1.2)
Par définition de F −1 (u), si u ≤ F (x), alors F −1 (u) ≤ x. Inversement, si F −1 (u) ≤ x, alors pour
tout ε > 0 on a F −1 (u) < x + ε, donc par définition de F −1 (u) et par croissance de F , il vient
u ≤ F (x + ε). Puisque F est continue à droite, on en déduit que u ≤ F (x) et l’équivalence (1.2)
est établie. Dès lors, la fonction de répartition de X se calcule facilement :
P(X ≤ x) = P(F −1 (U ) ≤ x) = P(U ≤ F (x)) = F (x),
la dernière égalité venant de ce que, pour tout u ∈ [0, 1], P(U ≤ u) = u. Le premier point est donc
prouvé. On l’applique pour le second : la variable Y = F −1 (U ) a même loi que X, donc la variable
F (X) a même loi que F (Y ) = (F ◦ F −1 )(U ). Or, d’après (1.2), pour tout u ∈]0, 1], on a
F −1 (u) ≤ F −1 (u) =⇒ u ≤ (F ◦ F −1 )(u).
Réciproquement, pour tout u ∈]0, 1] et pour tout ε > 0, on a, toujours par (1.2),
F −1 (u) − ε < F −1 (u) =⇒ F (F −1 (u) − ε) < u.
Etant donné que u ∈]0, 1] et que F est supposée continue en F −1 (u) > 0, le passage à la limite
lorsque ε → 0 donne (F ◦ F −1 )(u) ≤ u. Au total, on a donc prouvé que, pour tout u ∈]0, 1],
(F ◦ F −1 )(u) = u. En revenant aux variables aléatoires, ceci donne F (Y ) = (F ◦ F −1 )(U ) = U
presque sûrement.

Exemples :
1. Concernant la seconde propriété, si X suit une loi de Bernoulli de paramètre 1/2, la variable
F (X) prend les valeurs 1/2 et 1 de façon équiprobable, donc n’est pas uniforme. De façon
générale, dès lors que la loi de X présente un atome, par exemple en x0 , sa fonction de
répartition F ne prend aucune des valeurs dans l’intervalle ]F (x−
0 ), F (x0 )[, donc la variable
aléatoire F (X) non plus, donc elle ne peut correspondre à une variable uniforme.
Méthodes Monte-Carlo Arnaud Guyader

2. Loi exponentielle : Soit λ > 0, alors

1 L 1
X = − log(1 − U ) = − log U ∼ E(λ),
λ λ
loi exponentielle de paramètre λ, c’est-à-dire de densité f (x) = λe−λx 1x≥0 . Malgré sa sim-
plicité, les logiciels n’utilisent pas tous cette méthode, l’appel au logarithme étant coûteux.
3. Loi de Cauchy : si U ∼ U[0,1] , alors X = tan(π(U − 1/2)) suit une loi de Cauchy.
4. Loi discrète : on reprend l’exemple de la loi discrète ci-dessus. D’après la formule (1.1), il
suffit dont de tirer une variable U uniforme et de regarder dans quel intervalle de la forme
(p1 + · · · + pk−1 ; p1 + · · · + pk ] elle tombe. Noter que ceci se fait en testant successivement si
U > p1 , puis si U > p1 + p2 , etc. Dès lors, dans la mesure du possible, on aura tout intérêt
à ranger les pi de façon décroissante pour gagner du temps.
5. Supposons qu’on veuille simuler le résultat d’un dé équilibré : la méthode précédente s’ap-
plique, mais on aura plus vite fait de considérer X = ⌈6U ⌉, où ⌈·⌉ désigne la partie entière
par excès, ce qui en R donne X <- ceiling(6*runif(1)).
Bien entendu, la méthode d’inversion requiert la connaissance et le calcul rapide de F −1 (u). Ceci
n’est pas toujours envisageable : il suffit de penser à la loi normale centrée réduite, de fonction de
répartition Z x
1 t2
Φ(x) = √ e− 2 dt
−∞ 2π
et dont l’inverse n’admet pas d’expression analytique simple.
Dans ce cas, la méthode de rejet, détaillée en section suivante, peut représenter une alternative
judicieuse. La méthode ziggourat est un exemple d’application de la méthode de rejet permettant
de simuler la loi normale, ou encore la loi exponentielle sans faire appel à la fonction logarithme.
1.3 Méthode de rejet

Le contexte est le suivant : on veut simuler une variable aléatoire X de densité f , mais f est trop
compliquée pour que ceci puisse se faire directement. On dispose par contre d’une densité auxiliaire
g telle que :
(a) on sait simuler Y de densité g ;
(b) il existe une constante m telle que, pour tout y, f (y) ≤ mg(y) ;
(c) pour tout y, on sait calculer le rapport f (y)/(mg(y)).
Considérons alors deux suites indépendantes de variables aléatoires :

(a) (Yn )n≥1 i.i.d. de densité g ;
(b) (Un )n≥1 i.i.d. de loi uniforme sur [0, 1].
Concrètement, Y correspond à une proposition et U à un tirage pile ou face pour décider si on

accepte ou non cette proposition. Nous noterons r la fonction rapport d’acceptation pour le pile
ou face, à savoir : r(y) = f (y)/(mg(y)) si g(y) > 0, r(y) = 0 sinon. Par ailleurs, f et g étant des
densités, la constante m intervenant dans la majoration est bien entendu supérieure à 1 :
Z Z Z
1= f (x)dx ≤ mg(x)dx = m g(x)dx = m.
R R R
Ceci étant acquis, le résultat suivant montre comment simuler suivant la densité f voulue.

1.3. Méthode de rejet 5
Proposition 2 (Algorithme de rejet)

Soit N = inf{n ≥ 1, Un ≤ r(Yn )} le premier instant où le tirage est accepté, alors N suit une loi
géométrique de paramètre 1/m. En particulier N est presque sûrement fini donc la variable aléatoire
X = YN est bien définie presque sûrement. Alors X a pour densité f . De plus, les variables N et
X sont indépendantes.
Remarque : si p ∈]0, 1[, nous disons que N suit une loi géométrique de paramètre p si N est à
valeurs dans N⋆ , avec pour tout n ∈ N⋆ : P(N = n) = p(1 − p)n−1 , ce qui équivaut à dire que
P(N > n) = (1 − p)n . L’autre convention, qui est par exemple celle de R pour la fonction rgeom,
consiste à considérer N à valeurs dans N, avec pour tout n ∈ N : P(N = n) = p(1 − p)n . La seconde
variable se déduit tout simplement de la première en enlevant 1.
Preuve. Commençons par montrer que N est p.s. finie. A priori, N est à valeurs dans N⋆ ∪ {+∞}.
Pour tout n ∈ N⋆ , le fait que les couples (Yi , Ui ) sont i.i.d. permet d’écrire
P(N > n) = P(U1 > r(Y1 ), . . . , Un > r(Yn )) = P(U1 > r(Y1 ))n .
Les variables Y1 et U1 étant indépendantes, leur loi jointe est le produit des marginales, ce qui
donne par Fubini-Tonelli
Z Z 1
P(U1 > r(Y1 )) = E[1U1 >r(Y1 ) ] = 1u>r(y) du g(y)dy,
R 0
d’où, g et f étant des densités,

Z Z
1
P (U1 > r(Y1 )) = (1 − r(y))g(y)dy = 1 − r(y)g(y)dy = 1 − ,
R R m
donc
1 n
P(N > n) = 1 − ,
m
ce qui montre que N suit une loi géométrique de paramètre 1/m et en particulier que cette variable
est p.s. finie. La variable X = YN est donc p.s. bien définie. Notons maintenant F la fonction de
répartition associée à la densité f . On a alors
P(X ≤ x, N = n) = P(U1 > r(Y1 ), . . . , Un−1 > r(Yn−1 ), Un ≤ r(Yn ), Yn ≤ x).
Puisque les n tirages sont i.i.d., ceci s’écrit encore
P(X ≤ x, N = n) = (P(U1 > r(Y1 ))n−1 P(Un ≤ r(Yn ), Yn ≤ x).
Pour le premier terme, ce qui précède donne

n−1
n−1 1
(P(U1 > r(Y1 )) = 1− .
m
Pour le second, un raisonnement comparable donne

Z Z 1
P(Un ≤ r(Yn ), Yn ≤ x) = E[1Un ≤r(Yn ) 1Yn ≤x ] = 1u≤r(y) du 1y≤x g(y)dy,
R 0
c’est-à-dire
Z Z x Z x
1 F (y)
P(Un ≤ r(Yn ), Yn ≤ x) = 1y≤x r(y)g(y)dy = r(y)g(y)dy = f (y)dy = .
R −∞ m −∞ m

Au total, on a obtenu
n−1
1 F (x)
P(X ≤ x, N = n) = 1− × .
m m
Par sigma-additivité, il vient
∞
X ∞
F (x) X 1 n−1
P(X ≤ x) = P(X ≤ x, N = n) = 1− = F (x),
m m
n=1 n=1
ce qui prouve que X a bien la loi voulue. Enfin, le fait que P(X ≤ x, N = n) = P(X ≤ x)P(N = n)
montre bien l’indépendance des variables X et N .

Remarque : la variable N étant géométrique de paramètre 1/m, elle a pour moyenne m. Par
conséquent, il faut faire en moyenne m essais pour obtenir une seule simulation selon la loi cible
f . Dès lors, il s’agira de choisir le couple (g, m) de sorte que m soit aussi proche de 1 que possible.
En d’autres termes, on a tout intérêt à choisir une densité g qui ressemble le plus possible à f .
Exemple jouet. On veut simuler X de densité f (x) = 3x2 sur [0, 1]. Puisque f (x) ≤ 3, on peut
choisir pour g la loi uniforme sur [0, 1] et prendre m = 3, ce qui donne pour le rapport d’acceptation
f (y)
r(y) = = y2.
mg(y)
L’algorithme est alors le suivant : on simule un couple (Y1 , U1 ) de variables uniformes indépen-
dantes : si U1 ≤ Y12 , on pose X = Y1 , sinon on recommence. Le nombre moyen d’essais pour
obtenir une réalisation de X est donc égal à 3. Cet exemple est “jouet” en ce sens que, dans ce cas
particulier, il vaut mieux appliquer la méthode d’inversion : un calcul immédiat montre en effet
que si U est uniforme sur [0, 1], la variable X = U 1/3 a pour densité f .
La preuve de la Proposition 2 est identique si au lieu de calculer la probabilité P(X ≤ x, N = n),
on étudie P(X ∈ A, N = n) pour A borélien quelconque de R. L’intérêt est que cette version
s’adapte directement en dimension supérieure. Autrement dit, la méthode de rejet reste valable si
f et g sont des densités sur Rd . De façon générale, pour pouvoir appliquer la méthode de rejet, il
suffit que la loi de X soit absolument continue par rapport à celle de Y . Voyons un cas particulier
d’application.
Exemple : simulation d’une loi conditionnelle. Soit B un ensemble (borélien) contenu dans
le carré [0, 1] × [0, 1] de R2 . Supposons qu’on veuille simuler des points uniformément dans B mais
que, pour tout point x du plan, on ne dispose que d’une fonction boîte noire nous disant si, oui
ou non, x est dans B (ce n’est rien d’autre que l’indicatrice de B). L’algorithme de simulation est
alors naturel : il suffit de générer des points Yn uniformément dans [0, 1] × [0, 1] jusqu’à l’instant
aléatoire N où l’on tombe dans B. Par le résultat précédent, la variable X = YN est alors uniforme
sur B. En effet, dans ce contexte, en notant λ(B) la mesure de Lebesgue de B (i.e. sa surface) et
C = [0, 1] × [0, 1], on a, avec des notations évidentes,
1B (x, y) 1
f (x, y) = et g(x, y) = 1C (x, y) =⇒ m = et r(x, y) = 1B (x, y).
λ(B) λ(B)
Le point remarquable de cet exemple est que la constante m est inconnue !

Généralisation. l’idée sous-jacente à l’exemple précédent est généralisable : supposons que f (x) =
c1 fu (x) où c1 est une constante de normalisation inconnue et fu est calculable en tout point (le "u"
signifiant "unnormalized"). Cette situation est récurrente en statistique bayésienne et en physique
statistique. On suppose qu’il existe une densité g facilement simulable, calculable en tout point

1.4. Vecteurs aléatoires 7
et vérifiant fu (x) ≤ c2 g(x) avec c2 connue. Alors il suffit de prendre m = c1 c2 : la méthode de

rejet s’applique et ne nécessite nullement la connaissance de c1 puisque r(y) = f (y)/(mg(y)) =
fu (x)/(c2 g(y), que l’on sait calculer. Ceci est un grand classique de certaines méthodes Monte-Carlo
et on le recroisera par exemple dans l’algorithme de Metropolis-Hastings.
1.4 Vecteurs aléatoires

Puisqu’il n’existe pas de méthode universelle pour simuler une variable aléatoire de loi donnée,
il en va de même pour les vecteurs aléatoires. Nous nous contentons donc de donner ici quelques
pistes.
1.4.1 Conditionnement
Supposons que l’on veuille simuler un couple aléatoire (X, Y ). Si les deux coordonnées sont indé-
pendantes, on est ramené à ce qui précède puisqu’il suffit de simuler X et Y indépendamment.
Si tel n’est pas le cas, on peut éventuellement s’en sortir si, par exemple, X est facilement simulable
et si la loi de Y sachant X l’est aussi : il suffit de simuler x selon L(X) puis y selon la loi
conditionnelle L(Y |X = x). Dans le cas de variables à densité, ceci est tout simplement basé sur
le fait que f (x, y) = f (x) × f (y|x).
Exemple. On considère la densité
f (x, y) = xe−xy 10<x<1 1y>0 .
Il est facile de voir que X suit une loi uniforme sur [0, 1] et que, sachant X = x, Y suit une loi
exponentielle de paramètre x. La simulation du couple (X, Y ) est donc triviale.
1.4.2 Changement de variables

La formule de changement de variables dans les intégrales doubles permet de déterminer la densité
d’un couple aléatoire (U, V ) à partir de celle d’un couple aléatoire (X, Y ) lorsque ceux-ci sont en
bijection.
Théorème 1 (Changement de variables)

Soit (X, Y ) un couple aléatoire de densité fX,Y portée par l’ouvert A et soit ϕ : A → B un
C 1 -difféomorphisme, alors le couple aléatoire (U, V ) = ϕ(X, Y ) admet pour densité
fU,V (u, v) = fX,Y (ϕ−1 (u, v))| det Jϕ−1 (u, v)|1B (u, v).
Ce résultat se retrouve par la méthode de la fonction muette : on cherche fU,V (u, v) telle que pour
toute fonction continue bornée h : R2 → R, on ait
ZZ
E[h(U, V )] = h(u, v)fU,V (u, v)dudv.
R2
Or, par le Théorème de Transfert,

ZZ ZZ
E[h(U, V )] = E[h(ϕ(X, Y ))] = h(ϕ(x, y))fX,Y (x, y)dxdy = h(ϕ(x, y))fX,Y (x, y)dxdy.
R2 A
Il ne reste plus qu’à appliquer la formule de changement de variable vue en cours d’analyse en
considérant
(u, v) = ϕ(x, y) ⇐⇒ (x, y) = ϕ−1 (u, v),

ce qui donne
ZZ
E[h(U, V )] = h(u, v)fX,Y (ϕ−1 (u, v))| det Jϕ−1 (u, v)|dudv,
B
c’est-à-dire
ZZ
E[h(U, V )] = h(u, v)fX,Y (ϕ−1 (u, v))| det Jϕ−1 (u, v)|1B (u, v)dudv.
R2
Rappelons que Jϕ−1 (u, v) désigne la matrice jacobienne de l’application ϕ−1 au point (u, v) avec
formellement
∂x ∂x
Jϕ−1 (u, v) = ∂u
∂y
∂v
∂y (u, v).
∂u ∂v
Exemple. Un changement de variables classiques est celui en coordonnées polaires ϕ : R2 \

([0, +∞[×{0}) →]0, +∞[×]0, 2π[ avec
(x, y) = ϕ−1 (r, θ) = (r cos θ, r sin θ),
donc |Jϕ−1 (r, θ)| = r. Par conséquent, si le couple (X, Y ) a pour densité fX,Y alors le couple
(R, Θ) = ϕ(X, Y ) a pour densité
fR,Θ (r, θ) = fX,Y (r cos θ, r sin θ)r1]0,+∞[(r)1]0,2π[ (θ).
Application : algorithme de Box-Muller. D’après ce qui vient d’être vu, si (X, Y ) est un
couple de variables gaussiennes centrées réduites indépendantes, alors les coordonnées polaires
(R, Θ) ont pour densité
1
−r 2 /2 ]0,2π[ (θ)
fR,Θ (r, θ) = re 1]0,+∞[ (r) ,
2π
autrement dit elles sont indépendantes, l’angle Θ suit une loi uniforme sur ]0, 2π[ (isotropie) et la
distance à l’origine a pour densité (dite loi de Rayleigh)
2 /2
fR (r) = re−r 1]0,+∞[ (r).
Puisque R2 = X 2 + Y 2 , cette variable R est la racine carrée d’un khi-deux à deux degrés de liberté,
c’est-à-dire la racine carrée d’une loi exponentielle de paramètre 1/2. Or on a vu précédemment
que si U suit une loi uniforme sur [0, 1], alors −2 log U suit une loi exponentielle de paramètre
1/2. Réciproquement, soit (U, V ) un couple de variables i.i.d. de loi uniforme sur [0, 1]. Alors les
variables X et Y définies par
√
X = √ −2 log U × cos(2πV )
Y = −2 log U × sin(2πV )
sont i.i.d. gaussiennes centrées réduites. C’est l’algorithme de Box-Muller.
Remarque. La méthode de Box-Muller semble parfaite pour générer des variables gaussiennes. En
fait, elle n’est pas utilisée en pratique en raison de l’appel à des fonctions coûteuses en temps de cal-
cul (logarithme, cosinus et sinus). Comme mentionnée précédemment, la génération de gaussiennes
est souvent plutôt basée sur une technique de rejet sophistiquée (méthode de ziggourat).

3
2
2
1
1
z
Y
0
0
−3 −2 −1
−3 −2 −1
y x
−3 −1 1 2 3 −4 −2 0 2
X
Figure 1.1 – Densité, lignes de niveaux et échantillon de la loi normale standard.
1.4.3 Vecteurs gaussiens

Rappelons que si X = [X1 , . . . , Xd ]′ est un vecteur aléatoire dont les composantes admettent toutes
des moments d’ordre 2, l’espérance du vecteur X est définie par E[X] = [E[X1 ], . . . , E[Xd ]]′ et sa
matrice de covariance (ou de dispersion) Γ est la matrice d × d symétrique semi-définie positive de
terme générique
Γi,j = Cov(Xi , Xj ) = E[(Xi − E[Xi ])(Xj − E[Xj ])] = E[Xi Xj ] − E[Xi ]E[Xj ].
Par ailleurs, si A est une matrice d0 × d et b un vecteur de taille d0 , tous deux déterministes,
le vecteur aléatoire Y = AX + b admet pour espérance E[Y ] = AE[X] + b et pour matrice de
covariance ΓY = AΓA′ .
D’autre part, un vecteur X = [X1 , · · · , Xd ]′ est dit gaussien si toute combinaison linéaire de ses
variables est gaussienne, c’est-à-dire si pour tout d-uplet de coefficients (α1 , . . . , αd ), la variable
α1 X1 + · · · + αd Xd est gaussienne.
Du point de vue de la simulation, les vecteurs gaussiens ont un double intérêt : d’une part, ils sont
complètement caractérisés par moyenne et dispersion, d’autre part ils sont stables par transforma-
tion affine. C’est ce que résume le résultat suivant.
Proposition 3 (Transformation affine d’un vecteur gaussien)

Soit X ∼ N (m, Γ) un vecteur gaussien de dimension d, A une matrice d0 × d et b un vecteur de
taille d0 , tous deux déterministes, alors le vecteur aléatoire Y = AX + b est gaussien, avec plus
précisément :
Y ∼ N (Am + b, AΓA′ ).
Supposons maintenant qu’on veuille simuler un vecteur aléatoire gaussien X ∼ N (m, Γ) dans Rd ,
m et Γ étant donnés. Soit R une racine carrée de Γ, c’est-à-dire une matrice d×d vérifiant Γ = RR′ .
La matrice Γ étant semi-définie positive, elle se diagonalise en base orthonormée, c’est-à-dire sous
la forme Γ = P ∆P ′ avec P ′ = P −1 et Γ = diag(λ1 , . . . , λd ), les valeurs propres λi étant toutes
positives ou nulles. Il suffit donc de prendre
√ √ p p
R=P ∆ avec ∆ = diag( λ1 , . . . , λd ). (1.3)
Si Γ est définie positive, on peut aller plus vite via la méthode de Choleski, qui fournit une matrice
R triangulaire inférieure vérifiant cette propriété. Bref, une racine carrée étant obtenue, il suffit de

partir d’un vecteur gaussien centré réduit, donc facile à simuler, pour arriver à nos fins. En effet,
en vertu de la proposition précédente,
X0 ∼ N (0, Id ) =⇒ X = RX0 + m ∼ N (m, Γ),
et l’affaire est dans le sac.
Exemple. Sous R, le calcul d’une racine carrée est effectué comme expliqué en (1.3) et la génération
de vecteurs gaussiens se fait très simplement par l’appel préalable à la librairie MASS :
> library(MASS)
> mvrnorm(1000,m,Gamma)
génère 1000 vecteurs
gaussiens de moyenne
m et de matrice de dispersion Γ. Ceci est illustré Figure
2 1 1
1.2 pour m = et Γ = . Voir aussi l’exercice 1.12.
1 1 4
−5
0 2 4 6
Figure 1.2 – Echantillon de 1000 points suivant la loi N (m, Γ).
1.4.4 Copules
Tout ce qui suit est exposé en dimension 2, mais la généralisation en dimension supérieure se fait
sans problème. Pour des compléments sur toute cette section, on pourra se reporter à [26] ou au
Chapitre 5 de [24]. Pour un couple aléatoire (X, Y ), l’idée des copules est de séparer la dépendance
entre les variables X et Y de leurs lois marginales.
On rappelle que la fonction de répartition d’un couple (X, Y ) est définie par :
∀(x, y) ∈ R × R F (x, y) = P(X ≤ x, Y ≤ y).
La définition d’une copule est liée à la fonction de répartition d’un couple dont les marginales sont
uniformes.
Définition 2 (Copule)
On dit qu’une fonction C : [0, 1]2 → [0, 1] est une copule si C est la fonction de répartition d’un
couple (U, V ) tel que U et V suivent chacune une loi uniforme sur [0, 1], autrement dit :
C(u, v) = P(U ≤ u, V ≤ v),
avec U ∼ U[0,1] et V ∼ U[0,1] .

En toute rigueur, C est plutôt la restriction à [0, 1]2 de la fonction de répartition du couple (U, V )
puisque cette dernière est définie sur R2 tout entier.
1.0
1.0
0.8
0.8
0.6
0.6
z
0.4
0.4
v
u
0.2
0.2
0.0
0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
Figure 1.3 – Copule indépendante c(u, v) = uv, lignes de niveaux et nuage de points
(Ui , Vi )1≤i≤500 .
Exemples : dans tout ce qui suit, on considère 0 ≤ u, v ≤ 1. Voir l’exercice 1.17 pour les repré-
sentations.
— copule comonotone : si U ∼ U[0,1] alors V = U ∼ U[0,1] et C(u, v) = min(u, v).
— copule anti-comonotone : si U ∼ U[0,1] alors V = 1−U ∼ U[0,1] et C(u, v) = max(u+v−1, 0).
— copule indépendante : si U ∼ U[0,1] et V ∼ U[0,1] , avec U et V indépendantes, alors C(u, v) =
uv (voir Figure 1.3).
Le fait qu’une copule permette de séparer la loi jointe des lois marginales est illustré par le résultat
suivant.
Théorème 2 (Théorème de Sklar (1959))

Soit (X, Y ) un couple aléatoire de fonction de répartition F , avec X de fonction de répartition FX
et Y de fonction de répartition FY . Alors il existe une copule C telle que
∀(x, y) ∈ R × R F (x, y) = C(FX (x), FY (y)). (1.4)
De plus, si FX et FY sont continues, la copule C est unique et définie par :
∀ 0 ≤ u, v ≤ 1 C(u, v) = F (FX−1 (u), FY−1 (v)),
où FX−1 et FY−1 sont les inverses généralisées de X et Y .
Preuve. On se contente du cas où FX et FY sont continues, qui est la seule situation qui nous
intéressera dans les exemples. D’après le second point de la Proposition 1, les variables aléatoires
U = FX (X) et V = FY (Y ) sont alors toutes deux uniformes sur [0, 1]. Par définition, la fonction
de répartition C(u, v) = P(U ≤ u, V ≤ v) du couple (U, V ) est donc une copule. De plus, puisque
U et V sont sans atome
C(u, v) = P(U ≤ u, V ≤ v) = P(U < u, V < v) = P(FX (X) < u, FY (Y ) < v).
Or la relation (1.2) est équivalente à
u > FX (x) ⇐⇒ FX−1 (u) > x,

ce qui donne ici

C(u, v) = P(X < FX−1 (u), Y < FY−1 (v)) = P(X ≤ FX−1 (u), Y ≤ FY−1 (v)) = F (FX−1 (u), FY−1 (v)),
le passage des inégalités strictes aux larges étant dues au fait que X et Y sont sans atome. La
seconde relation est donc établie. Pour montrer la première, on peut remarquer que si X est sans
atome, alors on a presque sûrement l’égalité suivante :
p.s.
{X ≤ x} = {FX (X) ≤ FX (x)}.
C’est clair dans un sens par croissance de FX :
{X ≤ x} =⇒ {FX (X) ≤ FX (x)}.
Dans l’autre sens, on raisonne par contraposition :

p.s.
{X > x} =⇒ {FX (X) ≥ FX (x)} = {FX (X) > FX (x)},
la dernière égalité p.s. étant due au fait que que FX (X) est uniforme, donc sans atome. Ainsi, vu
la définition de la copule C, il vient
C(FX (x), FY (y)) = P(U ≤ FX (x), V ≤ FY (y)) = P(FX (X) ≤ FX (x), FY (Y ) ≤ FY (y)),
et il reste à utiliser la relation précédente pour conclure que
C(FX (x), FY (y)) = P(X ≤ x, Y ≤ y) = F (x, y).

L’unicité vient du fait que si X et Y sont continues, FX (R̄) = FY (R̄) = [0, 1] et la relation
précédente permet de conclure.

1.0
1.0
0.8
0.8
0.6
0.6
z
0.4
0.4
v
u
0.2
0.2
0.0
0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
Figure 1.4 – Copule gaussienne de paramètre ρ = 3/4, lignes de niveaux et nuage de points
(Ui , Vi )1≤i≤500 .
Remarque. Lorsqu’une copule C vérifie la relation (1.4), on dit que c’est une copule pour le couple
(X, Y ).
Venons-en à quelques exemples de copules classiques.
Exemple : copule gaussienne. Si (X, Y ) est un couple gaussien centré tel que Var(X) =
Var(Y ) = 1 et Cov(X, Y ) = ρ ∈] − 1, 1[, alors la copule gaussienne de paramètre ρ est définie
par
Z Φ−1 (u) Z Φ−1 (v) 2
1 x − 2ρxy + y 2
C(u, v) = p exp − dxdy,
−∞ −∞ 2π 1 − ρ2 2(1 − ρ2 )

où Φ−1 est la réciproque de Φ, fonction de répartition de la loi normale centrée réduite (voir Figure
1.4).
Une autre famille classique est celle des copules archimédiennes. Si X est une variable aléatoire
positive, la fonction
ϕ(λ) = E[e−λX ]
est appelée transformée de Laplace de X. Elle est dérivable sur ]0, ∞[ avec ϕ′ (λ) = −E[Xe−λX ]. Dès
lors, si X est strictement positive, ϕ est strictement décroissante et établit une bijection de [0, ∞[
dans ]0, 1]. On note ϕ−1 sa fonction réciproque, avec les conventions ϕ(∞) = 0 et ϕ−1 (0) = ∞.
Exemple : Si X ∼ E(1), alors ϕ(λ) = 1/(1 + λ) donc ϕ−1 (u) = (1 − u)/u (voir Figure 1.5).
1.00
15
0.75
10
0.50
0.25 5
0.00 0
0 5 10 15 20 0.25 0.50 0.75 1.00
λ u
Figure 1.5 – Transformée de Laplace ϕ(λ) de la loi exponentielle et réciproque ϕ−1 (u).
Proposition 4 (Copule archimédienne)

Soit X une variable aléatoire strictement positive, de transformée de Laplace ϕ. La fonction C :
[0, 1]2 → [0, 1] définie par
∀ 0 ≤ u, v ≤ 1 C(u, v) = ϕ(ϕ−1 (u) + ϕ−1 (v))
est une copule, dite copule archimédienne associée à la loi de X. Si U1 et U2 sont uniformes sur
[0, 1] et indépendantes, et si X a pour transformée de Laplace ϕ, alors le couple (U, V ) défini par
U = ϕ(− X1 log U1 ) et V = ϕ(− X1 log U2 ) a des marges uniformes et pour copule C.
Preuve. Le couple (U, V ) est bien à valeurs dans [0, 1] × [0, 1]. Pour 0 ≤ u, v ≤ 1, on a

1 1
P(U ≤ u, V ≤ v) = P ϕ(− log U1 ) ≤ u, ϕ(− log U2 ) ≤ v .
X X
La stricte décroissance de ϕ−1 et la positivité de X donnent alors

−1 −1

P(U ≤ u, V ≤ v) = P U1 ≤ e−ϕ (u)X , U2 ≤ e−ϕ (v)X .
Il suffit de conditionner par rapport à X :

h −1
−1
i h −1 −1
i
P(U ≤ u, V ≤ v) = E P U1 ≤ e−ϕ (u)X X P U2 ≤ e−ϕ (v)X X = E e−(ϕ (u)+ϕ (v))X ,
et par définition de la transformée de Laplace :
P(U ≤ u, V ≤ v) = ϕ(ϕ−1 (u) + ϕ−1 (v)) = C(u, v).

Dès lors, puisque ϕ−1 (1) = 0, on a pour 0 ≤ u ≤ 1,
P(U ≤ u) = P(U ≤ u, V ≤ 1) = ϕ(ϕ−1 (u) + ϕ−1 (1)) = ϕ(ϕ−1 (u)) = u.
Ceci assure que U suit une loi uniforme, tout comme V . Ainsi C(u, v) définit bien une copule.

Exemple : copule de Clayton. Si X ∼ E(1), alors ϕ(λ) = 1/(1 + λ) donc ϕ−1 (u) = (1 − u)/u
et la copule associée à la loi exponentielle, dite copule de Clayton, est
1
C(u, v) = 1 1 .
u + v −1
La Proposition 4 donne un façon très simple de simuler une telle copule.

Le résultat suivant assure qu’on ne change pas la copule d’un couple par transformations stricte-
ment croissantes des marginales.
Lemme 1 (Copule et stricte monotonie)

Soit (X, Y ) un couple de variables aléatoires continues de copule C. Soit f et g deux fonctions stric-
tement croissantes sur les supports respectifs de X et Y , alors le couple (f (X), g(Y )) a également
pour copule C.
Remarque : Noter que (f (X), g(Y )) est encore un couple de variables continues, d’où l’unicité
de la copule.
Simulation : D’après le Théorème de Sklar, un couple aléatoire (X, Y ) est complètement carac-
térisé par la donnée de sa copule et de ses lois marginales. Considérons donc C, FX et FY données
et supposons qu’on veuille simuler une réalisation de ce couple. D’après ce qui précède, il “suffit”
en général de :
1. simuler (U, V ) de lois marginales uniformes et de copule C ;
2. calculer X = FX−1 (U ) et Y = FY−1 (V ).
Lorsque FX−1 et FY−1 sont strictement croissantes, le Lemme 1 assure en effet que (X, Y ) a même
copule que (U, V ). De plus, le premier point de la Proposition 1 nous dit que X et Y ont bien les
marginales souhaitées.
Enfin, par le Lemme 1 et le second point de la Proposition 1, pour simuler (U, V ) de lois marginales
uniformes et de copule C, il suffit de savoir simuler (S, T ) de copule C et de fonctions de répartition
FS et FT strictement croissantes et continues, puis de considérer U = FS (S) et V = FT (T ). Ceci
est illustré en exercice 1.17.
1.5 Exercices
Exercice 1.1 (Loi de Cauchy)
On rappelle que X suit une loi de Cauchy standard si elle a pour densité
1
f (x) =
π(1 + x2 )
Grâce à la méthode d’inversion, donner un moyen simple de simuler une telle loi.

1.5. Exercices 15
Exercice 1.2 (Loi de Pareto)

Soient xm et α deux réels strictement positifs. Déterminer la densité de la variable
xm
X= ,
U 1/α
où U suit une loi uniforme sur [0, 1]. On dit que X suit une loi de Pareto de paramètres (xm , α).
Exercice 1.3 (Conditionnement et inversion)

On considère le couple (X, Y ) de densité
f (x, y) = yxy−1 e−y 1y>0 10<x<1 .
1. Quelle est la loi de Y ?

2. En déduire la loi de X sachant Y = y, puis P(X ≤ x|Y = y).
3. Proposer une méthode de simulation du couple (X, Y ).
Exercice 1.4 (Conditionnement)

On considère le couple (X, Y ) de densité
1 2
√
f (x, y) = √ e−y x/2 e− x 1x>0 .
8π
1. Quelle est la loi de Y sachant X = x ?
√
2. Quelle est la loi de X ?
3. En déduire une méthode de simulation du couple (X, Y ).
Exercice 1.5 (Maximum)

Soit X et Y deux variables indépendantes de fonctions de répartition FX et FY .
1. Quelle est la fonction de répartition de la variable T = max(X, Y ) ?
2. En déduire une façon de générer une variable aléatoire de fonction de répartition

F (t) = min(t, 1) 1 − e−t 1t>0 .
3. Tracer la densité de cette variable.

Exercice 1.6 (Rejet optimisé)
On veut simuler une loi normale N (0, 1) en utilisant comme proposition une loi de Laplace de
paramètre λ > 0, c’est-à-dire de densité
λ −λ|x|
g(x) = e .
2
Déterminer la valeur de λ qui permet de minimiser la probabilité de rejet. Vérifier que cette dernière
vaut environ 0,24.
Exercice 1.7 (Rejet discret)

Soit λ ∈]0, 1[ fixé.
1. Utiliser la méthode de rejet pour simuler une variable X de Poisson de paramètre λ à partir
d’une variable Y de loi
∀n ∈ N P(Y = n) = (1 − λ)λn .
2. Comment simuler simplement Y ?

3. Quelle est la probabilité de rejet ?
Exercice 1.8 (Loi uniforme sur le disque)

1. Proposer une méthode de rejet pour simuler une variable uniforme sur le disque unité sans
utiliser de fonctions trigonométriques. Quelle est la probabilité de rejet ?
√ √
2. Donner la loi du couple (X, Y ) = ( U cos(2πV ), U sin(2πV )) si U et V sont i.i.d. selon
une loi uniforme sur [0, 1].
Exercice 1.9 (Rejet et conditionnement)

Soit X une variable aléatoire de fonction de répartition F supposée inversible.
1. Comment simuler la loi de X conditionnellement à X > a à l’aide d’une méthode de rejet ?
Que se passe-t-il lorsque a devient grand ?
2. Soit U une variable de loi uniforme sur [0, 1] et T définie par
T = F −1 (F (a) + (1 − F (a))U ).
Déterminer la fonction de répartition de T et en déduire une méthode de simulation de X

conditionnellement à X > a. Comparer à la méthode de la question précédente.
3. Soit a > 0 fixé. On suppose que l’on cherche à simuler X de loi gaussienne centrée réduite
conditionnellement à X > a. Proposer une méthode de rejet basée sur la loi exponentielle
translatée de densité
gλ (x) = λe−λ(x−a) 1x>a .
Comment choisir le paramètre λ ?
Exercice 1.10 (Durée d’une simulation)

1. On veut générer n = 1000 variables exponentielles de paramètre 1. Utiliser la méthode
d’inversion vue en cours, tracer l’histogramme et superposer la densité théorique.
2. Même question avec les fonctions dédiées rexp et dexp sous R.
3. Interpréter les commandes suivantes :
> t0 <- proc.time()
> E <- runif(10^6)
> proc.time()-t0
Comparer les durées respectives des méthodes des questions précédentes pour n grand.
Exercice 1.11 (Lien géométrique/exponentielle)

Soit 0 < p < 1 et X une variable aléatoire suivant une loi géométrique G(p).
1. Rappeler la loi de X et son espérance.
2. Soit (Bn )n≥1 une suite de variables i.i.d. selon une loi de Bernoulli B(p). Comment obtenir
une loi géométrique à partir de celles-ci ?
3. Proposer un moyen de simuler B1 à partir d’une variable uniforme U1 sur [0, 1]. En déduire
une simulation de X à partir de lois uniformes pour p = 1/3. Retrouver par simulation
l’espérance de la loi géométrique. Que se passe-t-il lorsque p est proche de 0 ?
4. Soit λ > 0 et T une variable aléatoire suivant une loi exponentielle E(λ). Soit X = ⌈T ⌉ la
partie entière par excès de T (i.e. ⌈0.4⌉ = 1 et ⌈2⌉ = 2). Quelles valeurs peut prendre X ?
Avec quelles probabilités ? En déduire un nouveau moyen de générer une loi géométrique
G(p). Comparer la vitesse de cette méthode à celle de la question 3 ainsi qu’à celle de rgeom.

1.5. Exercices 17
Exercice 1.12 (Nul n’est censé ignorer la loi normale)

1. Utiliser la méthode vue en exercice 1.6 pour simuler une loi normale centrée réduite à partir
d’une loi de Laplace. Estimer le temps nécessaire pour simuler un million de gaussiennes
avec cette méthode.
2. Comparer la méthode précédente à celle de Box-Muller.
3. Comparer à celle implémentée sous R via rnorm.
4. Simuler n = 1000 réalisations d’une loi normale multivariée N (m, Γ) avec

2 1 1
m= et Γ= .
1 1 4
Retrouver approximativement m et Γ à partir de cet échantillon.
Exercice 1.13 (Méfiez-vous des mélanges !)

On considère une variable X de densité
1 (x+3)2 2 (x−3)2
f (x) = √ e− 8 + √ e− 2 .
6 2π 3 2π
1. Représenter la fonction f .
2. En voyant f comme un mélange de lois, proposer une méthode de simulation de X.
3. Représenter sur un même graphique un histogramme de réalisations de X et la densité f .
Exercice 1.14 (Comparaison de méthodes)

Soit X une variable de fonction de répartition F telle que F (x) = 0 si x ≤ 0, F (x) = 1 si x ≥ 1,
et pour tout x ∈ [0, 1] :
1
F (x) = (x + x2 ). (1.5)
2
1. Comment simuler X par la méthode d’inversion ? Implémenter cette méthode pour simuler
n = 10000 réalisations de X. Sur un même graphe, représenter la vraie densité f sur [0, 1]
et un estimateur de la densité obtenu à partir de cet échantillon.
2. Majorer la densité de X et en déduire une façon de simuler X par la méthode de rejet.
Implémenter cette méthode pour simuler n = 10000 réalisations de X.
3. Soit f une densité qui se décompose sous la forme f (x) = pf1 (x) + (1 − p)f2 (x), où p ∈]0, 1[
est connu, et f1 et f2 sont deux densités selon lesquelles on sait simuler.
(a) Expliquer comment simuler une variable aléatoire X ayant pour densité f .
(b) En déduire une façon de simuler une variable X ayant la fonction de répartition donnée
par (1.5). Implémenter cette méthode pour simuler n = 10000 réalisations de X.
4. Des trois méthodes précédentes, laquelle choisiriez-vous si vous devez simuler un très grand
nombre de variables suivant la loi de X ?
Exercice 1.15 (Loi géométrique conditionnelle)
Soit p ∈]0, 1[ fixé et X une variable aléatoire suivant une loi géométrique de paramètre p. On se
fixe de plus un entier m ∈ N∗ et on s’intéresse à la loi de X conditionnellement à X > m, notée
L(X|X > m).
1. Proposer une méthode de rejet pour simuler une réalisation de Y ∼ L(X|X > m). Quelle
est la probabilité de rejet ? Quel est l’inconvénient de cette méthode ?
2. Donner la loi de Z = X + m, son espérance et sa variance. En déduire une nouvelle méthode
de simulation suivant la loi L(X|X > m).

3. On veut retrouver I = E[X|X > m] par simulation. On fixe p = 1/6 et m = 12. Utiliser la
question 2 pour tracer un estimateur Iˆn en fonction de n, pour n allant par exemple de 1 à
1000, les intervalles de confiance à 95% et la droite horizontale y = I (en rouge).
4. Par rapport à la méthode de la question 1, toujours pour p = 1/6 et m = 12, par quel
facteur en moyenne a-t-on divisé le temps de calcul ?
Exercice 1.16 (Loi Gamma)
On veut générer une variable X suivant une loi Gamma Γ(3/2, 1), c’est-à-dire de densité
2
f (x) = √ x1/2 e−x 1x>0 .
π
1. On utilise une technique de rejet avec comme loi de proposition une exponentielle E(2/3)
de densité notée g. Déterminer m = supx>0 f (x)/g(x). Quelle est le nombre moyen de
simulations de la loi exponentielle pour aboutir à une réalisation de la loi Gamma ?
2. Représenter sur un même graphique un histogramme de réalisations de X (obtenues par
cette méthode de rejet) et la densité f .
3. Intuitivement, qu’est-ce qui a guidé le choix du paramètre 2/3 comme paramètre de l’ex-
ponentielle ? On peut justifier cette intuition : considérer comme proposition la densité gλ
d’une exponentielle E(λ) et déterminer la valeur optimale de λ en terme de probabilité de
rejet.
Exercice 1.17 (Représentation et simulation de copules)
Rappelons que pour visualiser une surface z = f (x, y) sur [0, 1] × [0, 1], une méthode consiste à
implémenter la fonction f , discrétiser x et y, appliquer z=outer(x,y,f) si f est vectorisable puis,
via le package rgl, la commande rgl.surface(x,y,z). On peut aussi utiliser persp(x,y,z) ou
contour(x,y,z).
1. Représenter les surfaces associées aux copules comonotone C(u, v) = min(u, v), anti-comonotone
C(u, v) = max(u + v − 1, 0), indépendante C(u, v) = uv, de Clayton, et gaussienne de para-
mètre ρ = 1/2. Pour cette dernière, on pourra faire appel à la fonction pmvnorm du package
mvtnorm.
2. On veut simuler deux nuages de 1000 points dont chaque marge suit une loi gaussienne
centrée réduite. Sur la même fenêtre graphique, représenter à gauche un tel échantillon
pour la copule gaussienne de paramètre ρ = 1/2, et à droite pour la copule de Clayton.
3. On veut simuler deux nuages de 1000 points dont chaque marge suit une loi de Laplace. Sur
la même fenêtre graphique, représenter à gauche un tel échantillon pour la copule gaussienne
de paramètre ρ = 1/2, et à droite pour la copule indépendante.
Exercice 1.18 (Mouvement brownien, pont brownien)
Un mouvement brownien ou processus de Wiener (Wt )t≥0 peut être caractérisé par : W0 = 0, les
trajectoires de t 7→ Wt sont presque sûrement continues, Wt est à incréments indépendants avec,
pour tout 0 ≤ s ≤ t, Wt − Ws ∼ N (0, t − s).
1. On veut simuler de façon approchée un mouvement brownien entre les dates t = 0 et
t = 1. Simuler n = 100 variables gaussiennes et en déduire des réalisations de Wt pour
t ∈ {1/100, . . . , 99/100, 1} (on pourra utiliser la fonction cumsum). Représenter la trajectoire
avec en abscisse le temps et en ordonnée Wt , les points (t, Wt ) étant reliés par des segments.
Idem avec n = 104 .
2. En dimension 2, un processus (Wt )t≥0 = (Wtx , Wty )t≥0 est un mouvement brownien si
(Wtx )t≥0 et (Wty )t≥0 sont deux mouvements browniens indépendants. Simuler et représenter
une trajectoire (Wt )0≤t≤1 à partir de n = 100 points. Idem avec n = 104 points. Marquer
l’origine d’un point rouge.

1.6. Corrigés 19
3. On revient en dimension 1 et on considère un mouvement brownien (Wt )t≥0 . Le processus

(Bt )t≥0 défini par Bt = Wt − tW1 est appelé pont brownien. Utiliser la question 1 pour
représenter des trajectoires d’un pont brownien.
4. Soit (Un )n≥1 une suite de variables i.i.d. uniformes sur [0, 1], (Fn )n≥1 la suite des fonctions de
répartition empirique et kFn − F k∞ la distance du sup entre Fn et la fonction de répartition
F de la loi uniforme. Le théorème de Kolmogorov-Smirnov dit que, en notant (Bt )t≥0 un
pont brownien,
√ L
nkFn − F k∞ −−−→ sup |Bt |.
n→∞ 0≤t≤1
La loi de droite est connue sous le nom de loi de Kolmogorov-Smirnov.

(a) Pour n = 100, à l’aide de l’argument type=”s”, représenter la fonction
n n
1X Xj
Fn (x) = 1]−∞,x](Ui ) = 1 (x),
n n [U(j,n) ,U(j+1,n) [
i=1 j=1
où U(1,n) < · · · < U(n,n) est le n-ème échantillon ordonné et U(n+1,n) = +∞. En déduire
√
la représentation de n(Fn (x) − F (x)) sur [0, 1] pour n = 100 et pour n = 104 .
(b) Fixons n = 100. En tenant compte du fait que

j−1 j
kFn − F k∞ = max max U(j,n) − , U(j,n) − ,
1≤j≤n n n
√
construire un échantillon de taille 1000 selon la loi nkFn − F k∞ . Sur un même gra-
phique, représenter un estimateur de la densité de cet échantillon et un estimateur de
la densité d’un échantillon de taille 1000 de la loi de sup0≤t≤1 |Bt |.
Exercice 1.19 (Loi du demi-cercle et Théorème de Wigner)

On considère la densité
1 p
f (x) = 4 − x2 1[−2,2] (x).
2π
1. Représenter f sur [−2, 2].
2. Donner un majorant de f et en déduire une méthode de rejet pour simuler selon f . En
moyenne, combien faut-il d’essais pour obtenir une réalisation X selon la densité f ?
3. Pour n = 103 , implémenter la méthode précédente pour obtenir un échantillon (X1 , · · · , Xn )
i.i.d. selon f . Superposer un estimateur de la densité de cet échantillon et la vraie densité
f.
4. Grâce au code précédent, retrouver une estimation du nombre moyen d’essais nécessaires
pour obtenir une réalisation X selon la densité f .
5. Pour n = 100, considérons n(n + 1)/2 variables aléatoires (Xi,j )1≤i≤j≤n i.i.d. gaussiennes
centrées réduites et X la matrice carrée symétrique de taille n construite à partir de ces
√
variables. Obtenir les valeurs propres λ1 , · · · , λn de X/ n. Superposer un estimateur de la
densité de cet échantillon de valeurs propres et la fonction f .
√ √
6. Même question si les variables aléatoires (Xi,j )1≤i≤j≤n sont i.i.d. uniformes sur [− 3; 3].
1.6 Corrigés
Voir la page du cours.

Chapitre 2
Intégration Monte-Carlo
Introduction
Une application classique des méthodes Monte-Carlo est le calcul de quantités du type
Z
I = E[ϕ(X)] = ϕ(x)f (x)dx, (2.1)
où ϕ : Rd → R est une fonction donnée et X un vecteur aléatoire de densité f suivant laquelle on

sait simuler (cf. Chapitre 1). Dans ce contexte, l’estimateur Monte-Carlo de base est défini par
n
1X
Iˆn = ϕ(Xi ), (2.2)
n
i=1
où les Xi sont générées de façon i.i.d. selon f . Outre les propriétés de cet estimateur, ce chapitre ex-
plique comment on peut éventuellement améliorer sa précision grâce à des techniques de réduction
de variance.
2.1 Généralités
2.1.1 Convergence et intervalles de confiance
Il est clair que l’estimateur Iˆn est sans biais, c’est-à-dire que E[Iˆn ] = I. Mieux, la loi forte des
grands nombres assure qu’il est convergent.
Proposition 5 (Loi des grands nombres)
Si E|ϕ(X)| < ∞, alors
n
ˆ 1X p.s.
In = ϕ(Xi ) −−−→ I.
n n→∞
i=1
Revenons sur un exemple élémentaire du chapitre précédent.

Exemple : estimation de π. Supposons que (X, Y ) suive la loi uniforme sur le carré C =
[0, 1] × [0, 1] et que ϕ(x, y) = 1x2 +y2 ≤1 . En notant D = {(x, y) ∈ R2+ , x2 + y 2 ≤ 1} le quart de
disque unité, on a donc ZZ
π
I= 1D (x, y)dxdy = λ(D) = .
C 4
Simuler des points (Xi , Yi ) uniformément dans C est très facile et la propriété précédente assure
donc que
n
ˆ 1X p.s. π p.s.
In = 1D (Xi , Yi ) −−−→ ⇐⇒ 4 × Iˆn −−−→ π.
n n→∞ 4 n→∞
i=1
21
22 Chapitre 2. Intégration Monte-Carlo
On dispose donc d’un estimateur Monte-Carlo 1 pour la constante π. Encore faut-il connaître sa
précision : c’est tout l’intérêt du théorème central limite.
Proposition
6 (Théorème central limite)
Si E ϕ(X)2 < ∞, alors
√ L
n (Iˆn − I) −−−→ N (0, σ 2 ),
n→∞
avec Z
2 2 2
σ = Var(ϕ(X)) = E[ϕ(X) ] − E[ϕ(X)] = ϕ(x)2 f (x)dx − I 2 .
Ainsi, lorsque n est grand, notre estimateur suit à peu près une loi normale : avec un abus de
notation flagrant, on a Iˆn ≈ N (I, σ 2 /n), c’est-à-dire que Iˆn tend vers I avec une vitesse en
√
O(1/ n). Plus précisément, le TCL doit permettre de construire des intervalles de confiance.
Cependant, en général, l’écart-type σ est lui aussi inconnu, il va donc falloir l’estimer. Qu’à cela
ne tienne, la méthode Monte-Carlo en fournit justement un estimateur à peu de frais puisque basé
sur le même échantillon (X1 , . . . , Xn ), à savoir
n
1X p.s.
σ̂n2 = ϕ(Xi )2 − Iˆn2 −−−→ σ 2 (2.3)
n n→∞
i=1
par la loi des grands nombres pour le premier terme et la Proposition 5 pour le second. Le lemme
de Slutsky implique donc que
√ Iˆn − I L
n −−−→ N (0, 1).
σ̂n n→∞
Exemple : estimation de π. Dans ce cas, la variance vaut tout simplement
π π
σ2 = I − I 2 = 1− ,
4 4
laquelle est donc estimée par σ̂n2 = Iˆn − Iˆn2 , et d’après ce qui vient d’être dit
√ Iˆn − I L
n q −−−→ N (0, 1).
n→∞
Iˆn − Iˆn2
On en déduit bien entendu des intervalles de confiance asymptotiques pour I.
Proposition 7 (Intervalles de confiance)

Soit α ∈ (0, 1) fixé. Un intervalle de confiance de niveau asymptotique 1 − α pour I est

σ̂n σ̂n
Iˆn − Φ−1 (1 − α/2) √ ; Iˆn + Φ−1 (1 − α/2) √ ,
n n
où Φ−1 (1 − α/2) désigne le quantile d’ordre 1 − α/2 de la loi normale centrée réduite.
Typiquement α = 0.05 donne Φ−1 (1 − α/2) = q0.975 = 1.96 ≈ 2, qui permet de construire un
intervalle de confiance à 95% pour I. Un point de précision en passant : prendre 1.96 plutôt que 2
√
pour le quantile de la loi normale est tout à fait illusoire si le terme σ̂n / n n’est pas déjà lui-même
de l’ordre de 0.01 (i.e., pour un écart-type unité, un échantillon de taille au moins 10 000).
1. tout à fait inutile en pratique, puisqu’il existe des formules analytiques bien plus efficaces pour approcher π.

2.1. Généralités 23
3.6
3.4
3.2
3.0
2.8
0 250 500 750 1000

n
Figure 2.1 – Estimateur Monte-Carlo de π et intervalles de confiance asymptotiques.
2.1.2 Quelques mots sur l’intégration numérique

Supposons pour simplifier que, dans l’intégrale définie par (2.1), f soit la densité uniforme sur le
pavé C = [0, 1]d , c’est-à-dire que Z
I= ϕ(x)dx.
[0,1]d
D’après ce qui précède, un estimateur Monte-Carlo naturel de I est
n
1X
Iˆn = ϕ(Ui ),
n
i=1
où les Ui = (Ui,1 , . . . , Ui,d ) sont des vecteurs i.i.d. uniformes sur [0, 1]d . Par ailleurs, si la fonc-
tion ϕ est suffisamment régulière, des méthodes déterministes d’intégration numérique permettent
également d’approcher cette intégrale.
Commençons par la dimension d = 1 et rappelons quelques résultats classiques :
— Dans ce cas, si ϕ est de classe C 1 , la méthode des rectangles sur la subdivision régulière
{1/n, . . . , (n − 1)/n, 1} a une précision en O(1/n). Plus précisément, si on convient de noter
M1 = supx∈[0,1] |ϕ′ (x)| et Rn l’approximation obtenue, alors
M1
|Rn − I| ≤ .
2n
— Si ϕ est de classe C 2 , la méthode des trapèzes sur la même subdivision a une précision
en O(1/n2 ). Plus précisément, si on note M2 = supx∈[0,1] |ϕ′′ (x)| et Tn l’approximation
obtenue, alors
M2
|Tn − I| ≤ .
12n2
— La méthode de Simpson consiste à approcher f sur chaque segment [k/n, (k + 1)/n] par un
arc de parabole qui coïncide avec f aux deux extrémités et au milieu de ce segment. Si ϕ
est de classe C 4 , cette méthode a une précision en O(1/n4 ). Plus précisément, si on note
M4 = supx∈[0,1] |ϕ(4) (x)| et Sn l’approximation obtenue, alors
M4
|Sn − I| ≤ .
2880n4

— De façon générale, si ϕ est de classe C s , une méthode adaptée à cette régularité (de type
Newton-Cotes) permettra d’obtenir une erreur en O(1/ns ). Si l’on compare à l’erreur en
√
O(1/ n) de la méthode Monte-Carlo, il est donc clair que les méthodes déterministes sont
préférables dès que f est C 1 .
Passons maintenant au cas d = 2 et focalisons-nous sur la plus simple des méthodes déterministes,
à savoir celle des “rectangles” : on somme donc cette fois des volumes de pavés. Si l’on considère
Z 1Z 1 n−1
X Z (k+1)/n Z (ℓ+1)/n
I= ϕ(x, y)dxdy = ϕ(x, y)dxdy
0 0 k,ℓ=0 k/n ℓ/n
et son approximation numérique

n−1
X Z Z n−1
(k+1)/n (ℓ+1)/n
1 X
Rn = ϕ(k/n, ℓ/n)dxdy = 2 ϕ(k/n, ℓ/n),
n
k,ℓ=0 k/n ℓ/n k,ℓ=0
il vient
n−1
X Z (k+1)/n Z (ℓ+1)/n
|I − Rn | ≤ |ϕ(x, y) − ϕ(k/n, ℓ/n)| dxdy.
k,ℓ=0 k/n ℓ/n
Par le théorème des accroissements finis (on rappelle que ϕ est à valeurs dans R), pour tout couple
(k, ℓ), il existe ck,ℓ ∈ [k/n, (k + 1)/n] × [ℓ/n, (ℓ + 1)/n] tel que
∂ϕ ∂ϕ 1
|ϕ(x, y) − ϕ(k/n, ℓ/n)| = (ck,ℓ )(x − k/n) + (ck,ℓ )(y − ℓ/n) ≤ k∇ϕ(ck,ℓ )k1 .
∂x ∂y n
En notant M1 = sup0≤x,y≤1 k∇ϕ(x, y)k1 , on obtient donc
M1
|I − Rn | ≤ .
n
Néanmoins, pour comparer ce qui est comparable, il faut considérer que les deux méthodes font le
même nombre n d’appels 2 à la fonction ϕ. La subdivision {0, 1/n, . . . , (n − 1)/n} de la dimension
√ √ √
1 est donc remplacée par le maillage de n points Ak,ℓ = (k/ n, ℓ/ n), avec 1 ≤ k, ℓ ≤ n. La
√
précision de la méthode s’en ressent puisqu’elle est alors logiquement en O(1/ n), tout comme la
méthode Monte-Carlo basée sur n appels à la fonction ϕ.
De façon générale, si ϕ est de classe C s sur [0, 1]d , alors une méthode déterministe adaptée à
cette régularité et faisant n appels à la fonction ϕ permettra d’atteindre une vitesse en O(n−s/d ).
Cette vitesse qui s’effondre avec d est symptomatique du fléau de la dimension. A contrario, la
√
méthode Monte-Carlo, avec une vitesse en 1/ n, est insensible à la dimension et peut donc s’avérer
plus avantageuse dès que l’on travaille en dimension grande ou sur une fonction irrégulière. En
fin de chapitre, nous dirons un mot des méthodes quasi Monte-Carlo, lesquelles représentent un
compromis entre les méthodes déterministes et les méthodes Monte-Carlo.
2.1.3 Le cadre bayésien

De façon générale, les méthodes Monte-Carlo sont d’usage constant en statistique bayésienne. En
particulier, celle-ci requiert souvent le calcul d’intégrales du type (2.1). Expliquons pourquoi en
quelques mots.
Le cadre typique est celui où la loi de la variable X dépend d’un paramètre θ. Dans l’approche
fréquentiste, θ est inconnu mais supposé avoir une valeur fixée et les observations X = (X1 , . . . , XN )
2. Un appel pouvant être coûteux dès lors que ϕ est compliquée, ce critère fait sens.

permettent de l’estimer par une méthode donnée, par exemple au maximum de vraisemblance.
L’approche bayésienne est différente : elle consiste à considérer que θ est lui-même une variable
aléatoire θ et suit une loi (dite a priori) donnée, les observations X = (X1 , . . . , XN ) permettant
d’affiner cette loi.
Plus formellement, notons π la densité de la loi a priori de θ (ou prior) et f (x|θ) la densité
conditionnelle de X sachant θ = θ (ou vraisemblance). Nous supposons pour simplifier les écritures
que toutes ces densités sont définies par rapport à la mesure de Lebesgue. Par la règle de Bayes,
la densité a posteriori de θ sachant l’observation X (ou posterior) s’écrit alors tout simplement
f (X|θ)π(θ) f (X|θ)π(θ)
π(θ|X) = =Z .
f (X)
f (X|t)π(t)dt
Puisqu’on cherche une densité par rapport à la variable θ, tout ce qui ne dépend pas de θ joue le
rôle d’une constante de normalisation, d’où l’utilisation du symbole ∝ (“proportionnel à”). Ainsi
l’écriture
π(θ|X) ∝ f (X|θ)π(θ)
signifie qu’il existe une constante de normalisation c(X), ne faisant pas intervenir θ, telle que
π(θ|X) = c(X)f (X|θ)π(θ).
Exemple : Modèle gaussien. Supposons que θ ∼ N (0, 1) et que, sachant θ = θ, X =

(X1 , . . . , XN ) soit un échantillon i.i.d. de loi N (θ, 1). Alors pour tout X = (X1 , . . . , XN ) ∈ RN , la
vraisemblance s’écrit
N
( N
)
Y (Xi −θ)2 X
π(X|θ) = √1 e− 2 = (2π)1N/2 exp − 21 (Xi − θ)2 ,
2π
i=1 i=1
d’où pour la densité a posteriori

n o n 2o
1 1 PN √1
(2π)N/2
exp − 2 i=1 (X i − θ)2 ×
2π
exp − θ2
π(θ|X) = ∝ exp − 21 ((N + 1)θ 2 − 2N X̄N θ) .
f (X)
Il suffit alors de faire apparaître une densité gaussienne pour en déduire la loi a posteriori :
2
N +1 N
π(θ|X) ∝ exp − 2 θ − N +1 X̄N ,
donc
N 1
L(θ|X) = N N +1 X̄N , N +1 .
La loi a posteriori est une loi normale de moyenne N X̄N /(N + 1) (qui dépend des observations)
et de variance 1/(N + 1) (qui ne dépend pas des observations). C’est la loi (aléatoire, car fonction
de X) ayant la densité suivante par rapport à la mesure de Lebesgue sur R :
r 2
N +1 N +1 N
π(θ|X) = exp − 2 θ − N +1 X̄N .
2π
Par rapport à la loi a priori (i.e. la gaussienne standard), la loi a posteriori est donc centrée grosso
modo autour de la moyenne empirique X̄N des données observées et est bien plus concentrée
autour de cette moyenne que ne l’était la loi a priori autour de 0. Autrement dit, les observations
X1 , . . . , XN ont apporté de l’information sur le paramètre inconnu et aléatoire θ.

Ceci fait, on pourra s’intéresser à une valeur moyenne par rapport à cette loi a posteriori, laquelle
s’écrira donc
Z
Z ϕ(θ)f (X|θ)π(θ)dθ
E[ϕ(θ)|X] = ϕ(θ)π(θ|X)dθ = Z . (2.4)
f (X|θ)π(θ)dθ
En particulier, on appelle estimateur de Bayes (sous-entendu : pour la perte L2 ou perte quadra-

tique) la moyenne a posteriori, qui vaut donc
Z
Z θf (X|θ)π(θ)dθ
θ̂N (X) = E[θ|X] = θ π(θ|X)dθ = Z .
f (X|θ)π(θ)dθ
Exemple. Dans l’exemple précédent, puisque sachant X, la variable θ suit une loi gaussienne de
moyenne N X̄N /(N + 1) et de variance 1/(N + 1), l’estimateur de Bayes pour la perte quadratique
est tout simplement
θ̂N (X) = NN+1 X̄N .
Remarque. Si l’on adopte une approche fréquentiste et que l’on considère une réalisation fixée
θ0 de la variable aléatoire θ, on voit que, lorsque N croît, l’estimateur de Bayes diffère de moins
en moins de la moyenne empirique X̄N , qui est dans ce modèle l’estimateur du maximum de
vraisemblance. Dans ce cas, cette moyenne empirique se concentrant elle-même autour de θ0 , la
loi a posteriori se concentre autour de θ0 .
Contrairement à ce que pourrait laisser croire cet exemple jouet, le calcul de l’intégrale (2.4) est en
général impossible analytiquement et difficile par intégration numérique déterministe, en particulier
si le paramètre θ est multidimensionnel. On a donc naturellement recours à des méthodes Monte-
Carlo.
Supposons en effet que l’on sache simuler suivant la loi a priori π(θ) et, pour tout θ, évaluer
la quantité ϕ(θ)f (x|θ). On retombe alors exactement dans le cadre d’application des méthodes
Monte-Carlo d’intégration, puisqu’il suffit de générer des réalisations i.i.d. (θ 1 , . . . , θ n ) selon π(θ)
pour en déduire que, sachant X,
n Z
1X p.s.
ϕ(θ i )f (X|θ i ) −−−→ ϕ(θ)f (X|θ)π(θ)dθ.
n n→∞
i=1
L’estimation du dénominateur de (2.4) correspond au cas particulier où ϕ = 1 et se traite donc de

la même façon. Au total, l’estimateur Monte-Carlo de I = E[ϕ(θ)|X] s’écrit
Pn
ϕ(θ )f (X|θ i )
ˆ Pn i
In = i=1 .
i=1 f (X|θ i )
En particulier, l’estimateur de Bayes θ̂N (X) = E[θ|X] pour N observations X = (X1 , . . . , XN )

admet lui-même pour estimateur Monte-Carlo basé sur n simulations (θ 1 , . . . , θ n ) :
Pn
n i=1 θ i f (X|θ i )
θ̂N (X) = P n .
i=1 f (X|θ i )
Voir l’exercice 2.15 pour un exemple d’application.

Remarque : d’un point de vue plus général, l’idéal serait en fait de disposer d’un échantillon i.i.d.
selon la loi a posteriori, ce qui est bien plus difficile. On peut néanmoins évoquer une situation où

ceci peut se faire assez simplement. Supposons en effet que l’on adopte une méthode de rejet avec
la loi a priori comme loi instrumentale : il faut alors trouver m tel que
π(θ|X) f (X|θ) f (X|θ̃)

sup ≤ m ⇐⇒ sup ≤ m ⇐⇒ m = ,
θ π(θ) θ f (X) f (X)
où, sous réserve d’existence et d’unicité, θ̃ = θ̃(X) est l’estimateur du maximum de vraisemblance.
Notons qu’on a alors tout simplement
π(θ|X) f (X|θ)
= .
mπ(θ) f (X|θ̃)
Ainsi, dès lors que l’on sait simuler selon la loi a priori et, pour l’observation X, calculer en tout θ
la vraisemblance ainsi que l’estimateur du maximum de vraisemblance, il suffit de procéder comme
suit :
— Pour l’observation X, calculer l’estimateur du maximum de vraisemblance θ̃ ;
— simuler des couples (θ k , Uk ) i.i.d. selon la loi a priori π(θ) et la loi uniforme jusqu’à ce que
f (X|θ)
Uk ≤ .
f (X|θ̃)
Le point remarquable de cette méthode est qu’elle ne nécessite pas le calcul de la densité marginale
f (X), qui est souvent très compliquée.
Exemple : si, sachant θ, les (Xi )1≤i≤N sont i.i.d. selon la loi N (θ, 1), alors on sait que l’estimateur
du maximum de vraisemblance est tout bonnement θ̃ = X̄N et, après simplifications,

f (X|θ) N 2
= exp − (θ − X̄N ) .
f (X|θ̃) 2
2.1.4 Tests d’hypothèses

Dans un cadre fréquentiste, on considère un test d’hypothèse T (X) ∈ {0, 1} consistant à accepter
(respectivement rejeter) H0 si T (X) = 0 (respectivement T (X) = 1). Très souvent, le test est
obtenu par seuillage d’une statistique S(X), i.e. on rejette H0 au niveau α (erreur de première
espèce) si et seulement si S(X) > cα .
Exemple. Soit X = (X1 , . . . , XN ) i.i.d. selon une loi N (θ, 1), avec θ ∈ R paramètre inconnu. On
veut tester
H0 : θ = 0 contre H1 : θ 6= 0.
Puisque, sous H0 , la moyenne empirique X̄n suit la loi N (0, 1/N ), on a dans ce cas :
√
P(| N X̄N | > Φ−1 (1 − α/2)) = α,
√
et on a bien construit un test de niveau α en seuillant la statistique S(X) = | N X̄N | au niveau
cα = Φ−1 (1 − α/2), où Φ−1 correspond comme d’habitude à la fonction quantile de la loi normale
standard.
Revenons au cadre général. Pour une réalisation x, la p-value (ou probabilité critique, ou niveau
de significativité) est alors définie par
α0 (x) = inf{α ∈ [0, 1], H0 est rejetée au niveau α} = inf{α ∈ [0, 1], S(x) > cα }.

Rappelons qu’une p-value très faible signifie que H0 est très peu vraisemblable. Si H0 est une
hypothèse simple, i.e. θ = θ0 , alors sous certaines hypothèses (par exemple lorsque, sous H0 , la
fonction de répartition de la variable aléatoire S(X) est bijective), on peut montrer que, sous H0 ,
α0 (x) = P(S(X) > S(x)),
où X est aléatoire suivant la loi prescrite par H0 : θ = θ0 , et S(x) fixée. On résume souvent ceci
par la phrase : « La p-value est la probabilité, sous H0 , d’obtenir une statistique de test au moins
aussi extrême que celle observée. »
Exemple. Dans l’exemple précédent, pour une réalisation x, la p-value s’obtient via la première
formulation comme suit :
α0 (x) = inf{α ∈ [0, 1], S(x) > Φ−1 (1−α/2)} = inf{α ∈ [0, 1], α > 2(1−Φ(S(x))} = 2(1−Φ(S(x)).
√
On retrouve facilement ce résultat par la seconde formulation : sous H0 , puisque S(X) = | nX̄n | ∼
|N (0, 1)|, on a
P(S(X) > S(x)) = P(|N (0, 1)| > S(x)) = 2(1 − Φ(S(x))) = α0 (x).
Sur cet exemple élémentaire, toutes les lois sont explicites et connues, mais ce n’est pas toujours
le cas. Supposons un test consistant à rejeter H0 au niveau α si et seulement si S(X) > cα et que,
pour une réalisation x, on veuille calculer la p-value associée. Si on sait simuler X sous H0 , alors
un estimateur Monte-Carlo α̂n0 (x) de α0 (x) s’obtient tout simplement en simulant des variables
Xi i.i.d. sous H0 et en considérant
n
1X
α̂n0 (x) = 1S(Xi )>S(x) .
n
i=1
Cet estimateur est non biaisé, consistant et asymptotiquement normal avec

√ L
n(α̂n0 (x) − α0 (x)) −−−→ N (0, α0 (x)(1 − α0 (x))).
n→∞
Un intervalle de confiance de niveau asymptotique 95% pour α0 (x) est ainsi donné par
" p n p n #
α̂ (x)(1 − α̂n (x)) α̂ (x)(1 − α̂n (x))
0 0 0 0
α̂n0 (x) − 2 √ ; α̂n0 (x) + 2 √ .
n n
Remarque : Supposons que H0 n’est pas vraie, alors la p-value peut être très petite, par exemple
α0 (x) = 10−9 . Dans ce cas, il est clair qu’à moins de prendre n de l’ordre de 109 , l’estimateur
Monte-Carlo renverra typiquement la valeur 0. Si l’on souhaite une estimation précise de cette
p-value, il faut alors faire appel à des méthodes Monte-Carlo pour événements rares.
2.2 Réduction de variance

Nous restons dans le cadre de la section précédente, à savoir l’estimation de l’intégrale I = E[ϕ(X)].
√
Son estimation Iˆn par la méthode Monte-Carlo standard aboutit à une erreur en σ/ n. Dès que
la dimension de X est grande ou ϕ irrégulière, les méthodes déterministes ou quasi-Monte-Carlo
√
ne sont plus concurrentielles et la vitesse en 1/ n apparaît donc incompressible. L’idée est alors
de gagner sur le facteur σ, ce qui est précisément l’objet des méthodes de réduction de variance.
√
Une remarque élémentaire au préalable : pour une précision ε voulue sur le résultat, donc en σ/ n
par Monte-Carlo classique, une méthode de réduction de variance permettant de diviser la variance

2.2. Réduction de variance 29
σ 2 par 2 permet de diviser le nombre n de simulations nécessaires par 2 pour atteindre la même
précision. Si la nouvelle méthode n’est pas plus coûteuse en temps de calcul, c’est donc la durée
de la simulation qui est ainsi divisée par deux. Si la nouvelle méthode requiert beaucoup plus
de calculs, il faut en toute rigueur en tenir compte, par exemple en définissant l’efficacité d’une
technique par
1
Efficacité = ,
Complexité × Variance
et en comparant les efficacités des différentes méthodes entre elles. Ceci n’est néanmoins pas tou-
jours facile.
2.2.1 Echantillonnage préférentiel

On souhaite estimer Z
I = E[ϕ(X)] = ϕ(x)f (x)dx.
Si la fonction ϕ prend ses plus grandes valeurs là où la densité f est très faible, i.e. là où X a très
peu de chances de tomber, et réciproquement, l’estimateur Monte-Carlo classique
n
1X
Iˆn = ϕ(Xi )
n
i=1
est très mauvais puisqu’à moins de prendre n très grand, il va estimer environ 0 même si I vaut 1.
Exemples :
1. Evénements rares : la variable X suivant une loi normale centrée réduite, on veut estimer
la probabilité
Z
1 x2
P(X > 6) = 1 − Φ(6) = E[1X>6 ] = 1x>6 √ e− 2 dx.
R 2π
La commande 1-pnorm(6) en R montre qu’elle est de l’ordre de 10−9 . Ceci signifie qu’à
moins de prendre n de l’ordre d’au moins un milliard, on a toutes les chances d’obtenir
Iˆn = 0. Un cas particulier est celui où, en section précédente, on voudrait estimer de
façon précise (i.e. pas par zéro) une p-value alors qu’elle est très faible. Ceci est crucial dans
certains domaines applicatifs où l’on doit assurer un risque de première espèce extrêmement
faible (normes de sécurité drastiques, etc.).
2. Plus siouxe : soit m un réel, X ∼ N (m, 1) et ϕ(x) = exp(−mx + m2 /2). Pour tout m, on
a donc Z Z
1 x2
I = E[ϕ(X)] = ϕ(x)f (x)dx = √ e− 2 dx = 1.
R R 2π
Or 95% des Xi tombent dans l’intervalle [m−2, m+2] tandis que ϕ(m) = exp(−m2 /2) tend
très vite vers 0 quand m augmente. Ainsi, dès lors que m est grand, on obtient Iˆn proche de
0, ce qui n’est clairement pas une approximation souhaitable de la valeur cherchée I = 1.
L’idée de l’échantillonnage préférentiel, ou échantillonnage pondéré, ou importance sampling, est

de tirer des points non pas suivant la densité f de X mais selon une densité auxiliaire g réalisant
un compromis entre les régions de l’espace où ϕ est grande et où la densité f est élevée, quitte à
rétablir le tir ensuite en tenant compte du fait que la loi de simulation g n’est pas la loi initiale f .
Mathématiquement, il s’agit simplement d’une réécriture de I sous la forme
Z Z Z
f (y)
I = E[ϕ(X)] = ϕ(x)f (x)dx = ϕ(y)g(y)dy = w(y)ϕ(y)g(y)dy = E[w(Y )ϕ(Y )],
g(y)

où Y a pour densité g et w(y) = f (y)/g(y) correspond à la pondération (ou rapport de vraisem-

blance) dû au changement de loi.
Attention ! Pour que celui-ci soit bien défini, il faut s’assurer qu’on ne divise pas par 0, c’est-à-
dire que g(y) = 0 implique f (y)ϕ(y) = 0. Concrètement, il faut absolument que g mette du poids
partout où le produit ϕf est non nul, sans quoi l’estimateur d’échantillonnage préférentiel est voué
à l’échec.
Ceci supposé, si l’on sait :
(a) simuler suivant la densité g,
(b) calculer le rapport de vraisemblance w(y) = f (y)/g(y) pour tout y,
l’estimateur par échantillonnage préférentiel prend la forme
n
1X
Iñ = w(Yi )ϕ(Yi ),
n
i=1
où les Yi sont i.i.d. de densité g. Mutatis mutandis, les résultats vus pour Iˆn s’appliquent à nouveau
ici.
Proposition 8 (Echantillonnage préférentiel)

Si E|w(Y )ϕ(Y )| < ∞, alors l’estimateur Iñ est sans biais et convergent, c’est-à-dire que E[Iñ ] = I
et
n
˜ 1X p.s.
In = w(Yi )ϕ(Yi ) −−−→ E[w(Y )ϕ(Y )] = I.
n n→∞
i=1
Si de plus E[w(Y )2 ϕ(Y )2 ] < ∞, alors

√ L
n (Iñ − I) −−−→ N (0, s2 ),
n→∞
avec Z
2
s = Var(w(Y )ϕ(Y )) = w(y)2 ϕ(y)2 g(y)dy − I 2 = E[w(X)ϕ(X)2 ] − I 2 .
Remarque. Comme précédemment, la variance s2 est naturellement estimée par

n
1X
s̃2n = w(Yi )2 ϕ(Yi )2 − Iñ2 ,
n
i=1
d’où l’on peut déduire des intervalles de confiance asymptotiques.

La variance s2 de Iñ est à comparer à la variance σ 2 = E[ϕ2 (X)]−I 2 de Iˆn . Il “suffit” donc de choisir
la pondération w, c’est-à-dire la densité instrumentale g, de sorte que le terme E[w(X)ϕ2 (X)] soit
le plus petit possible. La bonne nouvelle, c’est que ce problème a une solution explicite, la mauvaise
c’est qu’elle est tout à fait hors d’atteinte...
Lemme 1 (Loi d’échantillonnage optimale)

Pour toute densité g telle que E[w(Y )2 ϕ(Y )2 ] < ∞, on a
Z 2 Z 2
s2 = Var(w(Y )ϕ(Y )) ≥ E[|ϕ(X)|]2 − I 2 = |ϕ(x)|f (x)dx − ϕ(x)f (x)dx ,
la borne inférieure étant atteinte pour la densité g ⋆ définie par

|ϕ(y)|f (y)
g⋆ (y) = Z .
|ϕ(y)|f (y)dy

Preuve. Toute variable aléatoire étant de variance positive, il vient
s2 = E[w(Y )2 ϕ(Y )2 ] − I 2 = E[(w(Y )|ϕ(Y )|)2 ] − I 2 ≥ E[w(Y )|ϕ(Y )|]2 − I 2 = E[|ϕ(X)|]2 − I 2 .
L’égalité dans l’inégalité précédente n’est possible que si la variable aléatoire w(Y )|ϕ(Y )| est p.s.
constante. La variable Y étant de densité g, ceci signifie qu’il existe une constante c telle que pour
tout y tel que g(y) > 0, on a
|ϕ(y)|f (y) |ϕ(y)|f (y)
w(y))|ϕ(y)| = c ⇐⇒ g(y) = ⇐⇒ g(y) = Z ,
c
|ϕ(y)|f (y)dy
la dernière équivalence découlant du fait que g est une densité.

Si ϕ est de signe constant, la variance obtenue avec g⋆ est nulle, ce qui signifie qu’un seul tirage
selon g ⋆ suffit ! En effet, si Y ∼ g⋆ , alors
Z
˜ f (Y )
I1 = w(Y )ϕ(Y ) = ⋆ ϕ(Y ) = ϕ(x)f (x)dx = I.
g (Y )
Bien entendu, il y a deux obstacles : d’une part, rien n’assure que l’on sache simuler selon g⋆ ;
d’autre part, même si on savait le faire, le calcul du rapport de vraisemblance w(Y ) = I/ϕ(Y )
nécessite la connaissance de I, qui est précisément la quantité cherchée !
Même si la proposition précédente présente surtout un intérêt théorique, on retrouve l’idée selon
laquelle la densité auxiliaire g doit réaliser un compromis entre la fonction à intégrer ϕ et la densité
f : autant que possible, g doit mettre du poids là où le produit |ϕ(x)|f (x) est le plus élevé.
2.2.2 Conditionnement

On cherche toujours à estimer I = E[ϕ(X)] en supposant E ϕ2 (X) < ∞. L’idée force dans cette
section a été vue en cours de probabilités, à savoir : le conditionnement ne change pas la moyenne,
mais réduit l’incertitude. Appliqué à notre contexte, ceci signifie que pour toute autre variable
aléatoire Y , on a d’une part
E[E[ϕ(X)|Y ]] = E[ϕ(X)] = I.
D’autre part, puisque ϕ(X) est de carré intégrable, l’espérance conditionnelle est la projection
orthogonale (définie p.s.) de ϕ(X) sur le sous-espace 3 σ(Y ) des variables aléatoires de la forme
h(Y ) où h est borélienne et telle que E[h(Y )2 ] < ∞. Par le Théorème de Pythagore, on a donc
(voir Figure 2.2)
E[ϕ(X)2 ] = E[E[ϕ(X)|Y ]2 ] + E[(ϕ(X) − E[ϕ(X)|Y ])2 ] ≥ E[E[ϕ(X)|Y ]2 ].
Puisque E[E[ϕ(X)|Y ]] = E[ϕ(X)], on peut soustraire le carré de cette quantité des deux côtés pour
aboutir à
σ 2 = Var(ϕ(X)) ≥ Var(E[ϕ(X)|Y ]) = s2 .
Remarque. Une autre façon de le voir est d’appliquer la formule dite de la variance totale, à
savoir
Var(ϕ(X)) = Var(E[ϕ(X)|Y ]) + E[Var(ϕ(X)|Y )] ≥ Var(E[ϕ(X)|Y ]),
où la variance conditionnelle de ϕ(X) sachant Y est la variable aléatoire définie p.s. par
Var(ϕ(X)|Y ) = E[(ϕ(X) − E[ϕ(X)|Y ])2 |Y ] = E[ϕ(X)2 |Y ] − E[ϕ(X)|Y ]2 .

3. sous-entendu : de l’espace de Hilbert L2 (Ω, F, P).

Soit donc Y une variable auxiliaire de densité g dont on sait simuler des réalisations et telle que,
pour tout y, on puisse calculer ψ(y) = E[ϕ(X)|Y = y]. On considère l’estimateur
n n
1X 1X
Iñ = ψ(Yi ) = E[ϕ(X)|Yi ].
n n
i=1 i=1
Ses propriétés découlent de ce qui vient d’être dit.
ϕ(X)
ϕ(X) − E[ϕ(X)|Y ]
E[ϕ(X)|Y ]
σ(Y )
Figure 2.2 – Interprétation de E[ϕ(X)|Y ] comme projeté orthogonal.
Proposition 9 (Estimation par conditionnement)

Si E|ϕ(X)| < ∞, alors l’estimateur Iñ est sans biais et convergent, c’est-à-dire que E[Iñ ] = I et
n
1X p.s.
Iñ = ψ(Yi ) −−−→ E[ψ(Y )] = E[E[ϕ(X)|Y ]] = I.
n n→∞
i=1
Si de plus E[ϕ2 (X)] < ∞, alors

√ L
n (Iñ − I) −−−→ N (0, s2 ),
n→∞
avec
s2 = Var(E[ϕ(X)|Y ]) = Var(ψ(Y )) = E[ψ 2 (Y )] − I 2 .
A nouveau, la variance s2 est estimée de façon immédiate par

n
1X 2
s̃2n = ψ (Yi ) − Iñ2 ,
n
i=1
et les intervalles de confiance asymptotiques en découlent.

Exemple : surface du quart de disque unité. On revient à l’exemple vu en Section 2.1.1 où
I = π/4 est estimée par
n
ˆ 1X
In = 1D (Xi , Yi ).
n
i=1
Les variables X et Y étant uniformes et indépendantes, on a

p p
E[1D (X, Y )|X = x] = P(x2 + Y 2 ≤ 1) = P(Y ≤ 1 − x2 ) = 1 − x2 = ψ(x),

ce qui conduit à l’estimateur

n q
1X
Iñ = 1 − Xi2 .
n
i=1
Sa variance se calcule facilement :
Z 1
2 2 2
s = E[ψ (X)] − I = (1 − x2 )dx − (π/4)2 = 2/3 − (π/4)2 ≈ 0.05.
0
La variance de Iˆn étant de σ 2 = π/4(1 − π/4) ≈ 0.17, on gagne un facteur 2 en écart-type, c’est-à-
dire que pour le même n, on a un estimateur deux fois plus précis avec deux fois moins de variables
uniformes (puisqu’on ne simule plus les Yi ).
2.2.3 Stratification
Le principe est le même qu’en sondages : s’il existe une variable auxiliaire Y permettant de par-
titionner l’espace d’états X = X1 ∪ · · · ∪ XJ en J strates sur chacune desquelles la variable X est
“assez homogène”, on a tout intérêt à tirer parti de cette information.
Formellement, supposons que l’on connaisse les probabilités pj = P(X ∈ Xj ) et que l’on sache
simuler selon les lois conditionnelles L(X|X ∈ Xj ). Par conditionnement, on peut écrire
J
X J
X
I = E[ϕ(X)] = E[ϕ(X)|X ∈ Xj ]P(X ∈ Xj ) = pj E[ϕ(X)|X ∈ Xj ].
j=1 j=1
L’idée est alors d’estimer séparément chacune des moyennes conditionnelles E[ϕ(X)|X ∈ Xj ] grâce
à nj simulations. Soit donc (n1 , . . . , nJ ) un J-uplet tel que n1 + · · · + nJ = n et, pour tout j,
(X1,j , . . . , Xnj ,j ) des réalisations i.i.d. de la loi L(X|X ∈ Xj ). L’estimateur par stratification a la
forme !
J nj
X 1 X
Iñ = pj ϕ(Xi,j )
nj
j=1 i=1
et possède les propriétés suivantes.
Proposition 10 (Estimation par conditionnement)

Si E|ϕ(X)| < ∞, alors l’estimateur Iñ est sans biais et, si tous les nj tendent vers l’infini, il est
convergent, c’est-à-dire que
J nj !
X 1 X p.s.
˜
In = pj ϕ(Xi,j ) −−−−−−−−−→ I.
nj (n1 ,...,nJ )→∞
j=1 i=1
Si de plus E[ϕ2 (X)] < ∞, alors sa variance vaut

J
X J
X
p2j p2j 2
s2n = Var(Iñ ) = Var(ϕ(X)|X ∈ Xj ) = σ ,
nj nj j
j=1 j=1
avec
σj2 = Var(ϕ(X)|X ∈ Xj ) = E ϕ2 (X)|X ∈ Xj − E [ϕ(X)|X ∈ Xj ]2 .
Les estimateurs naturels de σj2 et s2n sont donc respectivement

nj nj !2 J
1 X 2 1 X X p2j 2
σ̃j2 = ϕ (Xi,j ) − ϕ(Xi,j ) =⇒ s̃2n = σ̃ .
nj nj nj j
i=1 i=1 j=1

Si l’on convient de noter mj = E[ϕ(X)|X ∈ Xj ] les moyennes par classe, la formule de décompo-
sition en variances intra et inter-classe nous assure que
J
X J
X
Var(ϕ(X)) = pj σj2 + pj (I − mj )2 .
j=1 j=1
Par ailleurs, si on effectue une allocation proportionnelle en prenant nj = pj × n (abstraction faite

des arrondis), il vient pour l’estimateur par stratification
J
1X Var(ϕ(X))
s2n = pj σj2 ≤ ,
n n
j=1
la variance inter-strate ayant disparu par rapport au Monte-Carlo standard. Théoriquement, on

peut faire encore mieux grâce à l’allocation dite optimale : l’optimisation sous contrainte
J
X p2j 2
inf σ avec n1 + · · · + nJ = n
n1 ,...,nJ nj j
j=1
admet en effet la solution

!  2
J J
p 1 σ1 p J σJ X p2j 2 1 X
(n⋆1 , . . . , n⋆J ) = PJ n, . . . , PJ n =⇒ σ = p j σj  .
j=1 pj σj j=1 pj σj
nj j n
j=1 j=1
Cette allocation est impossible a priori puisqu’on ne connaît pas les σj . On sait cependant les
estimer par les σ̃j déjà croisés, donc on peut envisager une méthode en deux temps : on commence
par les estimer grâce à une première simulation, tandis qu’une seconde simulation effectue une
allocation quasi-optimale avec
!
p 1 σ̃ 1 p J σ̃ J
(ñ⋆1 , . . . , ñ⋆J ) = PJ n . . . , PJ n .
j=1 pj σ̃j j=1 pj σ̃j
Indépendamment de l’allocation choisie, les termes de variance intra-classe σj2 rappellent qu’on a
tout intérêt à choisir des strates Xj sur lesquelles la variable X est aussi homogène que possible.
Remarque. Notons Y la variable aléatoire discrète valant j si X ∈ Xj . L’approche par stratifica-
tion est liée à la méthode de conditionnement puisque dans les deux cas l’estimation est basée sur
le calcul d’espérance par conditionnement :
 Z
 E[ϕ(X)|Y = y]g(y)dy
E[ϕ(X)] = E[E[ϕ(X)|Y ]] =
 PJ E[ϕ(X)|Y = j]p
j=1 j
Elles sont en fait duales : dans un cas on simule la variable auxiliaire Y et on connaît l’espé-
rance conditionnelle sachant celle-ci, dans l’autre on connaît la loi de Y et on estime l’espérance
conditionnelle sachant celle-ci.
2.2.4 Variables antithétiques

Nous ne présentons pas cette méthode dans le cadre le plus général, mais plutôt par l’intermédiaire
d’une application classique. Rappelons que l’estimateur Monte-Carlo standard de I = E[ϕ(X)]
s’écrit
n n
ˆ 1X 1X
In = ϕ(Xi ) = ϕ(F −1 (Ui )),
n n
i=1 i=1

2.3. Méthodes Quasi-Monte-Carlo 35
où F −1 , supposée connue, désigne comme au Chapitre 1 l’inverse généralisée de la fonction de

répartition F de X. Les variables Ui sont quant à elles i.i.d. selon la loi uniforme sur [0, 1]. Si les
variables Xi sont simulées par la méthode d’inversion, c’est en fait sous cette dernière forme que
l’estimateur est implémenté.
Puisque les variables (1 − Ui ) sont elles-mêmes i.i.d. selon la loi uniforme, l’estimateur
n
1 X ϕ(F −1 (Ui )) + ϕ(F −1 (1 − Ui ))
Iñ =
n 2
i=1
est lui aussi sans biais et convergent. Il est cependant deux fois plus coûteux si l’évaluation
ϕ(F −1 (u)) n’est pas immédiate. Quid de sa variance ? Celle de Iˆn a déjà été vue et vaut Var(ϕ(X))/n.
Pour Iñ , on a
1 Var(ϕ(F −1 (U ))) + Cov(ϕ(F −1 (U ), ϕ(F −1 (1 − U )))

Var(Iñ ) = × .
n 2
Or Var(ϕ(F −1 (U ))) = Var(ϕ(X)) et l’inégalité de Cauchy-Schwarz impose que
p p
Cov(ϕ(F −1 (U ), ϕ(F −1 (1 − U ))) ≤ Var(ϕ(F −1 (U ))) × Var(ϕ(F −1 (1 − U ))) = Var(ϕ(X)),
si bien que l’on a toujours, en notant ρ(X, Y ) = Cov(X, Y )/(σ(X)σ(Y )) le coefficient de corrélation
linéaire,
Var(Iñ ) 1 + ρ(ϕ(F −1 (U ), ϕ(F −1 (1 − U )))
= ≤ 1,
Var(Iˆn ) 2
c’est-à-dire que Iñ est préférable à Iˆn . Si de plus ϕ est monotone, alors l’inégalité de covariance de
Tchebychev permet de montrer que
Var(Iñ ) 1
Cov(ϕ(F −1 (U ), ϕ(F −1 (1 − U ))) ≤ 0 =⇒ ≤ .
Var(Iˆn ) 2
Ainsi le surcoût algorithmique est au moins compensé par la réduction de variance.

Exemple jouet. Supposons que X ∼ U[0,1] et ϕ(x) = x2 . On obtient dans ce cas une division de
la variance par 16.
2.3 Méthodes Quasi-Monte-Carlo

Revenons au problème d’intégration par rapport à la loi uniforme, autrement dit l’estimation de
Z
I= ϕ(x)dx.
[0,1]d
Si d = 1, pour une méthode Monte-Carlo classique, c’est-à-dire lorsque (Xn )n≥1 est une suite de
variables i.i.d. uniformes sur [0, 1], l’estimateur
n
1X
Iˆn = ϕ(Xi )
n
i=1
√
a une erreur moyenne en O(1/ n), celle-ci étant mesurée par l’écart-type. Pour n fixé, puisque
cette moyenne est mesurée par rapport à l’ensemble des séquences possibles {X1 , . . . , Xn } i.i.d.
√
uniformes sur [0, 1], cela signifie qu’il en existe pour lesquelles l’erreur est plus petite que 1/ n.

Par exemple, à n fixé et si ϕ est de classe C 1 , alors pour la séquence {1/n, . . . , (n − 1)/n, 1}, la
méthode des rectangles donne
n
1X kϕ′ k∞
|Rn − I| = ϕ(i/n) − I ≤ ,
n 2n
i=1
donc une vitesse bien meilleure. Néanmoins, avec cette méthode, l’estimateur à (n + 1) points
requiert le calcul des ϕ(i/(n + 1)), c’est-à-dire qu’on ne peut se servir ni de la valeur de Rn ni des
valeurs ϕ(i/n) déjà calculées. A contrario, pour une méthode Monte-Carlo, la relation entre Iˆn et
Iˆn+1 est élémentaire puisque
n ˆ 1
Iˆn+1 = In + ϕ(Xn+1 ).
n+1 n+1
L’idée des méthodes Quasi-Monte-Carlo est de trouver un compromis entre ces deux techniques.
Commençons par introduire la notion de discrépance, ou plutôt une notion de discrépance.
Définition 3 (Discrépance à l’origine)

Soit (ξn )n≥1 une suite de [0, 1]d . La discrépance (à l’origine) de (ξn )n≥1 est la suite (Dn⋆ (ξ))n≥1
définie par
n
1X
Dn⋆ (ξ) = sup |λn (B) − λ(B)| = sup 1B (ξi ) − λ(B) ,
B∈R⋆ B∈R⋆ n i=1
où R⋆ = {B = [0, u1 ] × · · · × [0, ud ], 0 ≤ uj ≤ 1 ∀j} est l’ensemble des pavés contenus dans [0, 1]d
avec un sommet en l’origine, λ(B) = u1 × · · · × ud est la mesure de Lebesgue d’un tel pavé tandis
que λn (B) est sa mesure empirique pour la suite (ξn )n≥1 , i.e. la proportion des n premiers points
de cette suite appartenant à B.
En dimension d = 1, on a ainsi
n
1X
Dn⋆ (ξ) = sup 1[0,u] (ξi ) − u .
0≤u≤1 n
i=1
Autrement dit, la discrépance à l’origine mesure la distance en norme sup entre la fonction de
répartition empirique et celle de la loi uniforme.
Exemples :
1. Suites de van der Corput : en dimension d = 1, on se fixe un nombre entier, par exemple 2,
et on part de la suite des entiers naturels que l’on traduit en base 2 :
1 = (1), 2 = (10), 3 = (11), 4 = (100), 5 = (101), 6 = (110), 7 = (111), 8 = (1000), . . .
puis on applique la transformation “miroir” suivante :
B
X B
X
b xb
n= xb 2 =⇒ ξn = ,
2b+1
b=0 b=0
ce qui donne, en décomposition binaire :

ξ1 = (0.1), ξ2 = (0.01), ξ3 = (0.11), ξ4 = (0.001), ξ5 = (0.101), ξ6 = (0.011), ξ7 = (0.111), . . .
d’où, retraduit en décomposition décimale, la suite de van der Corput de base 2 :

1 1 3 1 5 3 7 1 9 5 13 3 11 7 15 1
(ξn )n≥1 = , , , , , , , , , , , , , , , ,... .
2 4 4 8 8 8 8 16 16 16 16 16 16 16 16 32
On peut montrer que Dn⋆ (ξ) = O(log n/n).

2.3. Méthodes Quasi-Monte-Carlo 37
2. Suites de Halton : elles correspondent à la généralisation des suites de van der Corput en
dimension d supérieure à 1. On considère d nombres premiers entre eux b1 , . . . , bd et on
construit les d suites de van der Corput ξ (1) , . . . , ξ (d) de bases respectives b1 , . . . , bd . La
suite de Halton associée est alors

ξ = (ξn )n≥1 = ξn(1) , . . . , ξn(d) .
n≥1
Par exemple, en dimension 2, en prenant b1 = 2 et b2 = 3, les premiers termes de la suite

de Halton associée sont (voir aussi Figure 2.3)

1 1 1 2 3 1 1 4 5 7 3 2 7 5 1 8
ξ= , , , , , , , , , , , , , , , ,...
2 3 4 3 4 9 8 9 8 9 8 9 8 9 16 9
Pour une suite de Halton en dimension d, on peut montrer que Dn⋆ (ξ) = O((log n)d /n).
Echantillon uniforme Suite de Halton
1.00 1.00
0.75 0.75
0.50 0.50
0.25 0.25
0.00 0.00
0.00 0.25 0.50 0.75 1.00 0.00 0.25 0.50 0.75 1.00
Figure 2.3 – Echantillons de n = 500 points d’une suite uniforme et d’une suite de Halton.
Avant de voir en quoi la notion de discrépance permet de contrôler l’erreur d’estimation, il faut
introduire une notion de variation de la fonction à intégrer. Pour simplifier les choses, nous nous
focaliserons sur les fonctions ϕ suffisamment régulières.
Définition 4 (Variation de Hardy-Krause)

La variation au sens de Hardy-Krause d’une fonction ϕ : [0, 1]d → R de classe C d est
d
X X Z ∂j ϕ
V (ϕ) = (x(i1 , . . . , ij )) dxi1 . . . dxij ,
[0,1]j ∂xi1 . . . ∂xij
j=1 i1 <···<ij
avec x(i1 , . . . , ij ) le point de Rd dont toutes les coordonnées valent 1 sauf celles de rangs (i1 , . . . , ij )
qui valent respectivement (xi1 , . . . , xij ).
Ainsi, lorsque d = 1, on a tout simplement

Z 1
V (ϕ) = |ϕ′ (x)|dx = kϕ′ k1 .
0

Pour d = 2, ça se complique un peu :

Z 1 Z 1 ZZ
∂ϕ ∂ϕ ∂2ϕ
V (ϕ) = (x1 , 1) dx1 + (1, x2 ) dx2 + (x1 , x2 ) dx1 dx2 .
0 ∂x1 0 ∂x2 [0,1]2 ∂x1 ∂x2
Il est clair qu’en dimension supérieure, estimer la variation de Hardy-Krause devient vite inextri-
cable : somme de (2d − 1) termes, dérivées partielles... Néanmoins, cette notion intervient de façon
cruciale pour majorer la qualité d’un estimateur basé sur une séquence (ξn )n≥1 .
Théorème 3 (Inégalité de Koksma-Hlawka)

Pour toute fonction ϕ : [0, 1]d → R et toute suite (ξn )n≥1 de [0, 1]d , on a
n Z
1X
ϕ(ξi ) − ϕ(x)dx ≤ V (ϕ) × Dn⋆ (ξ),
n [0,1]d
i=1
où V (ϕ) est la variation de ϕ au sens de Hardy-Krause et Dn⋆ (ξ) la discrépance de ξ à l’ordre n.
L’intérêt de ce résultat est de séparer l’erreur d’estimation en deux termes : l’un faisant intervenir
la régularité de ϕ, l’autre les propriétés de (ξn )n≥1 en terme de discrépance. Puisqu’a priori on n’a
aucune latitude sur ϕ, l’idée est de prendre (ξn )n≥1 de discrépance minimale.
En dimension 1, il est prouvé qu’on ne peut faire mieux qu’une discrépance en O(log n/n). En
dimension supérieure, ce problème est encore ouvert à l’heure actuelle : on sait prouver que la
discrépance ne peut être plus petite que O((log n)d/2 /n), mais la conjecture est que la meilleure
borne possible est en fait en O((log n)d /n). Ceci explique la définition suivante.
Définition 5 (Suites à discrépance faible et méthodes Quasi-Monte-Carlo)

Une suite (ξn )n≥1 de [0, 1]d vérifiant Dn⋆ (ξ) = O((log n)d /n) est dite à discrépance faible et une
méthode d’approximation basée sur ce type de suite est dite Quasi-Monte-Carlo.
Exemples. Outre les suites de Halton détaillées ci-dessus, on peut citer les suites de Faure, de
Sobol et de Niederreiter comme exemples de suites à discrépance faible.
Si l’on revient au problème d’intégration
Z
I= ϕ(x)dx,
[0,1]d
et que l’on se donne une suite (ξn )n≥1 à discrépance faible, par exemple une suite de Halton basée
sur les d premiers nombres premiers, alors l’estimateur
n
1X
Iˆn = ϕ(ξi )
n
i=1
est un estimateur Quasi-Monte-Carlo de l’intégrale I, dont l’erreur (déterministe) est donc en

O((log n)d /n). Rappelons qu’une méthode Monte-Carlo classique présente une erreur (moyenne)
√
en O(1/ n) et qu’une méthode de de type quadrature a une erreur (déterministe) en O(n−s/d ).
Dès lors, les méthodes Quasi-Monte-Carlo sont typiquement compétitives en dimension “intermé-
diaire” et pour des fonctions suffisamment régulières. C’est du reste leur cadre d’application en
mathématiques financières.
Reférences. Sur toute cette section, on trouvera compléments et exemples en Chapitre 7 de [34]
ainsi qu’en Chapitre 3 de [27].

2.4. Exercices 39
2.4 Exercices
Exercice 2.1 (Estimation de π)
On revient sur la méthode vue en cours de simulation uniforme dans le quart de disque unité.
1. En déduire un estimateur π̂n de π, ainsi qu’un intervalle de confiance asymptotique à 95%.
2. Sur un même graphique, représenter π̂n et les intervalles de confiance en fonction de n pour
n allant de 1 à 1000. Ajouter à ce graphique la droite horizontale y = π.
3. Comment choisir n pour obtenir une précision au centième sur π (avec 95% de chances) ?
4. Retrouver ce résultat par simulation.
Exercice 2.2 (Estimation de la constante d’Euler)

On considère sur R la fonction de répartition F (x) = exp(− exp(−x)). Si X a pour fonction de
répartition F , on peut montrer que E[X] = γ ≈ 0.577, constante d’Euler.
1. Par la méthode d’inversion, proposer une méthode pour simuler une variable X de fonction
de répartition F .
2. Implémenter la méthode précédente pour simuler un échantillon X1 , . . . , Xn de taille n =
104 . En déduire un estimateur γ̂n de γ ainsi qu’un intervalle de confiance asymptotique à
95%.
3. Sur un même graphique, pour n allant de 1 à 1000, représenter γ̂n et les intervalles de
confiance asymptotiques à 95% en fonction de n. Ajouter à ce graphique le droite horizontale
y = γ en rouge.
4. Si X a pour fonction de répartition F , quelle est sa densité f ? Soit g(x) = 21 exp(−|x|) la
densité d’une variable de Laplace : représenter la fonction x 7→ f (x)/g(x) pour x variant de
-10 à 10. Au vu de ce graphique, que vaut m = supx∈R f (x)/g(x) ? Le démontrer.
5. Rappeler comment simuler Y selon une loi de Laplace. A partir de la question précédente,
implémenter une méthode de rejet pour simuler X de densité f .
6. Des deux méthodes précédentes (inversion et rejet), laquelle choisiriez-vous pour simuler
X?
Exercice 2.3 (Bayes in memoriam (1761))
Une boule de billard est lancée au hasard uniforme sur une ligne de longueur 1, sa position étant
notée θ. Ceci fait, une seconde boule est lancée de la même façon N fois de suite sur cette ligne et
x est le nombre de fois où elle arrive à gauche de la première.
1. Avec les notations du cours, préciser la loi a priori π(θ), la vraisemblance f (x|θ) et la loi
a posteriori π(θ|x). En déduire, en fonction de x et N , la moyenne a posteriori de θ (ou
espérance de θ sachant x). Idem pour la variance a posteriori.
2. Pour N = 10 et x = 7, retrouver ces résultats par simulation.
3. Dans le cas général (i.e. on ne suppose plus N = 10 et x = 7), comparer la variance a
posteriori de θ à sa variance a priori.
4. La moyenne a posteriori de θ correspond-elle à l’estimateur au maximum de vraisemblance ?
5. Que dire du mode a posteriori ?
Exercice 2.4 (Modèle bayésien gaussien)

Les réels τ et σ étant fixés non nuls, on suppose que θ suit une loi normale N (0, τ 2 ) et que, sachant
θ, X suit une loi normale N (θ, σ 2 ).
1. Montrer que la densité a posteriori π(θ|x) est celle d’une loi normale dont on précisera
moyenne et variance en fonction de x, τ et σ.

2. Comparer la variance a posteriori à la variance a priori.

3. La moyenne a posteriori de θ correspond-elle à l’estimateur au maximum de vraisemblance ?
4. Que dire du mode a posteriori ?
Exercice 2.5 (Estimation d’événement rare)
On veut retrouver par simulation la valeur de p = P(X ≥ 6) avec X ∼ N (0, 1).
1. Déterminer p grâce à la fonction pnorm de R.
2. Rappeler l’estimateur Monte-Carlo standard basé sur n variables gaussiennes simulées via
la fonction rnorm. Estimer p avec n le plus grand possible.
3. Si T suit une loi exponentielle de paramètre 1, donner la densité de l’exponentielle décalée
Y = 6 + T . En déduire un estimateur d’échantillonnage préférentiel pour p, le représenter
en fonction de n, ainsi que les intervalles de confiance à 95%.
Exercice 2.6 (Here comes trouble)
On veut retrouver par simulation la valeur de p = P(X ≥ 10) avec X qui suit une loi de Pareto de
paramètres (1, 3), c’est-à-dire de densité f (x) = 3x−4 1x≥1 .
1. Déterminer la valeur de p.
2. Illustrer comme en exercice précédent la convergence de l’estimateur Monte-Carlo standard.
3. Utiliser une loi exponentielle translatée pour estimer p, représenter la convergence et expli-
quer ce qui se passe.
Exercice 2.7 (Somme d’exponentielles et conditionnement)
Soit X et Y deux variables indépendantes suivant respectivement des lois exponentielles de para-
mètres 1 et 2. On veut estimer p = P(X + Y > 5).
1. Pour un Monte-Carlo classique, représenter l’estimateur de la variance en fonction de n.
2. Soit S = X + Y la somme des deux variables. Préciser E[1S>5 |Y = y] et en déduire une
méthode par conditionnement pour estimer p. Représenter le gain en variance par rapport
à la question précédente.
3. Déterminer la densité de S et retrouver p.
Exercice 2.8 (Décembre 2016)
On suppose que Y ∼ N (1, 1) et que, sachant Y = y, X suit une loi normale de moyenne y et de
variance 4. On veut estimer I = P(X > 1).
1. En écrivant X comme la somme de deux variables gaussiennes indépendantes, montrer que
I = 1/2.
2. Proposer un estimateur Monte-Carlo Iˆn de I ainsi qu’un intervalle de confiance asymp-
totique à 95%. Sur un même graphique, pour n allant de 1 à 1000, représenter Iˆn et les
intervalles de confiance asymptotiques à 95% en fonction de n. Ajouter à ce graphique la
droite horizontale y = 1/2 en rouge.
3. Proposer un estimateur Iñ de I par la méthode de conditionnement (rappel : si Y ∼
N (m, s2 ), alors pnorm(q,mean=m,sd=s) correspond à P(Y ≤ q)). Sans faire de calculs,
est-il meilleur que Iˆn ?
Exercice 2.9 (Vecteur gaussien et exponential tilting)
Dans cet exercice, on pourra utiliser le package mvtnorm. On veut estimer p = P((X, Y ) ∈ R) où
(X, Y ) est un vecteur gaussien centré de matrice de covariance

4 −1
Γ= ,
−1 4
et Ra = {(x, y), x ≥ a, y ≥ a}, avec successivement a = 1, a = 3, a = 10.

2.4. Exercices 41
1. Pour chaque a, estimer p par Monte-Carlo classique.

2. Déterminer le point (x0 , y0 ) de Ra où la densité de la loi normale N (0, Γ) est maximale.
3. Proposer une méthode d’Importance Sampling basée sur la densité N ((x0 , y0 ), Γ) et com-
parer aux résultats de la première question.
4. Reprendre la question précédente avec des densités instrumentales de la forme N ((x0 , y0 ), δΓ)
pour différentes valeurs de δ.
Exercice 2.10 (Stratification et supercanonical rate)

On étudie ici une méthode d’accélération de la convergence se basant sur un principe de stratifi-
cation. On commence par l’illustrer sur un exemple jouet, à savoir l’estimation de
Z 1
I = E[cos X] = cos xdx. (2.5)
0
1. Rappeler l’estimateur Monte-Carlo classique Iˆn de I.

2. Grâce à une représentation log-log, c’est-à-dire avec log n en abscisse et le log de l’écart-type
√
empirique en ordonnée, retrouver le fait que la convergence est en 1/ n.
3. L’entier n étant fixé, on considère les n strates Xj = [xj−1 , xj ] = [(j − 1)/n, j/n] et on
simule un seul point Uj par strate. Avec les notations du cours, préciser les probabilités
pj ainsi que, pour tout j, la loi L(X|X ∈ Xj ). En déduire l’estimateur stratifié Iñ de I et
déterminer sa vitesse de convergence grâce à une représentation log-log.
4. En (2.5), on généralise cosinus en une fonction ϕ dérivable telle que M1 = kϕ′ k∞ < ∞.
(a) Via les accroissements finis, montrer que si Uj ∼ U[xj−1 ,xj ] , alors Var(ϕ(Uj )) ≤ M12 /n2 .
(b) En déduire que l’écart-type de Iñ est en n−3/2 . On parle de “supercanonical rate” par
référence à la vitesse canonique en n−1/2 d’une méthode Monte-Carlo classique.
Exercice 2.11 (Preuve par couplage de l’inégalité de covariance de Tchebychev)

Soit X une variable aléatoire, ϕ une fonction croissante et ψ une fonction décroissante telles que
ϕ(X) et ψ(X) soient de carré intégrable.
1. Soit X ′ une variable de même loi que X et indépendante de celle-ci. Montrer que
Cov(ϕ(X) − ϕ(X ′ ), ψ(X) − ψ(X ′ )) = E[(ϕ(X) − ϕ(X ′ ))(ψ(X) − ψ(X ′ )] ≤ 0.
2. Montrer par ailleurs que : Cov(ϕ(X) − ϕ(X ′ ), ψ(X) − ψ(X ′ )) = 2 Cov(ϕ(X), ψ(X)), et en
déduire l’inégalité de covariance de Tchebychev, à savoir que : Cov(ϕ(X), ψ(X)) ≤ 0.
3. En déduire le principe des variables antithétiques en Monte-Carlo, à savoir que si ϕ est
monotone et h décroissante telle que h(X) ait même loi que X alors, sous réserve d’existence
des variances,
ϕ(X) + ϕ(h(X)) 1
Var ≤ Var(ϕ(X)).
2 2
4. Exemple jouet : proposer une méthode de variable antithétique pour estimer E[exp X]
lorsque X ∼ N (0, 1) et illustrer la réduction de variance obtenue par rapport à une méthode
Monte-Carlo classique.
5. On peut généraliser l’inégalité de Tchebychev comme suit : soit ϕ(x, y) croissante en chaque
variable, ψ(x, y) décroissante en chaque variable, et (X, Y ) deux variables indépendantes,
alors sous réserve d’existence des variances, on a Cov(ϕ(X, Y ), ψ(X, Y )) ≤ 0. En déduire
une méthode de variables antithétiques pour estimer la valeur de p de l’Exercice 2.7 et la
comparer à la méthode par conditionnement.

Exercice 2.12 (Variables antithétiques) Z 1

On s’intéresse à l’estimation de l’intégrale I = eu du.
0
1. Rappeler la formule de l’estimateur Monte-Carlo standard Iˆn . Rappeler le Théorème Central
Limite auquel il obéit et calculer la variance σ 2 qu’il fait intervenir. Donner un estimateur
σ̂n2 de σ 2 .
2. Illustrer la convergence de σ̂n2 vers σ 2 .
3. Donner un estimateur Iñ de I à base de variables antithétiques. Quelle est sa variance
théorique s2 ? Par rapport au Monte-Carlo standard, par combien (environ) a-t-on divisé le
temps de calcul pour atteindre la même précision ?
4. Soit c une constante et Xc = exp(U ) + c(U − 1/2), où U ∼ U[0,1] . Quelle est la moyenne de
la variable Xc ? Exprimer la variance de Xc en fonction de c et des variances et covariance
de U et exp(U ). En déduire la valeur c⋆ de c rendant cette variance minimale et préciser
Var(Xc⋆ ). Comparer à s2 .
Exercice 2.13 (Marche aléatoire avec dérive et échantillonnage préférentiel)

Soit (Xn )n≥1 une suite de variables gaussiennes indépendantes N (−m, 1) avec m > 0, et Sn =
X1 + · · · + Xn . Les réels a < 0 et b > 0 étant fixés, on considère le temps d’arrêt N = min{n :
Sn < a ou Sn > b} et on s’intéresse à la probabilité p = P(SN > b) que la marche aléatoire (Sn )
sorte de l’intervalle [a, b] par le haut.
1. Montrer que le temps d’arrêt N est presque sûrement fini.
2. Pour m = 1, a = −50 et b = 5, simuler et représenter une trajectoire (Sn )1≤n≤N .
3. Proposer un estimateur p̂k de p basé sur k simulations successives de trajectoires. L’implé-
menter pour m = 1, a = −50 et b = 5. Combien trouvez-vous pour p̂k après k = 1000
simulations ?
4. Plutôt que de simuler X suivant la densité f d’une loi N (−m, 1), on simule X ′ suivant la
loi N (m, 1). On note Sn′ la marche aléatoire obtenue et N le temps de sortie de l’intervalle
[a, b]. Calculer le rapport de vraisemblance f (s)/g(s), où f et g sont les densités respectives
des variables aléatoires SN et SN ′ .
5. Déduire de la question précédente un nouvel estimateur p̃k de p basé sur k simulations

successives, et illustrer sa convergence en fonction de k pour m = 1, a = −50 et b = 5.
6. Déduire de la forme de p̃k que p ≤ exp(−2mb). Ceci est-il en accord avec le résultat de la
question 3 ?
Exercice 2.14 (Méthodes numériques, Monte-Carlo et Quasi-Monte-Carlo)

Soient k et d deux entiers naturels non nuls. On veut estimer par plusieurs méthodes l’intégrale
 
Z Z d
Y
I(k, d) = f (x)dx =  kπ
sin(kπxj ) dx1 . . . dxd .
2
[0,1]d [0,1]d j=1
1. Calculer à la main la valeur exacte de I(k, d).

2. Importer le package cubature et retrouver cette valeur grâce à la fonction adaptIntegrate
pour d = 10 (observer la différence entre k = 1 et k = 2).
d Iˆn )
3. Implémenter l’estimateur Monte-Carlo classique Iˆn de I(k, d) ainsi qu’un estimateur Var(
de sa variance. Calculer à la main la valeur exacte de Var(Iˆn ). Pour k = 1 et d = 10, tracer
d Iˆn ) en fonction de n.
sur un même graphique, en échelle log-log, Var(Iˆn ) et Var(

2.4. Exercices 43
4. Sur un même graphique, représenter à gauche 500 points distribués selon une loi uniforme
dans le carré [0, 1] × [0, 1], et à droite 500 points d’une suite de Halton.
5. Toujours à l’aide d’une suite de Halton, implémenter l’estimateur Quasi-Monte-Carlo Iñ de
I(k, d). Sur un même graphique, pour k = 1, représenter I, Iˆn et Iñ en fonction de n. Faire
varier d.
Exercice 2.15 (Bayes, Cauchy et Gauss)

Dans un cadre bayésien, on considère que la loi a priori sur θ est une loi de Cauchy standard et
que, sachant θ, les variables Xi sont i.i.d. selon une loi normale de moyenne θ et de variance 1.
1. Donner la formule de la loi a posteriori π(θ|x) = π(θ|x1 , . . . , xN ) et de la moyenne a poste-
riori θ̂(x).
2. Pour θ0 = 3 et N = 10, générer X1 , . . . , XN selon une loi normale de moyenne θ et de
variance 1 pour obtenir une réalisation x = (x1 , . . . , xN ).
3. En déduire un estimateur Monte-Carlo θ̂n (x) de l’estimateur de Bayes (moyenne a poste-
riori). Comment évolue cet estimateur avec N ?
4. Dans un cadre général, supposons qu’on veuille simuler selon la loi a posteriori π(θ|x). Si
on adopte une méthode de rejet avec comme loi instrumentale la loi a priori π(θ), montrer
que la constante optimale m est liée à l’estimateur du maximum de vraisemblance θ̂mv .
5. Si on revient au cas particulier précédent avec θ0 = 3, N = 10 et x = (x1 , . . . , xN ),
en déduire une méthode de rejet pour simuler selon la loi a posteriori. Représenter un
échantillon de taille n = 100 selon cette loi a posteriori via un histogramme ou via la
fonction density. Idem avec N = 100.
Exercice 2.16 (Estimation d’une p-value)

On considère un vecteur gaussien en dimension 2, X = [X1 , X2 ]′ ∼ N ([θ1 , θ2 ]′ , I2 ), où I2 est la
matrice identité en dimension 2. On veut tester H0 : θ1 = θ2 = 0 contre H1 : ∃j ∈ {1, 2}, θj 6= 0.
Pour ce faire, on considère la statistique de test T (X) = max(|X1 |, |X2 |).
1. On notera G la fonction de répartition de la loi N (0, 1) et F celle de la variable aléatoire
T (X) sous H0 . Pour tout t ≥ 0, exprimer F (t) en fonction de G(t). Soit α ∈]0, 1[ le risque
de première espèce. En déduire q = qα tel que, sous H0 , P(T (X) > q) = α, et un test de
niveau α pour décider entre H0 et H1 .
2. Soit x = [x1 , x2 ]′ une réalisation de X. On rappelle que la p-value associée est la probabilité
que, sous H0 , α0 (x) = P(T (X) ≥ T (x)). Déduire de la question précédente cette p-value en
fonction de T (x). Que vaut-elle pour x = [1, 2]′ ?
3. Toujours pour x = [1, 2]′ , retrouver approximativement cette p-value en simulant un grand
nombre de vecteurs aléatoires gaussiens i.i.d. de loi N ([0, 0]′ , I2 ).
4. On suppose maintenant que

X1 θ1 1 2
X= ∼N , ,
X2 θ2 2 5
et on veut toujours tester H0 : θ1 = θ2 = 0 contre H1 : ∃j ∈ {1, 2}, θj 6= 0, avec la même

statistique de test T (X) = max(|X1 |, |X2 |). La formule théorique de la p-value n’est plus
aussi simple et on ne cherchera pas à l’expliciter. Par contre, la méthode Monte-Carlo se
généralise sans problème. Toujours pour x = [1, 2]′ , déterminer (approximativement) cette
p-value en simulant un grand nombre de vecteurs aléatoires gaussiens.

Exercice 2.17 (Test du rapport de vraisemblance)

Soit X ∼ B(N, θ). On veut tester H0 : θ = θ0 contre H1 : θ 6= θ0 . Le test du rapport de
vraisemblance consiste à calculer la statistique de test
θ0X (1 − θ0 )N −X
T (X) = −2 log ,
θ̂ X (1 − θ̂)N −X
où θ̂ est l’estimateur du maximum de vraisemblance et avec la convention usuelle 00 = 1.

1. Exprimer θ̂ en fonction de X et N . Dans la suite, on considère θ0 = 1/2.
2. Soit x une observation selon la loi B(N, 1/2). La p-value du test est définie par
α0 (x) = P(T (X) ≥ T (x)),
avec X ∼ B(N, 1/2). Comment estimer α0 (x) par une méthode Monte-Carlo ? Implémenter
cette méthode pour N = 10.
3. On peut montrer que, sous H0 , T (X) tend en loi vers une χ21 lorsque N tend vers l’infini.
Pour N = 104 , retrouver le résultat de la simulation de la question précédente à partir de
la fonction pchisq.
4. Grâce à un développement limité en θ0 autour de θ̂, justifier la convergence vers une loi χ21
de la question précédente.
Exercice 2.18 (Décembre 2017)

On veut estimer de différentes façons la probabilité qu’une variable de Cauchy soit plus grande
que 2, c’est-à-dire
Z ∞
1 1 arctan 2
p = P(X > 2) = 2
dx = − ≈ 0.148.
2 π(1 + x ) 2 π
√
1. Donner l’estimateur Monte-Carlo standard p̂n et la variance asymptotique σ 2 de n(p̂n −p).
2. Pour n = 103 , implémenter l’estimateur p̂n et illustrer graphiquement sa convergence vers
p.
3. Donner un estimateur σ̂n2 de σ 2 et illustrer graphiquement sa convergence vers σ 2 .
4. Proposer un estimateur p̃n de p par variables antithétiques. Calculer la variance asympto-
√
tique s2 de n(p̃n − p). La comparer à σ 2 .
5. Implémenter un estimateur s̃2n de s2 et illustrer graphiquement sa convergence vers s2 .
6. Montrer que, si les Ui sont des variables i.i.d. selon une loi uniforme sur [0, 2], alors
n
1 1X 2
p̄n = −
2 n π(1 + Ui2 )
i=1
est un estimateur sans biais et asymptotiquement normal de p. On ne demande pas de

calculer la variance asymptotique v de cet estimateur.
7. Implémenter un estimateur v̂n2 de v et illustrer graphiquement sa convergence.
8. Des trois estimateurs précédents, lequel choisissez-vous ?
9. Mêmes questions pour
n
X
1 1
p̌n = n ,
i=1
2π(1 + Vi2 )
avec les Vi i.i.d. uniformes sur [0, 1/2].

2.5. Corrigés 45
Exercice 2.19 (Sampling Importance Resampling)

Soit N ∈ N⋆ fixé. Dans un cadre bayésien, on considère que la loi a priori sur θ est une loi normale
centrée réduite et que, sachant θ, la variable X suit une loi binomiale B(N, eθ /(1 + eθ )).
1. Donner la formule de la loi a posteriori π(θ|x). Exprimer en fonction de π(θ|x) la probabilité
P(θ > 0|X = x). Proposer un estimateur Monte-Carlo p̂n,N de cette probabilité.
2. Implémenter cet estimateur avec par exemple N = 10, x = 8 et n = 1000.
3. On considère la procédure suivante : générer un échantillon (θ̃1 , · · · , θ̃n ) i.i.d. suivant la loi
a priori, calculer les poids
P(X = x|θ̃i )
wi = Pn ,
j=1 P(X = x|θ̃j )
∗ ) parmi (θ̃ , · · · , θ̃ ) selon le vecteur
puis effectuer R tirages i.i.d. multinomiaux (θ1∗ , · · · , θR 1 n
de probabilités w = [w1 , · · · , wn ] (fonction sample). Pour N = 10, x = 8, n = 1000 et
R = 100, représenter un estimateur de la densité de l’échantillon (θ1∗ , · · · , θR ∗ ) ainsi obtenu.
4. Sur cet échantillon, calculer la proportion p̃n,R de θr∗ qui sont positifs. Comparer à la pro-
babilité obtenue en question 2.
5. Soit ϕ : R → R une fonction mesurable bornée, déterminer
R
1 X
E[ ϕ(θr∗ )|θ̃1 , · · · , θ̃n , x].
R r=1
Montrer que " #

R
1 X ∗ p.s.
E ϕ(θr ) θ̃1 , · · · , θ̃n , x −−−→ E [ϕ(θ)|x] .
R n→∞
r=1
2.5 Corrigés

Chapitre 3
Monte-Carlo par Chaînes de Markov
Introduction
Le premier chapitre exposait quelques méthodes pour simuler des variables aléatoires X1 , X2 , . . .
i.i.d. selon une loi f donnée. Ceci étant supposé possible, le deuxième chapitre en donnait une
application classique pour l’estimation de
Z
I = E[ϕ(X)] = ϕ(x)f (x)dx, (3.1)
en premier lieu par l’estimateur Monte-Carlo standard

n
1X
Iˆn = ϕ(Xi ). (3.2)
n
i=1
Ceci étant, la convergence de Iˆn vers I est encore valable si les variables Xn ne sont plus i.i.d.,
mais constituent par exemple une chaîne de Markov de loi stationnaire f . On parle alors de
méthodes Monte-Carlo par chaînes de Markov (MCMC), dont l’algorithme de Metropolis-Hastings
est l’exemple le plus connu. Afin de simplifier les choses, ce chapitre en présente les idées dans le
cadre d’un espace d’états fini, mais tout est transposable dans un cadre plus général.
3.1 Rappels sur les chaînes de Markov

Soit (Xn ) une suite de variables aléatoires à valeurs dans un ensemble E supposé fini et qui sera
parfois noté par commodité E = {1, 2, . . . , d}. E est appelé l’espace d’états. On dit que (Xn ) est
une chaîne de Markov homogène si pour tout n ≥ 1 et toute suite (x0 , x1 , . . . , xn−1 , x, y) de E telle
que P(X0 = x0 , . . . , Xn−1 = xn−1 , Xn = x) > 0, on a l’égalité suivante :
P(Xn+1 = y|X0 = x0 , . . . , Xn−1 = xn−1 , Xn = x) = P(Xn+1 = y|Xn = x) = P(X1 = y|X0 = x).
Autrement dit, sachant le présent, le futur est indépendant du passé. Ou encore : l’état présent
étant connu, toute information sur le passé est inutile pour prévoir l’état futur. On appelle alors
probabilité de transition de l’état x vers l’état y la quantité
P (x, y) = P(X1 = y|X0 = x),
et matrice de transition de la chaîne la matrice P = [P (x, y)]1≤x,y≤d de taille d × d. Cette matrice

vérifie les propriétés suivantes :
— Encadrement des coefficients :
∀(x, y) ∈ E 2 , 0 ≤ P (x, y) ≤ 1.
47
48 Chapitre 3. Monte-Carlo par Chaînes de Markov
— Somme par ligne : pour tout x ∈ E, on a

X
P (x, y) = 1.
y∈E
Autrement dit, 1 est valeur propre de P , le vecteur 1 = [1, . . . , 1]′ étant un vecteur propre
associé.
— Spectre : toute valeur propre de P est, en module, inférieure ou égale à 1. En effet, soit
(λ, v) un couple propre. Il existe x0 ∈ E tel que kvk∞ = |v(x0 )| > 0, or P v = λv donne en
particulier
 
X X X
|λv(x0 )| = P (x0 , y)v(y) ≤ P (x0 , y)|v(y)| ≤  P (x0 , y) |v(x0 )| = |v(x0 )|,
y∈E y∈E y∈E
donc |λ| ≤ 1.
Le sous-espace propre associé à la valeur propre 1 n’est pas nécessairement de dimension égale à 1.
Pour preuve l’exemple trivial de la matrice identité : noter que cet exemple correspondrait à une
chaîne qui ne change jamais d’état, il ne présente donc pas un grand intérêt.
Par ailleurs, la spécification de la loi initiale, c’est-à-dire des P(X0 = x) pour tout x ∈ E, et des
probabilités de transition P (x, y) permet d’écrire très simplement la loi jointe du vecteur aléatoire
(X0 , . . . , Xn ), puisque :
P(X0 = x0 , X1 = x1 , . . . , Xn = xn ) = P(X0 = x0 )P(X1 = x1 |X0 = x0 )...P(Xn = xn |Xn−1 = xn−1 )

= P(X0 = x0 )P (x0 , x1 ) . . . P (xn−1 , xn ).
A toute chaîne de Markov peut être associé un graphe de transition de la façon suivante : les
sommets du graphe sont les états de E et il existe un arc, étiqueté P (x, y), de x vers y si P (x, y) > 0.
Cette construction est commode lorsque E n’est pas trop grand ou lorsque la matrice P est très
creuse, autrement dit lorsque d’un état on ne peut transiter que vers un petit nombre d’états.
1
2
1 2
2 0 1 3
1
3
Figure 3.1 – Graphe de transition de la ligne téléphonique.
Exemple : la ligne téléphonique. On considère une ligne de téléphone. L’état Xn de cette ligne
à l’étape n est 0 si elle est libre et 1 si elle occupée. Entre deux instants successifs, il y a une
probabilité 1/2 pour qu’un appel arrive. Si la ligne est occupée et qu’un appel arrive, cet appel est
perdu. La probabilité pour que la ligne se libère entre l’instant n et l’instant (n + 1) est 1/3. Le
graphe de transition de cette chaîne de Markov est donné figure 3.1. La matrice de transition est
la suivante :
1/2 1/2
P = .
1/3 2/3
Les probabilités de transition en n étapes sont en fait complètement déterminées par les probabilités
de transition en un coup, c’est-à-dire par la matrice de transition. Ceci est explicité par les équations
de Chapman-Kolmogorov, que nous allons voir maintenant.

3.1. Rappels sur les chaînes de Markov 49
Notation. La probabilité d’aller de l’état x à l’état y en n coups est notée :
P (x, y)(n) = P(Xn = j|X0 = i),
et la matrice de transition en n coups est notée :

h i
P (n) = P (x, y)(n) .
(x,y)∈E 2
On adopte aussi la convention P (0) = Id , matrice identité de taille |E|.
Proposition 11 (Equations de Chapman-Kolmogorov)

Pour tout n ≥ 0, la matrice de transition en n coups est la puissance n-ème de la matrice de
transition de la chaîne, c’est-à-dire :
P (n) = P n .
Remarque. On en déduit que pour tout couple d’entiers naturels (n1 , n2 ) :
P (n1 +n2 ) = P n1 +n2 = P n1 × P n2 = P (n1 ) × P (n2 ) .
C’est plutôt cette équation qu’on appelle relation de Chapman-Kolmogorov. Ce qu’on traduit
comme suit : aller de x à y en (n1 + n2 ) pas, c’est d’abord aller de x à un certain x′ en n1 pas,
puis de x′ à y en n2 pas.
Notation. Tout comme les transitions de la chaîne, la position initiale X0 peut être aléatoire. On
convient de noter la loi de X0 comme un vecteur ligne de taille |E| = d :
µ0 = [µ0 (1), . . . , µ0 (d)] = [P(X0 = 1), . . . , P(X0 = d)] .
De même, on notera en vecteur ligne la loi de Xn :
µn = [P(Xn = 1), . . . , P(Xn = d)] .
Corollaire 1 (Loi marginale de la chaîne)

Soit (Xn ) une chaîne de Markov de loi initiale µ0 et de matrice de transition P , alors pour tout
entier naturel n, la loi de Xn est :
µn = µ0 P n .
Pour une suite de variables aléatoires (Xn ) à valeurs dans l’ensemble fini E, la convergence en loi
correspond simplement à la convergence du vecteur ligne µn de taille d, c’est-à-dire à la convergence
de chacune de ses d composantes. Puisque µn = µ0 P n , une condition suffisante pour la convergence
en loi de (Xn ) est donc la convergence de la suite (P n ) des puissances de la matrice P .
Tant qu’à faire, on aimerait avoir convergence de la loi de (Xn ) vers une loi indépendante de la
loi initiale µ0 , phénomène connu sous le nom d’oubli de la condition initiale. Mentionnons deux
situations pathologiques :

0 1 1 0
P = et Q= = I2 . (3.3)
1 0 0 1
Dans le premier cas, on a P 2n = I2 et P 2n+1 = P , donc (P n ) ne converge pas et, a fortiori,

µn = µ0 P n non plus sauf dans le cas très particulier µ0 = [1/2, 1/2] d’équidistribution initiale. On
a ici un problème de périodicité.
Dans le second cas, on a µn = µ0 Qn = µ0 trivialement convergente, mais on n’oublie pas la loi
initiale pour autant. C’est un problème de communication entre états auquel on a cette fois affaire.

Afin d’éviter ces désagréments, nous nous focaliserons sur les chaînes irréductibles et apériodiques.
Une chaîne est dite irréductible si tous les états communiquent entre eux, autrement dit : pour
tout couple de sommets du graphe de transition, il existe un chemin allant de l’un à l’autre en
suivant le sens des flèches :
∀(x, y), ∃n = n(x, y), P n (x, y) > 0.
On peut alors montrer que 1 est valeur propre simple (ce qui n’était pas le cas pour P = I2 ).
Remarque : la valeur propre 1 peut être simple sans que la chaîne soit irréductible, comme le
montre la matrice

1 0
P = .
1/2 1/2
On parle dans ce cas de chaîne indécomposable (des états transitoires et une seule classe de
récurrence).
Une chaîne est dite apériodique si
∀x ∈ E, d(x) = pgcd{n ≥ 1, P n (x, x) > 0} = 1.
La quantité d(x) ∈ N∪{∞} est appelée période de l’état x. On peut montrer que, lorsqu’une chaîne
est irréductible, tous les états ont même période. Par conséquent, pour une chaîne irréductible,
une condition suffisante d’apériodicité est qu’il existe un état sur lequel elle puisse boucler, c’est-
à-dire un indice x tel que P (x, x) > 0. Pour une chaîne irréductible, un critère d’apériodicité est
le suivant :
∀(x, y) ∈ E 2 , ∃n0 = n0 (x, y), ∀n ≥ n0 , P n (x, y) > 0. (3.4)
Si une chaîne est apériodique, on peut montrer que 1 est la seule valeur propre de module 1.
Bilan : pour une chaîne apériodique et irréductible, 1 est valeur propre simple et c’est la seule de
module 1.
Remarque : En (3.3), la chaîne de matrice de transition P est irréductible mais pas apériodique
(période 2), tandis que celle correspondant à Q est apériodique, mais pas irréductible.
Notations :
— Tandis qu’une loi π sur E est un vecteur ligne, une fonction ϕ : E → R est un vecteur
colonne. La quantité πϕ n’est alors rien d’autre que la moyenne de la variable aléatoire
ϕ(X) lorsque X a pour loi π :
X
πϕ = π(x)ϕ(x) = E[ϕ(X)].
x∈E
— Nous avons dit que si une chaîne est irréductible et apériodique, 1 est valeur propre simple de
P et c’est la seule de module 1. Notons 1 > |λ2 | ≥ |λ3 | ≥ · · · les valeurs propres distinctes
rangées par ordre décroissant de leur module. Pour les valeurs propres distinctes de module
|λ2 |, chacune a un degré, dit algébrique, dans le polynôme minimal de P : ce degré vaut 1 si
le sous-espace propre associé à cette valeur propre est de dimension égale à la multiplicité
de cette racine dans le polynôme caractéristique de P , sinon il correspond à la taille du bloc
de Jordan associé. On note alors r le maximum des degrés algébriques associés aux valeurs
propres distinctes de module |λ2 |. Par exemple, si P est diagonalisable, alors clairement
r = 1.

3.1. Rappels sur les chaînes de Markov 51
— La distance en variation totale entre deux lois de probabilités µ et ν sur E est :

1X
kν − µkvt = |ν(x) − µ(x)|.
2
x∈E
Autrement dit, c’est la moitié de la distance L1 .

Théorème 4 (Convergence des chaînes irréductibles et apériodiques)
Si (Xn ) est une chaîne de Markov irréductible de matrice de transition P sur E, il existe une
unique mesure de probabilité π invariante pour cette chaîne, c’est-à-dire telle que πP = π. Cette
mesure est telle que π(x) > 0 pour tout x et, pour toute fonction ϕ : E → R, on a alors, quelle que
soit la loi de X0 ,
n
1X p.s.
ϕ(Xk ) −−−→ πϕ,
n n→∞
k=1
et !
n
√ 1X L
n ϕ(Xk ) − πϕ −−−→ N (0, σ 2 (ϕ)).
n n→∞
k=1
Si, en outre, la chaîne est apériodique, alors il y a convergence à vitesse géométrique de la loi de
Xn vers π : il existe une constante C telle que, pour toute loi initiale µ0 ,
kµn − πkvt ≤ Cnr−1 |λ2 |n . (3.5)
La propriété de convergence géométrique semble donc une excellente nouvelle, mais lorsque l’espace
d’états est très grand, |λ2 | peut être très proche de 1 et C peut être très grande : ce résultat n’a
alors plus aucune implication pratique. La quantité (1 − |λ2 |) est appelée le trou spectral.
Remarques :
1. On parle indifféremment de loi invariante, ou de loi stationnaire ou encore de loi d’équilibre,
pour π vérifiant πP = π. Supposons la chaîne irréductible, donc l’unicité de π : en notant
Tx+ = inf{n > 0, Xn = x} le premier temps de retour de la chaîne en x, on a l’expression
suivante pour cette loi stationnaire :
1
π(x) = .
E[Tx+ |X0 = x]
2. On parle de théorème ergodique pour la loi des grands nombres dans le cas des chaînes
de Markov. Dans la même veine que la remarque précédente, la mesure d’équilibre π peut
s’interpréter comme la proportion du temps passé par une trajectoire dans chaque état. Il
suffit pour s’en convaincre de prendre par exemple ϕ = 1x0 , pour x0 un état fixé quelconque,
et d’appliquer le théorème ergodique 1 :
n
1X |{k ∈ {1, . . . , n}, Xk = x0 }| p.s.
1x0 (Xk ) = −−−→ π1x0 = π(x0 ).
n n n→∞
k=1
3. Contrairement au cas des suites de variables i.i.d., la variance σ 2 (ϕ) qui apparaît dans le
TCL pour les chaînes de Markov n’est pas triviale du tout. En particulier, ça n’est pas tout
bonnement  2
XM XM
Varπ (ϕ) = ϕ2 (j)πj −  ϕ(j)πj  ,
j=1 j=1
1. |A| désigne le cardinal de l’ensemble A.

qui correspondrait à la variance “limite”, i.e. celle de ϕ(X) lorsque X a pour loi π. Il faut
en effet tenir compte des dépendances entre les variables Xn de la chaîne, ce qui complique
tout... En considérant X0 la condition initiale de la chaîne, supposée de loi π, on peut
montrer que cette variance asymptotique vaut, :

σ 2 (ϕ) = E (u(X1 ) − (P u)(X0 ))2 ,
où u est la solution de l’équation de Poisson (I − P )u = ϕ, i.e.

∞
X
∀x ∈ E u(x) = (P n ϕ)(x).
n=0
4. Si l’on revient à l’exemple de la matrice de transition P en (3.3), qui est irréductible, l’unique
loi stationnaire est π = [1/2, 1/2]. D’après le théorème, cette chaîne vérifie donc une loi des
grands nombres, à savoir
n
1X p.s. 1
ϕ(Xk ) −−−→ (ϕ(1) + ϕ(2)) ,
n n→∞ 2
k=1
ainsi qu’un théorème central limite, mais certainement pas de convergence en loi. La raison
est intuitivement claire : la moyennisation sur une trajectoire de la chaîne permet de tuer
le phénomène de périodicité, ce qui n’est pas le cas de la convergence en loi.
Définition 6 (Réversibilité)
Soit π une mesure de probabilité et (Xn ) une chaîne de Markov de matrice de transition P . On
dira que la chaîne est réversible pour π si elle vérifie les équations d’équilibre détaillé, à savoir
π(x)P (x, y) = π(y)P (y, x) ∀(x, y) ∈ E × E..
Une interprétation est la suivante : considérons la mesure initiale µ comme une répartition de
masses sur l’espace d’états, la masse totale valant donc 1. Entre l’instant 0 et l’instant 1, une
proportion P (x, y) de la masse µ(x) présente en x part en y, et ce pour tout couple de points
(x, y). Il est facile de voir que la répartition des masses à l’instant 1 est µP , c’est-à-dire la loi
de X1 . Ainsi, de façon générale, dire que π est une mesure d’équilibre pour P (c’est-à-dire que
πP = π), signifie que si l’on part de cette mesure à un instant donné, tout ce qui quitte l’état
x est égal à tout ce qui arrive dans l’état x : la répartition des masses ne change donc pas d’un
instant au suivant (d’où la dénomination “loi d’équilibre”). Dire que la chaîne est réversible pour
π est plus fort : sous la loi π, ce qui part de l’état x pour aller vers l’état y est égal à ce qui part
de l’état y pour aller vers l’état x.
Remarque : réversibilité du temps. Le terme de réversibilité s’explique comme suit : si X0 ∼ π,
alors les équations d’équilibre détaillé permettent d’écrire pour la loi jointe
P(X0 = x0 , X1 = x1 , . . . , Xn = xn ) = π(x0 )P (x0 , x1 ) . . . P (xn−1 , xn )

= P (x1 , x0 ) . . . P (xn , xn−1 )π(xn )
= π(xn )P (xn , xn−1 ) . . . P (x1 , x0 )
= P(X0 = xn , X1 = xn−1 , . . . , Xn = x0 )
= P(Xn = x0 , Xn−1 = x1 , . . . , X0 = xn ).
Autrement dit, la chaîne retournée dans le temps a la même loi :
L(X0 , . . . , Xn ) = L(Xn , . . . , X0 ).

3.2. Algorithme de Metropolis-Hastings 53
Dit prosaïquement : pour une chaîne réversible à l’équilibre, face à une suite d’états, on ne sait
pas dans quel sens le temps s’écoule. A contrario, considérons la chaîne irréductible de matrice de
transition
 
0 1 0
P =  0 0 1 , (3.6)
1 0 0
d’unique loi stationnaire π la loi uniforme. Sans même faire de calculs, il est clair que la chaîne
n’est pas réversible pour π puisqu’on voit très bien dans quel sens s’écoule le temps.
Exemple : marche aléatoire sur un graphe. Supposons donné un graphe non orienté de
sommets numérotés de 1 à M et, pour chaque sommet i ∈ {1, . . . , M }, notons di le nombre
d’arêtes connectées à celui-ci. Considérons maintenant la chaîne de Markov suivante : partant du
sommet i, on va vers l’un des dx sommets voisins de façon
P équiprobable. Il est facile de vérifier que
cette chaîne est réversible pour la mesure π = (dx / x′ ∈E d′x )x∈E . Cette marche aléatoire, mais
sur un graphe orienté, est l’un des ingrédients du fameux algorithme PageRank de Google : les
sommets correspondent aux pages web et il y a une arête de la page x vers la page y si, sur la page
x, il y a un lien vers la page y.
Lemme 1 (Réversibilité ⇒ stationnarité)

Soit (Xn ) une chaîne de Markov de matrice de transition P . Si la chaîne est réversible pour la
mesure π, alors π est invariante, c’est-à-dire que πP = π.
Preuve. Si la chaîne est réversible pour la mesure π, alors pour tout y

X X
(πP )(y) = π(x)P (x, y) = π(y) P (y, x) = π(y),
x∈E x∈E
et π est bien stationnaire.

Remarque : Si on suppose de plus que la chaîne est irréductible, alors par le Théorème 4, les π(x)
sont tous strictement positifs et la matrice diagonale ∆π telle que ∆π (x, x) = π(x) est inversible.
Cette remarque et la réversibilité assurent alors que
′
∆π P = P ′ ∆π =⇒ ∆π1/2 P ∆π−1/2 = ∆1/2 −1/2
π P ∆π .
1/2 −1/2
La matrice symétrique réelle ∆π P ∆π est donc diagonalisable, par conséquent P aussi, ce qui
implique r = 1 dans le Théorème 4. Ce raisonnement montre aussi que, si P est réversible, son
spectre est réel.
Parmi les chaînes de Markov, les chaînes réversibles constituent donc un cadre d’étude privilégié.
Ce sont elles qui vont nous intéresser dans la suite.
3.2 Algorithme de Metropolis-Hastings

Nous considérons toujours que l’espace d’états E est fini. En section précédente, considérant
une chaîne de Markov définie d’une façon ou d’une autre, nous cherchions sa loi stationnaire π.
Désormais, la démarche est inverse : on part d’une loi π donnée sur E et on cherche à construire
une chaîne de Markov (Xn ) dont π est la mesure stationnaire.

3.2.1 Algorithme de Metropolis

Nous présentons en premier lieu l’algorithme proposé par Metropolis et ses co-auteurs en 1953 [25]
avant de passer à sa généralisation par Hastings en 1970 [20]. On veut simuler une chaîne de Markov
de loi stationnaire π, celle-ci n’étant éventuellement connue qu’à une constante de normalisation
près :
πu (x)
∀x ∈ E π(x) = Cπu (x) = P ′
, (3.7)
x′ ∈E πu (x )
où πu signifie “π unnormalized”. Ce problème est tout sauf artificiel : il est par exemple récurrent
en statistique bayésienne et en physique statistique. Nous supposerons pour simplifier que π(x) > 0
pour tout x ∈ E.
Pour construire cette chaîne, il nous faut spécifier une matrice de transition P ayant π comme loi
stationnaire. A l’instar des méthodes de rejet et d’échantillonnage préférentiel, l’idée est d’utiliser
un mécanisme de proposition auxiliaire (ou instrumental) et de corriger le tir ensuite.
Soit donc Q = [Q(x, y)]x,y∈E une matrice de transition telle que :
— symétrie : pour tout couple (x, y), on a Q(x, y) = Q(y, x) ;
— partant de tout état x, on sait simuler facilement selon la loi Q(x, .).
Comme dans les méthodes précédentes, l’algorithme fonctionne alors en plusieurs étapes :
1. partant de Xn = x, simuler Y = y selon la loi Q(x, .) ;

2. calculer le rapport d’acceptation r(x, y) = π(y)/π(x) ;
3. tirer une loi uniforme U ∼ U[0,1] , indépendant de toutes les autres variables aléatoires, et
poser Xn+1 = Y = y si U ≤ r(x, y), Xn+1 = Xn = x sinon.
Interprétation : Si, partant de Xn = x, la proposition Y = y est plus vraisemblable pour π (i.e.

π(y) ≥ π(x)), alors la transition est systématiquement acceptée ; dans le cas contraire, elle n’est
acceptée qu’avec une probabilité égale à r(x, y) = π(y)/π(x). Dans le premier cas, il est cohérent
de favoriser les transitions vers les états plus vraisemblables pour π puisque celle-ci est notre loi
cible ; dans le second cas, il ne faut pas refuser systématiquement une transition vers un état moins
vraisemblable, sans quoi on resterait bloqué dans les maxima locaux de π vis-à-vis du système de
voisinage induit par le graphe de transition de Q.
Achtung ! Dans la construction de la chaîne (Xn ), il faut tout conserver, y compris les fois où
l’on reste sur place (c’est-à-dire Xn+1 = Xn ), sans quoi tout est faussé.
Remarque. Le point a priori anecdotique mais en fait diabolique de cet algorithme est de ne faire
intervenir que les rapports π(y)/π(x) = πu (y)/πu (x). Il ne requiert donc nullement la connaissance
de la constante de normalisation C de la formule (3.7). C’est ce qui explique sa popularité en
physique statistique comme en statistique bayésienne.
Proposition 12 (Réversibilité de Metropolis)

Si la matrice de transition Q est irréductible, alors la chaîne (Xn ) produite par l’algorithme de
Metropolis est irréductible et réversible pour π. En particulier, π est son unique mesure d’équilibre.
Concernant le pénible phénomène de périodicité, la preuve va montrer qu’elle est en fait à peu
près exclue ici, si ce n’est dans le cas très particulier où π est uniforme sur E et Q elle-même
périodique : autant dire qu’il faut vraiment le faire exprès. Rappelons surtout que la dynamique
instrumentale définie par Q est choisie par l’utilisateur : il suffit donc de prendre Q irréductible et
apériodique pour que tout se passe bien, c’est-à-dire que le Théorème 4 s’applique.

3.2. Algorithme de Metropolis-Hastings 55
Preuve. Notons P = [P (x, y)] la matrice de transition de la chaîne (Xn ). On veut montrer que
π(x)P (x, y) = π(y)P (y, x) pour tout couple (x, y). C’est clairement vrai si x = y. Supposons donc
x 6= y , alors par définition de l’algorithme,
P (x, y) = P(Xn+1 = y|Xn = x) = P(Xn+1 = y, Y = y|Xn = x).
Or, par la formule de Bayes,
P(Xn+1 = y, Y = y|Xn = x) = P(Xn+1 = y|Y = y, Xn = x)P(Y = y|Xn = x),
c’est-à-dire, à nouveau par définition de l’algorithme,

π(y)
P(Xn+1 = y, Y = y|Xn = x) = min , 1 Q(x, y),
π(x)
d’où
π(y)
π(x)P (x, y) = π(x) min , 1 Q(x, y) = min (π(x), π(y)) Q(x, y).
π(x)
Par symétrie des rôles joués par x et y, on en déduit aussitôt que
π(y)P (y, x) = min (π(x), π(y)) Q(y, x).
Puisque Q(x, y) = Q(y, x), les équations d’équilibre détaillé sont bien vérifiées :
∀(x, y) ∈ E × E, π(x)P (x, y) = π(y)P (y, x).
L’irréductibilité de la chaîne (Xn ) se déduit de celle induite par Q : s’il existe un chemin de x
vers y dans le graphe de transition associé à Q, alors ce chemin reste de probabilité non nulle
pour le graphe de transition associé à P . Passons à l’apériodicité : supposons la chaîne (Xn )
non apériodique, alors en particulier P (x, x) = 0 pour tout x, ce qui implique d’une part que
Q(x, x) = 0, d’autre part que π(y) ≥ π(x) pour tout Q-voisin y de x (i.e. tout y tel que Q(x, y) > 0).
Puisque Q est irréductible, ceci implique de proche en proche que tous les π(x) sont égaux à 1/|E|.
Dans cette situation, toutes les propositions sont acceptées, on a donc P = Q et Q est elle-même
périodique.

Exemple pathologique. Considérons

0 1
E = {1, 2}, π = [1/2, 1/2], Q= ,
1 0
alors P = Q et la chaîne de Metropolis est périodique de période 2.

Matrice de transition. Notons

π(y)
α(x, y) = min , 1 = min (r(x, y), 1) .
π(x)
La preuve ci-dessus montre que la matrice de la transition de la chaîne Xn est
∀x 6= y, P (x, y) = α(x, y)Q(x, y)
et X
∀x ∈ E, P (x, x) = 1 − α(x, y)Q(x, y).
y6=x

3.2.2 Généralisation : méthode de Metropolis-Hastings

Dans l’algorithme précédent, la dynamique Q qui propose des transitions était supposée agir sy-
métriquement sur l’espace d’états, à savoir que
∀(x, y) ∈ E × E, Q(x, y) = Q(y, x).
Autrement dit, sous Q, la probabilité d’aller de x vers y est la même que celle d’aller de y vers x.
Cette condition n’est pas nécessaire. Pour s’en émanciper, il suffit de tenir compte de l’éventuelle
dissymétrie de Q dans le rapport r(x, y). C’est ainsi que Hastings a proposé, en 1970, de généraliser
l’algorithme de Metropolis.
Par rapport à ce dernier, les ingrédients sont les mêmes, le prix à payer pour cette généralisation
étant simplement de supposer que :
— partant de tout état x, on sait simuler facilement selon la loi Q(x, ·).
— pour tout couple (x, y), on a Q(x, y) > 0 implique Q(y, x) > 0 ;
— pour tout couple (x, y) tel que Q(x, y) > 0, on sait calculer
π(y)Q(y, x)
r(x, y) = .
π(x)Q(x, y)
L’algorithme de Metropolis-Hastings fonctionne alors comme suit :

1. partant de Xn = x, simuler Y = y selon la loi Q(x, ·) ;
2. calculer le rapport de Metropolis-Hastings
π(y)Q(y, x)
r(x, y) = ,
π(x)Q(x, y)
3. tirer une loi uniforme U ∼ U[0,1] , indépendante de toutes les autres variables aléatoires,
poser Xn+1 = Y = y si U ≤ r(x, y), et Xn+1 = Xn = x sinon.
Avec cette nouvelle définition de r(x, y) et en notant encore α(x, y) = min(r(x, y), 1), la matrice
de transition P de cette chaîne s’exprime comme précédemment, à savoir
 
X
P (x, y) = α(x, y)Q(x, y)1x6=y + 1 − α(x, y)Q(x, y) 1x=y . (3.8)
y6=x
En particulier, puisque α(x, y) ≤ 1, on remarque que, pour tous x et y de E, on a P (x, y) ≤ Q(x, y)

et, pour tout x,
X X
P (x, x) = 1 − α(x, y)Q(x, y) ≥ 1 − Q(x, y) = Q(x, x). (3.9)
y6=x y6=x
Proposition 13 (Réversibilité de Metropolis-Hastings)

Si la matrice de transition Q est irréductible et apériodique, alors la chaîne (Xn ) produite par
l’algorithme de Metropolis-Hastings est irréductible, apériodique et réversible pour π.
Preuve. La réversibilité et l’irréductibilité de la chaîne se prouvent de la même façon que pour

la version originale de Metropolis. Concernant l’apériodicité, supposons P périodique, alors en
particulier P (x, x) = 0 pour tout x, donc (3.9) implique Q(x, x) = 0 et
X X
α(x, y)Q(x, y) = Q(x, y),
y6=x y6=x
d’où α(x, y) = 1 pour tout couple (x, y) tel que Q(x, y) 6= 0. Ainsi P = Q et Q serait elle-même
périodique, ce qui est exclu.

3.3. Le recuit simulé 57
Généralisation : Soit h : R+ → [0, 1] vérifiant h(0) = 0 et h(u) = uh(1/u) pour u > 0. En

considérant, pour tout couple (x, y) tel que Q(x, y) > 0, le rapport

π(y)Q(y, x)
α(x, y) = h ,
π(x)Q(x, y)
on vérifie facilement que la chaîne de noyau de transition

 
X
P (x, y) = α(x, y)Q(x, y)1x6=y + 1 − α(x, x′ )Q(x, x′ ) 1x=y
x′ 6=x
est encore π-réversible. L’algorithme de Metropolis-Hastings classique correspond au choix h(u) =

min(u, 1). Un autre exemple est donné par h(u) = u/(1 + u), ce qui donne le noyau de Barker :
π(y)Q(y, x)
α(x, y) = .
π(y)Q(y, x) + π(x)Q(x, y)
Avec ce choix, comme 0 < α(x, y) < 1 pour tout couple (x, y) tel que Q(x, y) > 0, l’apériodicité
de la chaîne (Xn ) est claire puisqu’on peut boucler sur tout état :
X X
P (x, x) = 1 − α(x, x′ )Q(x, x′ ) > 1 − Q(x, x′ ) = Q(x, x) ≥ 0.
x′ 6=x x′ 6=x
Remarque. Tout comme pour la méthode de rejet ou pour l’échantillonnage préférentiel, il existe
un noyau de proposition optimal, mais il est hors d’accès. En effet, il suffit de considérer Q(x, y) =
π(y) pour tout y. La condition Q(x, y) > 0 ssi Q(y, x) > 0 est bien vérifiée puisque π charge tous
les points. De plus, le rapport de Metropolis-Hastings vaut r(x, y) = 1, donc toute proposition de
transition est acceptée. En fait, quelle que soit la loi initiale, la loi de X1 est exactement la loi
cible π.
3.3 Le recuit simulé

3.3.1 Principe et convergence
Soit E un ensemble fini (très grand) et une fonction V : E → R que l’on veut minimiser. On
suppose savoir calculer V (x) pour tout x mais l’espace E est trop grand pour qu’on puisse trouver
ce minimum par recherche exhaustive : penser par exemple au voyageur de commerce où |E| =
(N − 1)!/2 avec N le nombre de villes à parcourir.
Pour tout paramètre T > 0, la minimisation de V est équivalente à la maximisation de

1 1
µT (x) = exp − V (x)
ZT T
dite mesure de Boltzmann-Gibbs associée au potentiel V et à la température T , où

X
1 ′
ZT = exp − V (x )
′
T
x ∈E
est la constante de normalisation, encore appelée fonction de partition en physique statistique.

Selon sa valeur, le paramètre T a tendance à accentuer ou à lisser les extrema de V .

Exemple. Caricaturalement, prenons E = {1, 2, 3}, avec V (1) = 0, V (2) = 1 et V (3) = −1. On
vérifie facilement les deux comportements extrêmes suivants

1 1 1
µT −−−→ [0, 0, 1] et µT −−−−−→ , , .
T →0 T →+∞ 3 3 3
En particulier, lorsque la température tend vers 0, la mesure de Gibbs se concentre sur le minimum
de V . Ce résultat est général et l’idée sous-jacente est la même que pour la méthode de Laplace
en analyse.
Lemme 2 (Principe de Laplace)

Soit M⋆ l’ensemble des points où V atteint son minimum. Lorsque la température T tend vers
zéro, la mesure de Gibbs µT se concentre sur ceux-ci, c’est-à-dire que

0 / M⋆
si x ∈
lim µT (x) = 1 ⋆
T →0+ |M⋆ | si x ∈ M
où |M⋆ | désigne le cardinal de l’ensemble M⋆ . On en déduit en particulier que
µT ({x ∈ E, V (x) > V⋆ }) −−−−→ 0. (3.10)

T →0+
Ainsi, lorsque V atteint son minimum global en un unique point x⋆ , ceci signifie que la mesure de
Gibbs se concentre en x⋆ lorsque la température tend vers 0 (cf. exemple précédent avec x⋆ = 3).
Preuve. Soit V ⋆ le minimum de V , alors pour tout x de E

exp − T1 (V (x) − V⋆ ) exp − T1 (V (x) − V⋆ )
µT (x) = P 1
= P ,
′
x′ ∈E exp − T (V (x ) − V⋆ ) |M⋆ | + x′ ∈E\M⋆ exp − T1 (V (x′ ) − V⋆ )
avec
′ ⋆ 1 ′
∀x ∈ E \ M , exp − (V (x ) − V⋆ ) −−−−→ 0.
T T →0+
La limite du numérateur est, quant à elle, 1 ou 0 selon que x appartient à M⋆ ou non.

Remarque : A contrario, lorsque T → ∞, on a tout simplement

1
∀x ∈ E, µT (x) −−−−−→ ,
T →+∞ |E|
c’est-à-dire que la mesure de Gibbs converge vers la loi uniforme sur E à haute température.
Puisqu’à basse température la mesure de Gibbs se concentre sur les minima globaux de V , une
idée consiste à se donner une suite de températures (Tn ) décroissant vers 0 et à simuler une chaîne
(Xn ) qui, à chaque étape n, transite selon un noyau de loi stationnaire µn = µTn . Pour une
matrice de transition Q(x, y) donnée et vérifiant les propriétés requises par Metropolis-Hastings
(irréductibilité et apériodicité), c’est ce que fait l’algorithme suivant, appelé recuit simulé 2 :
1. partant de Xn−1 = x, simuler Y = y selon la loi Q(x, ·) ;

2. calculer le rapport de Metropolis-Hastings

µn (y)Q(y, x) Q(y, x) 1
rn (x, y) = = exp − (V (y) − V (x)) ;
µn (x)Q(x, y) Q(x, y) Tn
2. simulated annealing, expression venant de la metallurgie.

3. tirer une loi uniforme U ∼ U[0,1] , indépendante de toutes les autres variables aléatoires,
poser Xn = Y = y si U ≤ rn (x, y), et Xn = Xn−1 = x sinon.
Remarque : Comme pour Metropolis-Hastings, (Xn ) est bien une chaîne de Markov, mais elle
n’est plus homogène en raison des changements constants de températures Tn .
Si les transitions sont symétriques, i.e. Q(x, y) = Q(y, x), on obtient un algorithme de Metropolis
inhomogène avec le rapport

1
rn (x, y) = exp − (V (y) − V (x)) ,
Tn
lequel est supérieur ou égal à 1 dès lors que V (y) ≤ V (x). On accepte donc systématiquement une
transition vers une valeur de V plus basse, mais on ne refuse pas systématiquement une transition
vers une valeur plus élevée, ceci afin d’éviter de rester piégé dans un minimum local de V . On
voit aussi que, à x et y fixés tels que V (y) > V (x), plus la température Tn sera basse, moins on
acceptera de transiter vers une valeur plus élevée. Le schéma de température (Tn ) joue clairement
un rôle critique dans cette histoire. Le résultat suivant fournit une réponse partielle à la question
du réglage de la suite (Tn ).
Théorème 5 (Convergence du Recuit Simulé)

Si Q est irréductible et apériodique, il existe une constante c0 dépendant de la fonction V et de la
matrice de transition Q telle que, pour tout c > c0 , l’algorithme précédent appliqué avec le schéma
de température Tn = c/ log n et pour toute loi initiale ν0 , on a
lim P(V (Xn ) > V⋆ ) = 0.

n→∞
Hypothèses de la preuve. Cette preuve est tirée du livre de Jean-François Delmas et Benja-
min Jourdain [11]. Comme eux, nous nous contenterons de démontrer ce résultat dans le cas où
Q(x, y) = Q(y, x) (cadre Metropolis) et en supposant Q irréductible et apériodique. Par ailleurs,
la constante c0 apparaissant dans la preuve n’est pas la constante optimale : nous reviendrons sur
ce point ultérieurement.
La preuve fait appel à plusieurs résultats intermédiaires. De façon générale, on dit que Q vérifie
une condition de Doeblin s’il existe a > 0, une loi de probabilité π et ℓ ∈ N⋆ tels que
∀(x, y) ∈ E 2 , Qℓ (x, y) ≥ aπ(y). (3.11)
Dans ce cas, il est clair que a ≥ 1. On commence par noter que si Q est irréductible et apériodique,
le critère (3.4) assure qu’elle vérifie une condition de Doeblin : il suffit en effet de considérer
ℓ = max(x,y) n0 (x, y),
minx Qℓ (x, y) X
π(y) = P ℓ ′
et a = min Qℓ (x′ , y).
y minx′ Q (x , y) y
x′
On a alors, pour toutes mesures de probabilité µ et ν,
1X 1X X
kνQℓ − µQℓ kvt = |(νQℓ )(y) − (µQℓ )(y)| = (ν(x) − µ(x))Qℓ (x, y) .
2 2
y∈E y∈E x∈E
Puisque µ et ν somment toutes deux à 1, on peut encore écrire
1X X
kνQℓ − µQℓ kvt = (ν(x) − µ(x))(Qℓ (x, y) − aπ(y))
2
y∈E x∈E

et, par la condition de Doeblin,

1X X
kνQℓ − µQℓ kvt ≤ |ν(x) − µ(x)| (Qℓ (x, y) − aπ(y)),
2
x∈E y∈E
or X
(Qℓ (x, y) − aπ(y)) = 1 − a,
y∈E
donc
kνQℓ − µQℓ kvt ≤ (1 − a)kν − µkvt . (3.12)
Ainsi Qℓ agit comme une application contractante de rapport 1 − a < 1 sur l’ensemble P(E) des
mesures de probabilité sur E. Notons que, de façon générale, si l’on sait juste que Q est une matrice
de transition, alors on peut seulement dire que
1X X
kνQ − µQkvt ≤ |ν(x) − µ(x)| Q(x, y) = kν − µkvt . (3.13)
2
x∈E y∈E
Nous convenons de noter

δ = max (V (y) − V (x))1Q(x,y)>0 .
(x,y)∈E 2
Comme Q est supposée symétrique, il est clair que δ ≥ 0. C’est la barrière maximale d’énergie
que Q est susceptible de franchir en un coup. Elle intervient dans le résultat suivant, qui quantifie
l’effet contractant du recuit simulé.
Lemme 3 (Effet contractant du schéma de température)
Pour toutes mesures de probabilités µ et ν, on a
δℓ

k(ν − µ)Pn+1 · · · Pn+ℓ kvt ≤ 1 − a e− c log(n+ℓ) kν − µkvt .
Preuve. Pour tout n ∈ N⋆ , si x 6= y, le noyau de transition Pn à température Tn s’écrit, en notant

x+ = max(x, 0),
1 δ
Pn (x, y) = e− Tn (V (y)−V (x))+ Q(x, y) ≥ e− Tn Q(x, y).
Par ailleurs, si x 6= y, il est clair que Pn (x, y) = rn (x, y)Q(x, y)) ≤ Q(x, y), donc
X X δ
Pn (x, x) = 1 − Pn (x, y) ≥ 1 − Q(x, y) = Q(x, x) ≥ e− Tn Q(x, x),
y6=x y6=x
si bien que
δ
∀(x, y) ∈ E × E, Pn (x, y) ≥ e− Tn Q(x, y).
Il ne reste plus qu’à itérer cette inégalité et appliquer la condition de Doeblin (3.11) :

1
−δ +···+ T 1 δℓ
Qℓ (x, y) ≥ e− c log(n+ℓ)
Tn+1
(Pn+1 · · · Pn+ℓ )(x, y) ≥ e n+ℓ
aπ(y).
Or ceci n’est rien d’autre qu’une condition de Doeblin pour la matrice de transition
Pn+1 · · · Pn+ℓ
et l’on peut donc appliquer (3.12) pour arriver au résultat annoncé.


Nous aurons également besoin du résultat suivant pour contrôler la distance entre deux mesures
de Gibbs en fonction de l’écart de température.
Lemme 4 (Distance entre mesures de Gibbs)
Notons ∆(V ) = maxx∈E V (x) − V ⋆ , alors
1 1
∀(T, T ′ ) ∈]0, ∞[2 kµT − µT ′ kvt ≤ − ′ ∆(V ).
T T
Preuve. La mesure de Gibbs est inchangée si on remplace V par V − V⋆ (cf. par exemple la
première égalité de la preuve du Lemme 2), donc on peut supposer sans perte de généralité que
V ≥ 0 et V⋆ = 0, de sorte que ∆(V ) = maxx∈E V (x). Toujours sans perte de généralité, on va
supposer T ≥ T ′ > 0. En remarquant que 0 ≤ 1 − e−x ≤ x pour tout x ≥ 0, il vient

− V T(x) − VT(x) − V T(x) −( T1′ − T1 )V (x) 1 1 − V T(x) 1 1 V (x)
e −e ′ =e 1−e ≤ ′
− V (x)e ≤ ′
− ∆(V )e− T
T T T T
et la sommation sur x donne
X
− V T(x) −
V (x) 1 1
|ZT − ZT ′ | ≤ e −e T′ ≤ ′
− ∆(V )ZT ,
T T
x∈E
d’où, en divisant par ZT ZT ′ ,

1 1 1 1 1
− ≤ ′
− ∆(V ) .
ZT ZT ′ T T ZT ′
On a alors
X 1 − V (x) 1 − V (x) X 1 V (x) V (x) 1 1 X − V (x)
2kµT −µT ′ kvt = e T − e T′ ≤ e− T − e− T ′ + − e T′
ZT ZT ′ ZT ZT ZT ′
x∈E x∈E x∈E
c’est-à-dire, d’après ce qui précède,

1 1
2kµT − µT ′ kvt ≤ 2 − ∆(V ).
T′ T

Nous avons besoin d’un dernier résultat élémentaire avant de passer à la preuve proprement dite.
Lemme 5 (Convergence de suite) P
Soit (an ), (bn ) deux suites positives telles que 0 < an < 1 pour tout n, n an = ∞, lim bn /an = 0,
et une suite (un ) telle que u0 ≥ 0 et, pour tout n ≥ 0,
un+1 ≤ (1 − an )un + bn ,
alors (un ) tend vers 0.
Preuve. L’inégalité log(1 − x) ≤ −x pour tout x < 1 implique, pour tout n0 ,

n0Y
+p−1 Pn0 +p−1 Pn0 +p−1
log(1−ai ) − ai
(1 − ai ) = e i=n0 ≤e i=n0 −−−→ 0.
p→∞
i=n0
Par ailleurs, pour tout ε > 0, il existe n0 = n0 (ε) tel que pour tout n ≥ n0 on ait bn ≤ εan , donc
un+1 ≤ (1 − an )un + bn ≤ (1 − an )un + εan ,

ce qui implique, pour tout n ≥ n0 ,
un+1 − ε ≤ (1 − an )(un − ε),
d’où il découle que pour tout p > 0

(n )
0 +p−1
Y
un0 +p − ε ≤ (1 − ai ) (un0 − ε),
i=n0
ou encore (n )
0 +p−1
Y
un0 +p ≤ ε + (1 − ai ) (un0 − ε).
i=n0
Par conséquent
lim sup un = lim sup un0 +p ≤ ε,
n→∞ p→∞
et puisque ε est arbitraire, le résultat est établi.

Preuve du Théorème 5. En notant Tn = c/ log n la température à l’étape n, la mesure de Gibbs

µn ∝ exp(−V /Tn ) associée vérifie µn Pn = µn . Par ailleurs, partant d’une loi initiale ν0 , la loi de
Xn est donc
νn = ν0 P1 · · · Pn .
Plus généralement, si n et ℓ sont deux entiers naturels,
νn+ℓ = νn Pn+1 · · · Pn+ℓ ,
et, puisque pour tout 1 ≤ k ≤ ℓ − 1,
µn+k Pn+k · · · Pn+ℓ = µn+k Pn+k+1 · · · Pn+ℓ ,
on a la décomposition télescopique
ℓ
X
νn+ℓ − µn+ℓ = (νn − µn )Pn+1 · · · Pn+ℓ + (µn+k−1 − µn+k )Pn+k · · · Pn+ℓ .
k=1
Pour tout k, la relation (3.13) donne
k(µn+k−1 − µn+k )Pn+k · · · Pn+ℓ kvt ≤ kµn+k−1 − µn+k kvt
donc
ℓ
X
kνn+ℓ − µn+ℓ kvt ≤ k(νn − µn )Pn+1 · · · Pn+ℓ kvt + kµn+k−1 − µn+k kvt . (3.14)
k=1
Prenons j ∈ N⋆ et n = jℓ, alors les Lemmes 3 et 4 impliquent
kν(j+1)ℓ − µ(j+1)ℓ kvt = kνn+ℓ − µn+ℓ kvt ≤ (1 − aj )kνn − µn kvt + bj = (1 − aj )kνjℓ − µjℓ kvt + bj ,
où l’on a noté
δℓ a′
aj = a e− c log(ℓ(j+1))
= δℓ
,
j c

et
ℓ
∆(V ) X ∆(V ) 1 ∆(V )
bj = (log(jℓ + k) − log(jℓ + k − 1)) = log 1 + ∼ ,
c c j cj
k=1
les équivalents étant considérés lorsque j tend vers l’infini. En posant uj = kνjℓ − µjℓ kvt , on a bien
0 < aj < 1 pour tout j et le Lemme 5 s’applique dès lors que c > c0 := δℓ, i.e.
kνjℓ − µjℓ kvt −−−→ 0.

j→∞
Ensuite, pour tout p ∈ {1, · · · , ℓ − 1}, on déduit de (3.13), (3.14) et du Lemme 4 que

∆(V ) p
kνjℓ+p − µjℓ+p kvt ≤ kνjℓ − µjℓ kvt + log 1 + −−−→ 0.
c jℓ j→∞
Au total, on a prouvé que, si c > c0 = δℓ,
kνn − µn kvt −−−→ 0.

n→∞
Ainsi, puisque kνn − µn kvt = maxA⊂E |νn (A) − µn (A)|, il vient
|P(V (Xn ) > V⋆ ) − µn ({x, V (Xn ) > V⋆ })| ≤ kνn − µn kvt −−−→ 0,
n→∞
et la relation (3.10) permet de conclure que
P(V (Xn ) > V⋆ ) −−−→ 0.

n→∞

Si ce résultat est satisfaisant théoriquement, il l’est moins en pratique car la convergence est très
lente. C’est cependant une question très délicate en toute généralité. Quoi qu’il en soit, il est indis-
pensable de stocker toutes les valeurs intermédiaires V (Xn ) et, en fin d’algorithme (disons après N
étapes), de considérer non pas la dernière valeur V (XN ) mais la valeur minimale min1≤n≤N V (Xn )
parmi toutes celles rencontrées. Cette règle de bon sens est en fait très difficile à prendre en compte
d’un point de vue théorique.
Remarque : interprétation de c⋆0 . Comme indiqué précédemment, la constante c0 apparaissant
dans la preuve ci-dessus n’est pas la constante optimale. Supposons pour simplifier que le minimum
V ⋆ est atteint en un unique point x⋆ et que Q est symétrique (cas Metropolis). Pour tout point x,
notons C(x, x⋆ ) l’ensemble des chemins menant de x à x⋆ via la relation de voisinage imposée par
la matrice de transition Q, et
c⋆0 = c⋆0 (V, Q) = max min max(V (y) − V (x))+ .

x∈E C∈C(x,x⋆ ) y∈C
Alors un résultat dû à Hajek [19] assure que
P(V (Xn ) > V⋆ ) −−−→ 0

n→∞
ssi (Tn ) tend vers 0 et

∞
X c⋆
0
e− Tn = +∞.
n=1
Ainsi, pour un schéma de température à décroissance logarithmique de la forme Tn = c/ log n, on

a limn→∞ P(V (Xn ) > V⋆ ) = 0 ssi c ≥ c⋆0 . De même, pour un schéma de température constant par
paliers de la forme Tn = 1/k si ec(k−1) ≤ n < eck , le résultat est assuré ssi c ≥ c⋆0 . On trouvera
plus d’informations ainsi que des références dans le livre de Delmas et Jourdain [11].

3.3.2 Un mot sur les algorithmes génétiques

Cette section est tirée du livre de Bernard Ycart, Modèles et algorithmes markoviens [35]. Proposés
dès les années 60, donc bien avant avant le recuit simulé (qui date du début des années 80), les
algorithmes génétiques s’inspirent des mécanismes de la sélection naturelle. Certaines versions
peuvent cependant être vues comme des algorithmes de recuit simulé en interaction.
Dans la version originale, le but est de maximiser une fonction f , dite fonction d’adaptation, définie
sur E = {0, 1}d et à valeurs dans R+ . Pour ce faire, on considère une chaîne de Markov (Xn ), où
Xn = (Xn1 , . . . , XnN ) ∈ E N peut être vu comme une population de chromosomes, c’est-à-dire un
N -uplet de mots binaires de longueur d (les chromosomes). Le passage de Xn à Xn+1 s’effectue en
3 étapes :
mutation croisement sélection
Xn −−−−−−−→ Yn −−−−−−−−→ Zn −−−−−−→ Xn+1
que l’on peut décrire grossièrement comme suit :
— Mutation : soit p ∈]0, 1[, alors pour chaque lettre de chaque chromosome, on décide de la
modifier avec probabilité p et de la laisser inchangée avec probabilité (1 − p). Ceci donne
une nouvelle population Yn = (Yn1 , . . . , YnN ).
— Croisement : soit q ∈]0, 1[, on forme N/2 couples de façon arbitraire, par exemple en consi-
dérant (Yn1 , Yn2 ), (Yn3 , Yn4 ), etc. Pour chaque couple on décide avec probabilité q si le croi-
sement a lieu. Dans ce cas, on tire un entier au hasard (uniforme) entre 1 et (d − 1) et les
segments finaux des deux chromosomes sont échangés. Ceci donne une nouvelle population
Zn = (Zn1 , . . . , ZnN ).
— Sélection : Les N chromosomes de la population Xn+1 sont choisis par tirage multinomial
dans la population Zn avec les poids
f (Znj )
Wnj := PN .
f (Z ℓ)
ℓ=1 n
Pour pouvoir analyser la convergence de cet algorithme vers le ou les maximaux globaux de f , il
convient de faire dépendre p, q et les poids W de l’itération n. Comme pour le recuit simulé, l’idée
est, au fur et à mesure des itérations, de favoriser de moins en moins les mutations (donc p = pn et
q = qn décroissants avec n) et de se concentrer de plus en plus sur les endroits où f est maximale,
par exemple en considérant des poids de la forme
j
f (Zn )
e Tn
Wnj := ,
PN ℓ)
f (Zn
ℓ=1 e
Tn
en considérant une suite (Tn ) décroissante vers 0.

Les premiers résultats théoriques généraux sur ce type d’algorithmes sont dus à Raphaël Cerf
[3, 4, 5] . Ils sont néanmoins très techniques et nous ne les détaillerons pas ici. Nous nous conten-
terons de décrire une variante due à Olivier François, appelée MOSES pour Mutation-or-Selection
Evolutionary Strategy [17]. Si tant l’algorithme que le résultat de convergence sont simples dans
leurs formulations, la preuve l’est nettement moins, c’est pourquoi nous l’admettrons.
Algorithme MOSES
Par analogie avec le recuit simulé, nous revenons à une fonction V que l’on cherche à minimiser,
supposée bijective par souci de simplicité, et notons V⋆ son minimum global. On associe à E un
graphe non orienté (E, G) connexe. Son diamètre est noté D, c’est le maximum sur l’ensemble de
tous les couples (x, x′ ) de la distance (i.e. le plus court trajet) entre x et x′ . On note (Tn ) le schéma
de température.

3.4. Espace d’états général 65
A chaque étape, partant de Xn = (Xn1 , . . . , XnN ) ∈ E N , en notant Xn⋆ = argmin1≤j≤N V (Xnj ), on

j
procède comme suit : ∀1 ≤ j ≤ N , Xn+1 = Xn⋆ avec probabilité 1 − e−1/Tn ; sinon, c’est-à-dire avec
probabilité e−1/Tn j
, Xn+1 est choisi au hasard (uniforme) parmi les voisins 3 de Xnj pour la relation
de voisinage induite par le graphe (E, G).
Théorème 6
Si N > D et si le schéma de température (Tn ) tend vers 0 et vérifie
∞
X D
e− Tn = ∞,
n=1
alors, pour toute condition initiale,
lim P(V (Xn⋆ ) > V⋆ ) = 0.

n→∞
Le théorème énoncé en [17] est à la fois plus général et plus précis. De plus, à l’instar du résultat de
Hajek mentionné précédemment, il existe en fait une constante optimale D ⋆ , dépendant du graphe
G et de V , telle que pour toute suite (Tn ) décroissant vers 0, le résultat précédent est vérifié si et
seulement si
X∞
D⋆
e− Tn = ∞.
n=1
3.4 Espace d’états général

Tout ce qui a été dit dans le cas d’un espace d’états fini se généralise à un espace d’états infini,
qu’il soit dénombrable ou continu. Par exemple, dans le cas d’un espace d’états continu, on peut
avoir en tête E = Rd muni de la tribu borélienne E = B(Rd ) et de la mesure de Lebesgue
λ(dx) = dx. Rappelons que le principe des méthodes MCMC est de construire une chaîne de
Markov convergeant vers une mesure de probabilité connue π(dx) sur (E, E). Le but de cette
section est uniquement d’introduire de façon informelle le cadre des chaînes de Markov à espaces
d’états généraux, de préciser les notations et de montrer que l’algorithme de Metropolis-Hastings
est aussi facile à implémenter que dans le cas d’un espace d’états fini. En revanche, les résultats
théoriques, nettement plus techniques, ne seront pas détaillés.
3.4.1 Noyaux de transition et chaînes de Markov

La matrice de transition P = [P (x, y)](x,y)∈E 2 est remplacée par un noyau de transition P ,
c’est-à-dire :
1. pour tout x de E, P (x, ·) est une mesure de probabilité sur (E, E) ;
2. pour tout ensemble B de E, l’application x 7→ P (x, B) est mesurable.
A l’instar de son homologue discret, le noyau P peut se voir comme une façon de se déplacer dans
l’espace d’états E. Ainsi, pour E = Rd , la variable x ∈ Rd étant fixée, si P (x, dy) = p(x, y)dy, la
quantité p(x, y) s’interprète comme la densité de probabilité d’aller en y sachant que l’on part du
point x.
La suite de variables aléatoires (Xn ) est une chaîne de Markov homogène de noyau de transition
P si, pour tout B de E,
P(Xn+1 ∈ B|X0 , · · · , Xn ) = P(Xn+1 ∈ B|Xn ) = P (Xn , B),

3. en excluant Xn⋆ le cas échéant.

ou de façon équivalente si, pour toute fonction mesurable bornée (dite fonction test) ϕ : E → R,
on a
E[ϕ(Xn+1 )|X0 , · · · , Xn ] = E[ϕ(Xn+1 )|Xn ] = (P ϕ)(Xn ),
avec, pour tout x ∈ E, Z
(P ϕ)(x) = P (x, dy)ϕ(y).
E
Comme dans le cas discret, on peut montrer que ceci équivaut à l’existence d’une suite de variables
aléatoires (Wn )n≥1 i.i.d. et indépendantes de X0 et d’une fonction h telles que
∀n ≥ 1, Xn+1 = h(Xn , Wn+1 ).
Exemple : noyau gaussien. Soit E = R et σ 2 > 0 fixé. On appelle noyau de transition gaussien
le noyau défini pour tout couple (x, y) ∈ R2 par
1 (y−x)2
P (x, dy) = p(x, y)dy = √ e− 2σ 2 dy.
2πσ 2
Autrement dit, une chaîne de Markov de noyau de transition P est définie par sa condition initiale
X0 = x (ou plus généralement sa loi initiale µ0 , mesure de probabilité sur R) et, si Xn = x, alors
Xn+1 ∼ N (x, σ 2 ), c’est-à-dire de façon générale
Xn+1 = Xn + σWn+1 ,
où (Wn )n≥1 est une suite de variables i.i.d. gaussiennes standards indépendantes de X0 . Le para-
mètre de réglage σ donne la taille moyenne du pas effectuée à chaque étape : un calcul élémentaire
montre en effet que
r
2
E[|Xn+1 − Xn |] = σE[|Wn+1 |] = σE[|N (0, 1)|] = σ .
π
Notations, définitions et propriétés. Mutatis mutandis, toutes les propriétés classiques vues
dans le cas d’un espace d’états fini passent dans un cadre plus général. En particulier, comme dans
le cas discret, nous conviendrons qu’un noyau de transition agit à gauche sur les mesures et à
droite sur les fonctions. Ainsi, si (Xn ) est une chaîne de Markov de noyau de transition P et si
X0 ∼ µ0 , alors la loi µ1 de X1 est donnée par
Z
µ1 (dy) = (µ0 P )(dy) = µ0 (dx)P (x, dy).
E
Comme indiqué ci-dessus, si ϕ : E → R est une fonction mesurable bornée, on écrit

Z
(P ϕ)(x) = P (x, dy)ϕ(y) = E[ϕ(X1 )|X0 = x],
E
de sorte que, si X0 ∼ µ0 ,
ZZ
E[ϕ(X1 ] = µ0 P ϕ = µ0 (dx)P (x, dy)ϕ(y).
E2
En notant P1 P2 le noyau de transition défini par

Z
(P1 P2 )(x, dy) = P1 (x, dx′ )P2 (x′ , dy),
E
on peut définir en particulier de proche en proche P n , avec la convention P 0 = Id , et le théorème

de Chapman-Kolmogorov assure que, pour tout n ≥ 0, la variable Xn a pour loi µn = µ0 P n .

On dit que la loi de probabilité π est stationnaire (ou invariante, ou d’équilibre) pour le noyau de
transition P si πP = π, i.e.
Z
∀y ∈ E, π(dy) = π(dx)P (x, dy).
E
Si E = Rd , si π(dx) = π(x)dx et P (x, dy) = p(x, y)dy, ceci s’écrit encore

Z
∀y ∈ E, π(y) = π(x)p(x, y)dx.
E
On dit que le noyau de transition P est réversible pour la loi de probabilité π si les équations
d’équilibre détaillé sont vérifiées :
∀(x, y) ∈ E 2 , π(dx)P (x, dy) = π(dy)P (y, dx). (3.15)
Si E = Rd , π(dx) = π(x)dx et P (x, dy) = p(x, y)dy, ceci s’écrit encore
∀(x, y) ∈ E 2 , π(x)p(x, y) = π(y)p(y, x).
Comme dans le cas discret, il est facile de voir que si P est réversible pour π, alors π est stationnaire
pour P .
Exemple : noyau gaussien. Soit le noyau de transition P défini pour tout couple (x, y) ∈ R2
par 2
1 − y− √x2

P (x, dy) = √ e dy.
π
Dit autrement, si (Xn ) est une chaîne de Markov de noyau de transition P , elle admet la repré-
sentation suivante sous forme de récurrence aléatoire :
Xn 1
Xn+1 = √ + √ Wn+1 ,
2 2
où (Wn )n≥1 est une suite de variables i.i.d. gaussiennes standards et indépendantes de X0 . Il est
clair que si X0 ∼ N (0, 1), alors il en va de même pour tout Xn , c’est-à-dire que π = N (0, 1) est
une loi invariante pour cette chaîne. On vérifie en fait sans problème que la chaîne est réversible
pour π.
3.4.2 Algorithme de Metropolis-Hastings

Le but est de simuler suivant une loi de probabilité π sur E. Les hypothèses requises pour l’algo-
rithme de Metropolis-Hastings dans le cas général sont alors la traduction pure et simple de celles du
cas discret. Pour simplifier, considérons le cas d’une loi cible absolument continue π(dx) = π(x)dx
et un noyau Q à densité, i.e. Q(x, dy) = q(x, y)dy, et supposons que :
— pour tout point x, on sait simuler selon le noyau Q(x, dy) ;
— pour tout couple (x, y), on a q(x, y) > 0 implique q(y, x) > 0 ;
— pour tout couple (x, y) tel que q(x, y) > 0, on sait calculer le rapport de Metropolis-Hastings
π(y)q(y, x)
r(x, y) = .
π(x)q(x, y)
L’algorithme de Metropolis-Hastings fonctionne alors comme dans le cas discret :

1. partant de Xn = x, simuler Yn+1 = y selon la loi Q(x, dy) ;
2. calculer le rapport de Metropolis-Hastings r(x, y) ;

3. tirer une loi uniforme Un+1 ∼ U[0,1] , poser Xn+1 = Y = y si Un+1 ≤ r(x, y), et Xn+1 =
Xn = x sinon.
Remarque. En notant α(x, y) = min(1, r(x, y)), la représentation sous forme de récurrence aléa-
toire
Xn+1 = Yn+1 1Un+1 ≤α(Xn ,Yn+1 ) + Xn 1Un+1 >α(Xn ,Yn+1 )
assure que (Xn ) est une chaîne de Markov homogène. Bien que Q soit à densité, ce n’est pas le cas
du noyau de transition P de la chaîne (Xn ) et ceci en raison de la probabilité de rester sur place,
laquelle implique une mesure de Dirac. Plus précisément, on a
Z
′ ′ ′
P (x, dy) = α(x, y)q(x, y)dy + 1 − α(x, x )q(x, x )dx δx (dy). (3.16)
E
En effet, on cherche à déterminer pour toute fonction test ϕ le noyau P tel que
Z
(P ϕ)(Xn ) = E[ϕ(Xn+1 )|Xn ] = ϕ(y)P (Xn , dy).
Par définition de l’algorithme, en notant Yn+1 = Y et Un+1 = U pour alléger les notations, on
peut écrire
(P ϕ)(Xn ) = E[E[ϕ(Xn+1 )|Xn , Y ]|Xn ] = E[E[ϕ(Y )1U≤ α(Xn ,Y ) + ϕ(Xn )1U >α(Xn ,Y ) |Xn , Y ]|Xn ],
d’où, en tenant compte du fait que U est uniforme et indépendante de Xn et Y ,
(P ϕ)(Xn ) = E[ϕ(Y )α(Xn , Y ) + ϕ(Xn )(1 − α(Xn , Y ))|Xn ].
Puisque, de façon générale,

Z
E[h(Xn , Y )|Xn ] = h(Xn , y)q(Xn , y)dy,
E
ceci s’écrit encore

Z Z Z
(P ϕ)(Xn ) = ϕ(y)α(Xn , y)q(Xn , y)dy +ϕ(Xn ) (1−α(Xn , y))q(Xn , y)dy = ϕ(y)P (Xn , dy).
E E E
avec P défini en (3.16).

Lemme 6
La chaîne (Xn ) est réversible pour la loi π.
Preuve. Les équations d’équilibre détaillé (3.15) étant toujours vérifiées pour x = y, il suffit de
vérifier que
π(dx)P (x, dy) = π(dy)P (y, dx)
pour x 6= y, or dans ce cas tout est simple puisqu’on a des densités :

π(y)q(y, x)
π(dx)P (x, dy) = π(x)α(x, y)q(x, y)dxdy = π(x)q(x, y) min 1, dxdy,
π(x)q(x, y)
c’est-à-dire, par symétrie,
π(dx)P (x, dy) = min (π(x)q(x, y), π(y)q(y, x)) dxdy = π(dy)P (y, dx).


Exemple : noyau de proposition gaussien. Considérons l’exemple caricatural où E = R

et où l’on souhaite appliquer l’algorithme de Metropolis-Hastings pour simuler selon la loi cible
π = N (0, 1). Pour ce faire, soit σ 2 > 0 fixé et le noyau de transition gaussien
1 (y−x)2
Qσ (x, dy) = qσ (x, y)dy = √ e−
dy. 2σ 2
2πσ 2
Comme nous l’avons vu, partant de Xn = x, l’algorithme commence par proposer
Yn+1 = Xn + σWn+1 = x + σWn+1 ,
avec Wn+1 gaussienne standard indépendante de tout le reste. Si Yn+1 = y, puisque qσ (x, y) =
qσ (y, x), c’est la version Metropolis de l’algorithme :
π(y)q(y, x) π(y) 1 2 2
r(x, y) = = = e− 2 (y −x ) .
π(x)q(x, y) π(x)
Avec des mots, si Yn+1 est plus proche de l’origine que Xn (i.e. plus vraisemblable pour π),
alors cette transition est systématiquement acceptée, sinon elle l’est seulement avec probabilité
1 2 2
e− 2 (y −x ) , donc d’autant moins que |Yn+1 | est supérieur à |Xn |. Or nous avons vu que le pas
moyen de la transition proposée est
r
2
E[|Yn+1 − Xn |] = σE[|Wn+1 |] = σ .
π
Ceci illustre l’importance cruciale du paramètre de réglage σ dans l’efficacité de l’algorithme :
— si σ est trop petit (e.g. σ = 0.01, pour forcer le trait), alors r(Xn , Yn+1 ) est proche de 1,
donc la transition sera presque toujours acceptée et Xn+1 = Yn+1 : la chaîne bouge, ce qui
est une bonne chose, mais chaque transition est minuscule et il faudra beaucoup de temps
avant de réussir à explorer l’ensemble de la zone d’intérêt pour π, soit en gros l’intervalle
[−3, 3] ;
— si σ est trop grand (e.g. σ = 10, toujours pour forcer le trait), alors r(Xn , Yn+1 ) a de
grandes chances d’être proche de 0 (penser par exemple à la condition initiale X0 = 0),
donc la transition sera presque toujours refusée, auquel cas Xn+1 = Yn+1 : la chaîne ne
bouge pas, ou très rarement, ce qui est tout aussi désastreux.
Interprétation. De façon générale, le noyau de proposition Q doit réaliser un compromis entre le
fait de bouger suffisamment pour bien explorer le support de la loi π et ne pas proposer des “pas”
trop grands qui risquent d’être systématiquement refusés. Un indicateur à cet égard, aisément
implémentable, est donné par le taux moyen de rejet mis à jour au fur et à mesure du déroulement
de l’algorithme. Il n’existe pas énormément de résultats théoriques sur le meilleur réglage de ce
taux de rejet. Une règle empirique est d’essayer de le conserver autour de 0.5.
Sous des hypothèses raisonnables sur le noyau de transition Q, la chaîne (Xn ) a pour unique loi
stationnaire π. L’étude théorique dépasse cependant le cadre de ce cours. L’article de Tierney
[33] propose une introduction accessible à ce domaine. Afin d’en donner une idée, nous nous
contenterons d’énoncer une conséquence du Corollaire 3 qui s’y trouve. Au préalable, définissons
de façon générale la distance en variation totale entre deux mesures de probabilités µ et ν sur Rd :
kν − µkvt = sup |ν(A) − µ(A)|.
A∈B(Rd )
Si µ(dx) = f (x)dx et ν(dx) = g(x)dx, on retrouve le lien avec la distance L1 , à savoir

Z
1 1
kν − µkvt = |g(x) − f (x)|dx = kg − f kL1 ,
2 Rd 2
mais cette interprétation ne tient plus dès lors que, comme dans le cadre Metropolis-Hastings,
l’une des mesures est un mélange de lois avec une partie absolument continue et un Dirac.

Proposition 14
Si π est à support compact S, si π et q sont strictement positives et continues sur ce compact, alors
le noyau de Metropolis-Hastings est uniformément ergodique, c’est-à-dire qu’il existe des constantes
C > 0 et 0 ≤ r < 1 telles que
∀n ∈ N, sup kP n (x, ·) − πkvt ≤ Cr n .

x∈S
Bien entendu, l’hypothèse très forte de ce résultat est la compacité du support de la loi cible π.
Par exemple, il ne s’applique pas à l’exemple jouet/caricatural ci-dessus de la simulation d’une
gaussienne standard via un noyau de proposition gaussien... Il existe cependant des résultats plus
fins permettant de traiter le cas où π n’est pas supposée à support compact mais seulement à
queues sous-exponentielles (cf. par exemple le point (ii) de la Proposition 1.3.33 du polycopié
Méthodes de Monte Carlo de Benjamin Jourdain).
3.4.3 Echantillonneur de Gibbs

Dans sa version balayage aléatoire, l’échantillonneur de Gibbs correspond à un cas particulier de
Metropolis-Hastings où toutes les transitions sont acceptées ! Il requiert néanmoins beaucoup plus
de connaissance sur la loi cible π.
Plaçons-nous par exemple dans le cas d’un espace d’états continu Rd ou un sous-ensemble de Rd .
La densité cible s’écrit π(x) = π(x1 , . . . , xd ). Pour tout indice ℓ entre 1 et d, on note
x−ℓ = (x1 , . . . , xℓ−1 , xℓ+1 , . . . , xd )
le d-uplet correspondant à x privé de sa ℓ-ème composante. On convient alors d’écrire la densité

jointe π(x) = π(xℓ , x−ℓ ), tandis que π(·|x−ℓ ) est la densité conditionnelle correspondant à (d − 1)
coordonnées gelées et π(x−ℓ ) la densité jointe de ces (d − 1) coordonnées.
L’hypothèse cruciale est la suivante : pour tout ℓ et tout (d − 1)-uplet x−ℓ , on sait simuler suivant
la densité conditionnelle π(·|x−ℓ ). L’échantillonneur de Gibbs à balayage aléatoire fonctionne alors
comme suit :
1. partant de Xn = x, tirer au hasard uniformément une coordonnée ℓ entre 1 et d ;

2. simuler Xℓ′ selon la loi π(·|x−ℓ ) ;
3. poser Xn+1 = (Xℓ′ , x−ℓ ).
Lemme 7 (Echantillonneur de Gibbs à balayage aléatoire)

L’échantillonneur de Gibbs à balayage aléatoire correspond à un algorithme de Metropolis-Hastings
où toutes les transitions sont acceptées, c’est-à-dire r(x, y) = 1 à chaque étape. Par conséquent, la
chaîne (Xn ) est π-réversible et π est invariante.
Preuve. Si l’on reprend les notations de Metropolis-Hastings, l’algorithme précédent revient à

proposer Y = y = (x′ℓ , x−ℓ ) partant de Xn = x = (xℓ , x−ℓ ) avec la densité de transition
1 1 π(x′ℓ , x−ℓ ) 1 π(y)

q(x, y) = π(x′ℓ |x−ℓ ) = × = × .
d d π(x−ℓ ) d π(x−ℓ )
Réciproquement, la transition de y vers x a donc pour densité
1 π(x)
q(y, x) = × .
d π(x−ℓ )

Ceci étant établi, le rapport de Metropolis-Hastings vaut donc dans ce cas

π(y)q(y, x)
r(x, y) = = 1,
π(x)q(x, y)
et il est donc normal d’accepter toutes les transitions proposées.

Remarque : Interprétation en termes de noyaux de transition. Si on note Qℓ le noyau de

transition correspondant au changement de la coordonnée ℓ, c’est-à-dire permettant de passer de
x = (xℓ , x−ℓ ) à y = (yℓ , y−ℓ ) = (yℓ , x−ℓ ), ce noyau n’a pas de densité par rapport à la mesure de
Lebesgue sur Rd puisque (d − 1) coordonnées sont inchangées. Il s’écrit
Qℓ (x, dy) = 1y−ℓ =x−ℓ δx−ℓ (dy−ℓ )π(yℓ |x−ℓ )dyℓ .
Le calcul précédent montre que, pour tout couple (x, y),
π(dx)Qℓ (x, dy) = π(dy)Qℓ (y, dx),
les deux membres valant 0 si y−ℓ 6= x−ℓ . Puisque chaque noyau Qℓ est choisi avec probabilité 1/d,
le noyau P correspondant à l’échantillonneur de Gibbs à balayage aléatoire est
1
P = (Q1 + · · · + Qd ).
d
En d’autres termes, P est un mélange de noyaux de transition. Le noyau P n’est pas à densité :
partant de x, on ne peut aller en y que si x et y ne diffèrent que par une coordonnée. Néanmoins,
puisque les équations d’équilibre détaillé sont vérifiées par chaque noyau Qℓ , c’est encore vrai pour
le noyau P : pour tout couple (x, y),
π(dx)P (x, dy) = π(dy)P (y, dx).
Cette méthode est appelée échantillonnage de Gibbs par balayage aléatoire car l’indice ℓ est tiré
au hasard à chaque étape. On comprend que ce n’est pas complètement satisfaisant puisque, si la
coordonnée ℓ est tirée deux fois de suite, le second tirage ne sert à rien en terme d’évolution de la
chaîne.
Ce qu’on appelle plus couramment échantillonnage de Gibbs (sous-entendu : à balayage détermi-
niste ou systématique) est la méthode consistant à tirer les d coordonnées successivement :
1. partant de Xn = x,
′ ,x
pour ℓ allant de 1 à d, simuler Xℓ′ selon la loi π(·|X1′ , . . . , Xℓ−1 ℓ+1 , . . . , xd ) ;
2. poser Xn+1 = X ′ = (X1′ , . . . , Xd′ ).
Ainsi, lors d’une étape du Gibbs systématique, i.e. pour le passage de Xn à Xn+1 , toutes les
coordonnées ont été modifiées. A contrario, pour le passage de Xn à Xn+1 dans le Gibbs à balayage
aléatoire, une seule d’entre elles a changé.
Lemme 8 (Echantillonneur de Gibbs)
L’échantillonneur de Gibbs (sous-entendu : à balayage systématique) admet π comme loi invariante.
Preuve. Notons R(x, dy) le noyau de transition de l’échantillonneur de Gibbs à balayage systé-
matique. Il revient à composer les noyaux de transition Qℓ introduits ci-dessus, i.e. R = Q1 . . . Qd .
On veut montrer que πR = π, or on a vu que πQℓ = π pour tout ℓ, donc le résultat est clair.


Remarques :
1. C’est bien entendu cette version de l’échantillonneur de Gibbs qui est utilisée en pratique,
non celle à balayage aléatoire.
2. Si π a une densité, alors le noyau R de l’échantillonneur de Gibbs (sous-entendu : à balayage
systématique) est à densité : pour tout couple (x, y) ∈ Rd × Rd , celle-ci vaut
R(x, y) = π(y1 |x2 , . . . , xd )π(y2 |y1 , x3 , . . . , xd ) · · · π(yd |y1 , . . . , yd−1 ).
3. Contrairement au cas du balayage aléatoire, la chaîne (Xn ) n’est en général pas π-réversible.
En dimension 2, il faudrait en effet que pour tous couples (x1 , x2 ) et (y1 , y2 ),
π(x1 , x2 )R((x1 , x2 ), (y1 , y2 )) = π(y1 , y2 )R((y1 , y2 ), (x1 , x2 )),
c’est-à-dire, d’après l’expression précédente du noyau R,
π(x1 , x2 )π(y1 |x2 )π(y2 |y1 ) = π(y1 , y2 )π(x1 |y2 )π(x2 |x1 ),
ou encore
π(y1 |x2 )π(y2 ) = π(y1 )π(y2 |x1 ).
Cette relation est vérifiée si les composantes de π sont indépendantes, mais n’a aucune
raison de l’être en général. Il suffit en effet de voir que le membre de gauche dépend de x2 ,
contrairement à celui de droite.
4. Comme le montre l’Exercice 3.12, il ne faut surtout pas remettre toutes les coordonnées à
jour simultanément, sans quoi on risque de ne plus converger vers la loi cible !
3.5 Exercices
Exercice 3.1 (Modèle de diffusion d’Ehrenfest)
On considère deux urnes A et B, contenant M boules à elles deux, numérotées de 1 à M . A chaque
instant, on choisit un numéro j ∈ {1, . . . , M } de façon équiprobable et on change d’urne à la boule
numéro j. L’état Xn de la chaîne est le nombre de boules à l’instant n dans l’urne A.
1. Donner le graphe de transition de la chaîne (Xn ).
2. Cette chaîne est-elle irréductible ? apériodique ?
3. Montrer que (Xn ) admet pour loi stationnaire π une loi binomiale dont on précisera les
paramètres.
4. En fixant par exemple M = 10, retrouver π par simulation grâce à une seule réalisation
(très longue) de la chaîne. En d’autres termes, illustrer la loi des grands nombres du cours.
5. Toujours pour M = 10, retrouver π grâce à plusieurs réalisations de la chaîne. En d’autres
termes, illustrer la convergence en loi du cours.
6. Supposons M grand. Approcher la loi π par une loi normale dont on précisera les paramètres.
En déduire un intervalle [m1 , m2 ] tel qu’asymptotiquement, la chaîne passe 95% de son
temps entre ces deux valeurs.
7. Vérifier ce résultat par simulation.
Exercice 3.2 (Bistochasticité et Monopoly)

1. On dit qu’une matrice de transition (ou matrice stochastique) P est bistochastique si la
somme de chaque colonne est aussi égale à 1. Soit (Xn ) une chaîne de Markov dont la
matrice de transition est bistochastique : vérifier que la loi uniforme est une loi stationnaire.
Est-elle nécessairement unique ?

3.5. Exercices 73
2 3 4 5
1 6
D
B
0 9 8 7
Figure 3.2 – Tétraèdre et Monopoly
2. Un jeu du genre Monopoly a dix cases (voir figure 3.2 à droite). On part de la case 0 et on
lance un dé équilibré à six faces pour avancer le pion. Xn est la position du pion après le
n-ème lancer.
(a) Déterminer la matrice de transition de la chaîne de Markov (Xn ).
(b) La chaîne est-elle irréductible ? apériodique ?
(c) Déterminer la (ou les) loi(s) stationnaire(s).
Exercice 3.3 (Le scarabée)

Un scarabée se déplace sur les arêtes d’un tétraèdre régulier (voir figure 3.2 à gauche). Quel que
soit le sommet où il se trouve à un instant donné, il choisit au hasard et de façon équiprobable le
sommet vers lequel il va se diriger. Il lui faut une unité de temps pour l’atteindre. On suppose de
plus que le scarabée se déplace en continu, c’est-à-dire qu’il ne s’arrête jamais en un sommet. Xn
est la position du scarabée à l’instant n.
1. Déterminer la matrice de transition de la chaîne de Markov (Xn ). Loi(s) stationnaire(s) ?
2. A-t-on convergence en loi de (Xn ) ?
3. Illustrer cette convergence par simulation.
4. Le scarabée paye 1e chaque fois qu’il passe au sommet A, 2e chaque fois qu’il passe au
sommet B, 3e chaque fois qu’il passe au sommet C, 4e chaque fois qu’il passe au sommet
D. Soit Cn le coût de sa trajectoire jusqu’à l’instant n. Que dire de la convergence de Cn /n ?
L’illustrer par simulation.
5. Supposons maintenant qu’en chaque sommet, le scarabée reste sur place avec probabilité
7/10 ou parte vers un des autres sommets de façon équiprobable. Quid de la convergence
en loi ?
6. On considère maintenant que les déplacements du scarabée sont régis par la matrice de
transition :  
0 2/3 0 1/3
 1/3 0 2/3 0 
P =  0 1/3 0 2/3  .

2/3 0 1/3 0
(a) Vérifier la loi des grands nombres.
(b) Que dire de la convergence en loi ?
7. Tirer “au hasard” une matrice de transition P à l’aide de la fonction runif. Vérifier que
la loi des grands nombres et la convergence en loi permettent de trouver un même vecteur
probabilité ligne π. Retrouver cette loi d’équilibre grâce à la fonction eigen et en utilisant

sa propriété caractéristique : π est un vecteur propre à gauche de P associé à la valeur

propre 1.
Exercice 3.4 (Le coup du parapluie)

Un employé lambda, Franz Kafka, se rend chaque matin de son appartement à son bureau et fait
le contraire le soir. Il dispose en tout de 3 parapluies, certains chez lui, les autres au bureau. A
Prague, il pleut 2 fois sur 3 lorsqu’il fait le trajet, et ce indépendamment du passé. Soit Xn le
nombre de parapluies à son domicile durant la nuit.
1. Déterminer la matrice de transition de la chaîne de Markov associée.
2. Quelle est la proportion du temps où Kafka est mouillé en arrivant au bureau le matin ?
3. Généraliser avec n parapluies.
Exercice 3.5 (Metropolis : exemple jouet)

On veut simuler une loi normale centrée réduite grâce à l’algorithme de Metropolis. La loi de
proposition est uniforme sur [−1/2, 1/2]. Par rapport au cours, nous sommes donc dans un espace
d’états continu.
1. L’équivalent de la matrice de transition qij est le noyau de transition q(x, y) qui correspond
à la densité de Y = x + U , densité de probabilité d’aller en y sachant qu’on part du point
x. Déterminer q(x, y). En déduire q(y, x).
2. Traduire l’algorithme de Metropolis-Hastings dans ce cadre.
3. En partant de X0 suivant une loi uniforme sur [−3, 3], simuler alors une chaîne de Markov
(X0 , . . . , Xn ) par l’algorithme de Metropolis-Hastings.
4. Pour la réalisation de cette chaîne, déterminer la moyenne empirique, l’écart-type empirique,
représenter un histogramme des Xi auquel on superposera la densité de la loi normale centrée
réduite.
5. Grâce à la fonction unique, donner le taux d’acceptation du Metropolis-Hastings.
6. Observer ce qui se passe lorsque la condition initiale est X0 = 10.
7. Revenons à X0 ∼ U[−3,3] . Plutôt qu’une loi de proposition uniforme sur [−1/2, 1/2], considé-
rer une loi uniforme sur [−10, 10]. Qu’observez-vous ? Et avec une loi uniforme sur [−0.1, 0.1] ?
Exercice 3.6 (Metropolis vs Rejet)

On considère sur R2 la densité g(u, v) = c × f (u, v), où c est une constante de normalisation et

f (u, v) = (cos u)2 (sin v)2 exp −0.05(u2 + v 2 ) .
1. Sur [−5, 5] × [−5, 5], donner une représentation 3d de f (par exemple par persp(u,v,z))
et une représentation 2d par lignes de niveau de f (par exemple par image(u,v,z)).
2. On veut simuler selon la densité g en utilisant l’algorithme de Metropolis-Hastings. Partant
de x = (u, v), on considère le noyau de transition q(x, x′ ) qui correspond à la densité de
X ′ = x + σW , où σ > 0 est un paramètre de réglage et W ∼ N ([0, 0]′ , I2 ), loi gaussienne
centrée réduite dans R2 . Expliquer pourquoi q(x, x′ ) = q(x′ , x), c’est-à-dire qu’on est dans
le cadre de l’algorithme de Metropolis.
3. Implémenter l’algorithme de Metropolis. On utilisera le noyau de transition q(x, x′ ) ci-dessus
avec σ = 1. On pourra par exemple prendre comme initialisation X1 = (0, 0) et considérer
une chaîne (Xk )1≤k≤n de longueur n = 104 .
4. Sur le graphe de f par lignes de niveau (via image(u,v,z)), superposer les points de la
chaîne par exemple par la commande points(X,pch=3,cex=.1). Faire la même chose avec
σ grand, par exemple σ = 10, et commenter. Idem avec σ petit, par exemple σ = 0.1.

3.5. Exercices 75
5. Proposer une méthode de rejet pour simuler suivant g à partir d’une loi instrumentale gaus-
sienne. Comme en question précédente, superposer un échantillon de grande taille simulé par
cette méthode aux niveaux de la fonction f pour vérifier visuellement le bon fonctionnement
de l’algorithme.
6. Des deux méthodes, laquelle vous semble préférable ?
Exercice 3.7 (Metropolis-Hastings : méthode de Roberts et Rosenthal (1998))

On veut maintenant simuler un mélange équiprobable de deux lois normales réduites, centrées
respectivement en m = 3 et −m = −3.
1. Rappeler la densité f correspondante. Quelle est sa moyenne ? déterminer son écart-type,
à la main ou grâce à la fonction integrate.
2. Simuler une chaîne de Markov de densité d’équilibre f par la même méthode que dans
l’exercice précédent, mais avec une loi de proposition gaussienne centrée d’écart-type σ = 1.
Donner la moyenne empirique, l’écart-type empirique, représenter un histogramme des Xi
auquel on superposera la densité f .
3. Observer ce qui se passe lorsque X0 = m. D’où vient le problème ?
4. Essayer d’améliorer les choses en modifiant l’écart-type σ.
5. On ne considère plus un noyau de transition symétrique. Partant de x, la proposition est
désormais
σ 2 f ′ (x)
Y =x+ × + σW,
2 f (x)
où W suit une loi normale centrée réduite.
(a) Quelles transitions sont favorisées par ce noyau de transition ?
(b) Expliciter le rapport de Metropolis-Hastings r(x, y).
(c) Simuler la chaîne de Markov correspondant à cet algorithme de Metropolis-Hastings.
Exercice 3.8 (Metropolis indépendant et optimisation)

On veut trouver le maximum sur [0, 1] de la fonction
fu (x) = (cos(50x) + sin(20x))2 .
1. Représenter fu et déterminer ce maximum numériquement grâce à la fonction optimize.

2. Une autre idée, plus artisanale, est de construire une chaîne de Markov ayant pour loi
stationnaire la densité f proportionnelle à fu . Quelle est l’idée sous-jacente ?
3. Dans un premier temps, prenons le noyau de transition correspondant à Y = x+U (mod 1)
où U ∼ U[0,1] . Quelle est la loi de Y ? Construire l’algorithme de Metropolis correspondant :
on parle de Metropolis indépendant, pourquoi ?
4. Donner une estimation du maximum de f grâce à une longue réalisation de la chaîne.
5. Estimer de même le minimum en considérant la fonction exp(−fu (x)).
Exercice 3.9 (Recuit simulé)

On veut estimer par recuit simulé le minimum sur R de la fonction V (x) = x2 (2 + (sin(100x))2 ).
1. Représenter V (x) pour x variant entre -2 et 2. Quel est le minimum de V sur R ?
1
2. Pour une température T > 0 fixé, on considère sur R la densité fT (x) = ZT exp(−V (x)/T )
où Z
ZT = exp(−V (x)/T )dx.
R
En quel(s) point(s) fT admet-elle son maximum sur R ?

3. Sur une même figure, pour x variant entre -1 et 1, représenter à gauche x 7→ exp(−V (x)/T )
pour T = 10, et à droite pour T = 0.1.
4. On note U une loi uniforme sur [−1/2, 1/2]. Partant d’un point x, on considère le noyau de
transition q(x, y) qui correspond à la densité de Y = x + U . Déterminer q(x, y). En déduire
q(y, x) et le rapport de Metropolis-Hastings r(x, y) pour une température T > 0 fixée.
5. Implémenter l’algorithme du recuit simulé pour le noyau de transition q et le schéma de
température Tk = 1/(1 + log k) pour k allant de 1 à n = 1000. On pourra prendre comme
initialisation X1 ∼ U[−10,10] . On donnera en sortie la valeur V (Xn ) ainsi que le minimum
observé sur toutes les valeurs V (Xk ) pour k ∈ {1, . . . , n}.
Exercice 3.10 (Le voyageur de commerce)

Un commercial doit passer par N villes et revenir à son point de départ, il se déplace en avion et
il y a des vols directs entre toutes les villes. Le but est de trouver le trajet optimal, c’est-à-dire la
distance minimale à parcourir.
1. Pourquoi la solution exacte est-elle difficile à trouver quand N n’est pas petit ?
2. Simuler N = 10 points (M1 , . . . , MN ) uniformément dans le carré [0, 1] × [0, 1]. Les repré-
senter, ainsi que les trajets (M1 , M2 ), . . . , (MN −1 , MN ), (MN , M1 ).
3. Construire la matrice N × N des distances entre toutes les villes.
4. On considère le groupe SN des permutations de l’ensemble {1, . . . , N }. A chaque permu-
tation σ = (σ(1), . . . , σ(N )) est associée la distance totale parcourue par le voyageur de
commerce, c’est-à-dire en notant d(A, B) la distance euclidienne entre A et B :
N
X
Dσ = d(Mσ(ℓ) , Mσ(ℓ+1) ),
ℓ=1
avec la convention σ(N + 1) = σ(1). Dans ce qui précède, on avait donc σ = (1, 2, . . . , N −
1, N ). Reformuler le problème d’optimisation avec ces notations.
′
5. La permutation σ étant donnée, on note σ ℓ,ℓ la permutation consistant à inverser l’ordre
de visite des villes ℓ et ℓ′ , autrement dit :
′
σ = (σ(1), . . . , σ(ℓ), . . . , σ(ℓ′ ), . . . , σ(N )) =⇒ σ ℓ,ℓ = (σ(1), . . . , σ(ℓ′ ), . . . , σ(ℓ), . . . , σ(N )).
′
Partant de σ, comment tirer uniformément parmi les σ ℓ,ℓ ?
′
6. Implémenter l’algorithme de Metropolis correspondant aux transitions Q(σ, σ ℓ,ℓ ) ci-dessus
et de loi stationnaire proportionnelle à exp(−Dσ ) sur l’espace d’états SN .
7. Déterminer le meilleur trajet obtenu par cette méthode et le représenter.
8. On adopte la technique du recuit simulé : par rapport à ce qui précède, il suffit donc de tenir
compte de la température Tn à chaque étape. Pour comparer les schémas de température,
on utilisera la fonction set.seed (permettant de fixer en début de simulation la graine
du générateur aléatoire) et on comparera les performances sur un nombre représentatif de
simulations, par exemple une centaine. Le nombre N de villes ne devra pas être pris trop
grand, contrairement à la longueur n de la chaîne...
(a) Implémenter le recuit simulé avec un schéma de température en Tn = 1/ log n. Comparer
à ce qui était obtenu avec la température fixe T = 1 de la question 7.
(b) Même question avec un schéma de température à décroissance polynomiale, c’est-à-dire
de type Tn = n−γ , pour plusieurs valeurs de γ.

3.5. Exercices 77
Exercice 3.11 (Refroidissement trop rapide)

Cet exercice est tiré du polycopié de Thierry Bodineau [2] et illustre sur un exemple élémentaire
la raison pour laquelle un refroidissement trop rapide nuit à la convergence du recuit simulé vers
le minimum global. Soit E = {1, 2, 3} et la fonction V : E → R définie par V (1) = 0, V (2) = 1 et
V (3) = −1. L’exploration se fait comme suit : partant des états 1 ou 3, on propose systématique-
ment d’aller en 2, tandis que partant de 2, on propose d’aller en 1 ou 3 de façon équiprobable. On
considère l’algorithme du recuit simulé avec un schéma de température noté (Tn ).
1. Minimum local de V ? Minimum global ? Donner le graphe de transition de la matrice de
transition Q.
2. On part du point X0 = 1 et on veut contrôler P(∃k ≤ n, Xk = 3). Majorer cette quantité
en fonction de la probabilité que la chaîne ne bouge pas de sa position initiale.
3. Grâce à la propriété de Markov, déterminer P(∀k ≤ n, Xk = 1) en fonction des Tk .
Qn−1 Pn−1
4. On rappelle que si les xk sont des nombres entre 0 et 1, alors k=0 (1 − xk ) ≥ 1 − k=0 xk .
En déduire une majoration de P(∃n, Xn = 3) par la somme d’une série dépendant du
schéma de température. Que se passe-t-il si Tn ≤ c/ log n avec c trop petit ?
Exercice 3.12 (Gibbs simultané = Gibbs vérolé)
On considère sur E = {(0, 0), (0, 1), (1, 0), (1, 1)} la distribution π = [2/5, 1/5, 1/5, 1/5]. Sur cet
espace d’états, on considère la chaîne de Markov (Xn ) régie par les transitions suivantes : partant
de X = (x1 , x2 ), le point suivant est X ′ = (x′1 , x′2 ) où x′1 est tiré suivant la loi conditionnelle π(·|x2 )
et, indépendamment, x′2 est tiré suivant la loi conditionnelle π(·|x1 ). Cette façon de se déplacer
dans l’espace d’états s’apparente donc à un échantillonneur de Gibbs où toutes les coordonnées
seraient remises à jour simultanément.
1. Donner la matrice de transition P de la chaîne de Markov (Xn ). Cette chaîne est-elle
irréductible ? apériodique ?
2. Montrer que que l’algorithme proposé ne converge pas vers ce qu’on veut.
3. Donner la matrice de transition Pa de l’échantillonneur de Gibbs par balayage aléatoire.
Vérifier que π est stationnaire pour Pa . La chaîne est-elle réversible ?
4. Mêmes questions pour la matrice Pd de l’échantillonneur de Gibbs par balayage déterministe.
Exercice 3.13 (Somme d’exponentielles contrainte)
Soit X1 , . . . , Xd des variables exponentielles indépendantes de paramètres λ1 , . . . , λd donnés. Soit
S = X1 + · · · + Xd leur somme et m > 0 une constante fixée.
1. Donner la densité fm du vecteur aléatoire (X1 , . . . , Xd ) sachant S > m.
2. Soit (x2 , . . . , xd ) fixé. Comment simuler X1 sachant que X1 + x2 + · · · + xd > m ?
3. En déduire un échantillonneur de Gibbs pour simuler un échantillon (X1 , . . . , Xd ) condi-
tionnellement au fait que S > m.
Exercice 3.14 (Cas d’école pour Gibbs)
On considère la densité
2
y x2 (1 + y + y 2 )
f (x, y) = C exp − − .
2 2
1. Loi de X sachant Y = y ? Loi de Y sachant X = x ?
2. En déduire un échantillonneur de Gibbs de loi cible f .
Exercice 3.15 (Simulation d’un couple)
Soit (X, Y ) un couple aléatoire de densité jointe
f (x, y) = e−y 10≤x≤y .

1. Déterminer la densité marginale de X, notée f (x). Quelle loi reconnaissez-vous ?

2. Sachant X = x ≥ 0, déterminer la densité conditionnelle f (y|x). Quelle loi reconnaissez-
vous ?
3. En déduire une méthode pour simuler une réalisation du couple aléatoire (X, Y ). L’implé-
menter pour simuler un échantillon de couples (X1 , Y1 ), . . . , (Xn , Yn ) de taille n = 1000.
Représenter le nuage de points ainsi obtenu.
4. Sachant Y = y ≥ 0, déterminer la densité conditionnelle f (x|y). Quelle loi reconnaissez-
vous ?
5. En partant par exemple du point (x0 , y0 ) = (0, 1), implémenter un échantillonneur de Gibbs
à balayage déterministe pour obtenir un échantillon (X1 , Y1 ), . . . , (Xn , Yn ) de taille n = 1000
de loi cible f . Représenter le nuage de points ainsi obtenu.
6. Des deux méthodes proposées, laquelle choisiriez-vous pour simuler selon la densité f (x, y) ?
Exercice 3.16 (Balayage aléatoire vs balayage déterministe)

On considère un espace d’états E fini de cardinal M , une densité cible π = [π1 , . . . , πM ] avec
tous les πi strictement positifs, et une matrice de transition Q = [qij ] avec tous les qij strictement
positifs.
1. Dans l’algorithme de Metropolis-Hastings, quelle est la probabilité αij qu’une loi uniforme
soit inférieure à rij ?
2. En déduire le coefficient pij de la matrice P correspondant aux transitions de la chaîne (Xn )
construite par l’algorithme (attention aux termes diagonaux).
3. Vérifier que P est réversible pour π. En déduire que π est stationnaire pour P .
4. Vérifier que c’est encore vrai si au lieu de prendre α(r) = min(1, r) comme ci-dessus, on
considère n’importe quelle fonction α :]0, ∞[→]0, 1] telle que α(r) = r × α(1/r).
5. Reformuler tout ce qui précède dans le cadre d’un espace d’états continu.
6. Dans l’échantillonneur de Gibbs, notons P1 , . . . , Pd les noyaux de transition en jeu, c’est-à-
dire que la transition de x vers x′ peut avoir lieu seulement si x et x′ ne diffèrent que par
une coordonnée, disons ℓ, c’est-à-dire x−ℓ = x′−ℓ , auquel cas ceci arrive avec la densité de
probabilité Pℓ (x, x′ ) = f (x′ℓ |x−ℓ ).
(a) Vérifier que le noyau Pℓ est réversible pour la densité f . En déduire que f est stationnaire
pour le noyau Pℓ .
(b) Pour le balayage aléatoire, exprimer le noyau de transition P en fonction des Pℓ . En
déduire que le noyau P est réversible pour la densité f .
(c) Pour le balayage déterministe, exprimer le noyau de transition P en fonction des Pℓ . En
déduire que f est stationnaire pour P . La chaîne est-elle réversible ?
Exercice 3.17 (Modèle d’Ising)

Soit N entier naturel fixé. On considère le carré C = {(i, j), 1 ≤ i, j ≤ N }, chaque site (i, j)
ne pouvant prendre que deux valeurs Sij = ±1 (son spin). A une configuration de spins S =
(Sij )1≤i,j≤N donnée est alors associée l’énergie
X
V (S) = − Sij Skℓ avec (i, j) ∼ (k, ℓ) ⇔ |i − k| + |j − ℓ| = 1.
(i,j)∼(k,ℓ)
Autrement dit, dans la somme définissant V interviennent toutes les paires de sites voisins dans le
carré C.
1. Quelles sont les configurations minimisant l’énergie ?

3.5. Exercices 79
2. Pour tenir compte de la température T > 0, on associe à V la mesure de Gibbs

1 1
µT (S) = exp − V (S) ,
ZT T
où ZT est la constante de normalisation. Que dire de cette mesure de probabilité dans les
deux situations extrêmes où T → 0 et où T → +∞ ?
3. On considère T fixé et on veut simuler S suivant la mesure µT . Donner en fonction de N le
nombre de configurations S = (Sij )1≤i,j≤N possibles.
4. On applique la méthode de Metropolis-Hastings pour simuler suivant µT . Pour cela, partant
d’une configuration S = (Sij )1≤i,j≤N , on commence par tirer un site (i0 , j0 ) au hasard (uni-
forme) et on propose de changer Si0 j0 en −Si0 j0 . On note S (i0 ,j0 ) cette nouvelle configuration
où seul un spin a changé de signe. Que vaut Q(S, S (i0 ,j0 ) ) ? Et Q(S (i0 ,j0 ) , S) ? Calculer le
rapport de Metropolis-Hastings r(S, S (i0 ,j0 ) ).
5. Expliquer brièvement pourquoi la chaîne de Markov ainsi construite est irréductible et
apériodique.
6. Pour N = 40 et T = 0.1, implémenter l’algorithme de Metropolis-Hastings permettant de
simuler une chaîne de mesure stationnaire µT . On ne demande pas de garder tout l’historique
de la chaîne, mais seulement la mise à jour de S = (Sij )1≤i,j≤N . Représenter la configuration
S obtenue après 104 étapes via la commande image(S).
7. Faire de même pour T = 10. Interpréter la différence entre les deux figures obtenues.
Exercice 3.18 (Débruitage d’image)

Soit N entier naturel fixé. On considère la grille C = {(i, j), 1 ≤ i, j ≤ N }, chaque pixel (i, j)
ne pouvant prendre que deux valeurs Sij = ±1 (blanc pour -1, noir pour +1). L’image initiale
Σ = (σij )1≤i,j≤N , supposée connue, va être modifiée en une nouvelle image S = (Sij )1≤i,j≤N
visant à minimiser l’énergie
X X
V (S) = α (Sij −σij )2 −β Sij Skℓ avec (i, j) ∼ (k, ℓ) ⇔ |i−k|+|j−ℓ| = 1,
1≤i,j≤N (i,j)∼(k,ℓ)
où α et β sont deux constantes positives. Dans la seconde somme définissant V interviennent donc
toutes les paires de sites voisins dans le carré C.
1. Si α > 0 et β = 0, quelle(s) configuration(s) minimise(nt) V ? Même question si α = 0 et
β > 0.
2. On suppose dans toute la suite que α et β sont tous deux strictement positifs fixés et
permettent d’effectuer un compromis entre deux contraintes : l’attache à l’image initiale Σ et
l’obtention de contours nets (élimination du bruit). On veut alors minimiser V , en supposant
ce minimum atteint pour une unique configuration S ⋆ = (Sij ⋆)
1≤i,j≤N . On introduit pour
cela un paramètre de température T > 0 et on associe à V la mesure de Gibbs

1 1
µT (S) = exp − V (S) ,
ZT T
où ZT est la constante de normalisation. Que dire de cette mesure de probabilité dans les
deux situations extrêmes où T → 0 et où T → +∞ ?
3. Soit T > 0 fixé. Comme dans le modèle d’Ising, on applique la méthode de Metropolis-
Hastings pour simuler suivant µT . Pour cela, partant d’une configuration S = (Sij )1≤i,j≤N ,
on commence par tirer un site (i0 , j0 ) au hasard (uniforme) et on propose de changer Si0 j0
en −Si0 j0 . On note S (i0 ,j0 ) cette nouvelle configuration où seul un pixel a changé. Que vaut
Q(S, S (i0 ,j0 ) ) ? Et Q(S (i0 ,j0 ) , S) ? Expliciter le rapport de Metropolis-Hastings r(S, S (i0 ,j0) ).

4. On veut appliquer un recuit simulé pour minimiser V . Comme paramètres, on pourra

prendre N = 40, α = 1/3, β = 2/3 et le schéma de température Tk = 1/k pour k al-
lant de 1 à n = 104 . L’image à retrouver est Σ0 dont tous les pixels sont à -1 sauf le
carré central de côté 20 dont tous les pixels sont à 1. L’image initiale est sa version bruitée
Σ = (σij )1≤i,j≤N où, partant de Σ0 , chaque pixel est changé de signe avec probabilité 1/4,
indépendamment les uns des autres. Pour l’implémentation du recuit simulé, on pourra
s’inspirer du code vu pour le modèle d’Ising.
Exercice 3.19 (Echantillonnage par tranches)
On considère la fonction f (u, x) = 10<u< 1 exp(−√x) .
2
√
1. Grâce à un changement de variable, montrer que f (x) = 21 exp(− x)1x>0 est une densité
sur R. En déduire que f (u, x) est une densité sur R2 .
2. Montrer que les densités conditionnelles f (u|x) et f (x|u) sont celles de lois uniformes que
l’on précisera.
3. En partant du point (U1 , X1 ) = (1/(4e), 1), implémenter un échantillonneur de Gibbs à
balayage déterministe pour obtenir un échantillon (U1 , X1 ), . . . , (Un , Xn ) de taille n = 1000
et de loi cible f (u, x).
4. Sur un même graphe, représenter la densité f (x) et un estimateur de la densité obtenu à
partir de l’échantillon X1 , . . . , Xn .
Exercice 3.20 (Euclidean matching)
Pour N ∈ N∗ fixé, on considère 2 ensembles de N points (A1 , . . . , AN ) et (B1 , . . . , BN ) dans le
carré [0, 1] × [0, 1]. On veut relier chaque point du premier ensemble à exactement un point du
second ensemble de façon à minimiser la somme des longueurs des segments [Ai , Bj ]. Autrement
dit, on cherche σ dans SN , ensemble des permutations de {1, . . . , N }, qui minimise la quantité
N
X
V (σ) = d(Ai , Bσ(i) ),
i=1
où d représente la distance euclidienne usuelle dans le plan.

1. Pour N = 10, simuler des points (A1 , . . . , AN ) et (B1 , . . . , BN ) uniformément dans le carré
[0, 1] × [0, 1].
2. Construire la matrice D de taille N × N des distances entre tous les couples de points
(Ai , Bj ), c’est-à-dire que Di,j = d(Ai , Bj ).
3. Coder une fonction V qui prend comme paramètres d’entrée la matrice D et une permuta-
tion σ et renvoie la valeur V (σ).
′
4. La permutation σ étant donnée, on note σ ℓ,ℓ la permutation consistant à inverser les appa-
riements (Aℓ , Bσ(ℓ) ) et (Aℓ′ , Bσ(ℓ′ ) ) en (Aℓ , Bσ(ℓ′ ) ) et (Aℓ′ , Bσ(ℓ) ). Autrement dit :
′
σ = (σ(1), . . . , σ(ℓ), . . . , σ(ℓ′ ), . . . , σ(N )) =⇒ σ ℓ,ℓ = (σ(1), . . . , σ(ℓ′ ), . . . , σ(ℓ), . . . , σ(N )).
′
Partant de σ, comment tirer uniformément parmi les σ ℓ,ℓ ?
5. Pour minimiser V , on adopte la technique du recuit simulé avec le schéma de température
′
Tn = 1/(1+log n) et des transitions Q(σ, σ ℓ,ℓ ) comme ci-dessus. Implémenter cet algorithme
pour une chaîne de longueur n = 103 . On pourra s’inspirer du code du voyageur de commerce
et prendre comme condition initiale σ = (1, . . . , N ).
6. Déterminer le meilleur σ ⋆ obtenu. Sur un même graphique, représenter à gauche les cou-
plages initiaux, c’est-à-dire les segments (A1 , B1 ), . . . , (AN , BN ), et à droite les couplages
optimaux, c’est-à-dire les segments (A1 , Bσ⋆ (1) ), . . . , (AN , Bσ⋆ (N ) ). En ggplot, on pourra
utiliser la fonction geom_segment.

3.5. Exercices 81
Exercice 3.21 (Statistique bayésienne)

Dans un cadre bayésien, on considère que la loi a priori sur θ est une loi uniforme sur [0, 1] et que,
sachant θ, les variables (Xi )1≤i≤N sont i.i.d. selon un mélange pondéré par θ de deux gaussiennes
réduites de moyennes respectives +1 et −1 (densités respectives φ et ψ), c’est-à-dire
1 (x1 −1)2 1 (x1 +1)2

f (x1 |θ) = θ × √ e− 2 + (1 − θ) × √ e− 2 = θ × φ(x1 ) + (1 − θ) × ψ(x1 ).
2π 2π
1. Donner la formule de la loi a posteriori π(θ|x) = π(θ|x1 , . . . , xN ) et l’estimateur de Bayes

pour la perte quadratique, i.e. la moyenne a posteriori θ̂N = θ̂N (X).
2. Pour θ ∗ = 3/4 et N = 100, générer X1 , . . . , XN selon le mélange ci-dessus pondéré par θ ∗
pour obtenir une réalisation x = (x1 , . . . , xN ).
3. En déduire un estimateur Monte-Carlo θ̂Nn (x) de la réalisation θ̂ (x) de l’estimateur de
N
Bayes (moyenne a posteriori). L’implémenter avec par exemple n = 500.
4. Toujours pour la même réalisation x = (x1 , . . . , xN ), on souhaite générer un échantillon
suivant la loi a posteriori π(θ|x). On adopte pour cela la méthode de Metropolis-Hastings
avec comme noyau de proposition q(θ, θ ′ ) = 1[0,1] (θ ′ ), c’est-à-dire que la loi de proposition
est tout simplement une loi uniforme sur [0, 1]. Que vaut le rapport de Metropolis-Hastings
r(θ, θ ′ ) ? Avec la condition initiale θ1 = 1/2, implémenter l’algorithme pour une chaîne de
longueur n = 104 et représenter un estimateur de la densité de l’échantillon (θ1 , . . . , θn ).
Donner le taux global d’acceptation sur l’ensemble des mutations proposées.
√
5. Mêmes questions en considérant le noyau de transition correspondant à θ ′ = θ + U/ N
(modulo 1), avec U uniforme sur [−1, 1]. Indication : on pourra utiliser %% pour obtenir le
modulo 1 en R : 1.2%%1 = 0.2 et −0.1%%1 = 0.9.
Exercice 3.22 (Champ libre gaussien)

Soit N ∈ N⋆ fixé. On considère le carré C = {(i, j), 1 ≤ i, j ≤ N }, chaque site (i, j) pouvant prendre
une valeur réelle xij . A une configuration x = (xij )1≤i,j≤N donnée est alors associée l’énergie
X
V (x) = (xij − xkℓ )2 avec (i, j) ∼ (k, ℓ) ⇔ |i − k| + |j − ℓ| = 1.
(i,j)∼(k,ℓ)
On adopte la convention selon laquelle le carré C est entouré de 0, ainsi tout site (i, j)1≤i,j≤N a
exactement 4 voisins. A une température T > 0, on associe la mesure de Gibbs

1 1
µT (x) = exp − V (x) ,
ZT T
où ZT est la constante de normalisation. On veut simuler X suivant la mesure µT .

1. Pour un site (i0 , j0 ) fixé et une configuration x donnée, on note x−(i0 ,j0) le vecteur x privé
de la coordonnée xi0 j0 . Quelle est la loi conditionnelle µT (xi0 j0 |x−(i0 ,j0 ) ) ? On reconnaîtra
une loi classique.
2. Pour N = 40 et T = 10−3 , implémenter un échantillonneur de Gibbs à balayage aléatoire
pour simuler selon µT . Via la commande image(X), représenter la configuration initiale, où
chaque site est i.i.d. selon une loi normale centrée réduite, et la configuration finale obtenue
après 105 étapes. On pourra s’inspirer du code pour le modèle d’Ising.
3. Faire de même pour T = 103 . Interpréter la différence entre les deux figures obtenues.
4. Implémenter un échantillonneur de Gibbs à balayage déterministe, c’est-à-dire en balayant
intégralement le carré C du point (i, j) = (1, 1) au point (i, j) = (N, N ) un certain nombre
n de fois (par exemple n = 100).

Exercice 3.23 (Maximum de vraisemblance)

Soit θ ∈ R et la loi de Cauchy translatée de θ, c’est-à-dire de densité
fθ (x) = 1/(π(1 + (x − θ)2 )).
1. Si X1 , · · · , XN sont i.i.d. selon fθ , donner la vraisemblance LN (θ) = LN (θ; (X1 , · · · , XN ))

puis la log-vraisemblance ℓN (θ).
2. Pour N = 10 et θ ∗ = 0, simuler X1 , · · · , XN i.i.d. selon fθ∗ . Représenter la log-vraisemblance
θ 7→ ℓN (θ) associée à cet échantillon pour θ ∈ [X(1) − 10; X(N ) + 10], où comme d’habitude
X(1) = min1≤j≤N Xj et X(N ) = max1≤j≤N Xj .
3. Toujours pour le même échantillon, on veut maintenant déterminer l’estimateur du maxi-
mum de vraisemblance par recuit simulé. On pose V (θ) = −ℓN (θ) et à tout T > 0 on associe
la densité
1 1
hT (θ) = exp − V (θ) ,
ZT T
où ZT est la constante de normalisation. Partant d’un point θ, on considère la proposition
Y = θ + N (0, σ 2 ).
(a) Ecrire le noyau de proposition q(θ, y) associé et en déduire le rapport de Metropolis-
Hastings r(θ, y).
(b) Implémenter l’algorithme du recuit simulé pour la condition initiale θ1 = 1, la variance
σ 2 = 1 et le schéma de température Tn = 1/n avec n ∈ {1, · · · , 100}.
(c) Grâce au code de la fonction précédente, représenter V (θn ) en fonction de n. Donner
en particulier la valeur θn∗ maximisant la vraisemblance. Vérifier que ceci est cohérent
avec le graphe de la question 2.
3.6 Corrigés

Bibliographie
[1] Søren Asmussen and Peter W. Glynn. Stochastic simulation : algorithms and analysis, vo-
lume 57 of Stochastic Modelling and Applied Probability. Springer, New York, 2007.
[2] Thierry Bodineau. Modélisation de phénomènes aléatoires. Format électronique, 2015.
[3] Raphaël Cerf. The dynamics of mutation-selection algorithms with large population sizes.
Ann. Inst. H. Poincaré Probab. Statist., 32(4) :455–508, 1996.
[4] Raphaël Cerf. A new genetic algorithm. Ann. Appl. Probab., 6(3) :778–817, 1996.
[5] Raphaël Cerf. Asymptotic convergence of genetic algorithms. Adv. in Appl. Probab.,
30(2) :521–550, 1998.
[6] Thomas M. Cover and Joy A. Thomas. Elements of information theory. John Wiley & Sons
Inc., 1991.
[7] Bernard Delyon. Simulation et Modélisation. Format électronique, 2014.
[8] Luc Devroye. Nonuniform random variate generation. Springer-Verlag, New York, 1986.
[9] Marie Duflo. Algorithmes stochastiques. Springer, 1996.
[10] Rick Durrett. Essentials of Stochastic Processes. Springer Texts in Statistics. Springer-Verlag,
New York, 1999.
[11] Jean-François Delmas et Benjamin Jourdain. Modèles aléatoires. Springer, 2006.
[12] Pierre Del Moral et Christelle Vergé. Modèles et méthodes stochastiques. Springer, 2014.
[13] Bernard Bercu et Djalil Chafaï. Modélisation stochastique et simulation. Dunod, 2007.
[14] Michel Benaïm et Nicole El Karoui. Promenade aléatoire. Editions de l’Ecole Polytechnique,
2004.
[15] Jean Jacod et Philip Protter. L’essentiel en théorie des probabilités. Cassini, 2003.
[16] Nathalie Bartoli et Pierre Del Moral. Simulation et algorithmes stochastiques. Cépaduès-
Editions, 2001.
[17] Olivier François. Global optimization with exploration/selection algorithms and simulated
annealing. Ann. Appl. Probab., 12(1) :248–271, 2002.
[18] Emmanuel Gobet. Méthodes de Monte-Carlo et processus stochastiques : du linéaire au non-
linéaire. Editions de l’Ecole Polytechnique, 2013.
[19] Bruce Hajek. Cooling schedules for optimal annealing. Math. Oper. Res., 13(2) :311–329,
1988.
[20] W. K. Hastings. Monte Carlo sampling methods using Markov chains and their applications.
Biometrika, 57(1) :97–109, April 1970.
[21] Benjamin Jourdain. Méthodes de Monte Carlo. Format électronique, 2021.
[22] David A. Levin, Yuval Peres, and Elizabeth L. Wilmer. Markov chains and mixing times.
Format électronique, 2009.
83
[23] Makoto Matsumoto and Takuji Nishimura. Mersenne twister : A 623-dimensionally equidis-
tributed uniform pseudo-random number generator. ACM Trans. Model. Comput. Simul.,
8(1) :3–30, January 1998.
[24] Alexander J. McNeil, Rüdiger Frey, and Paul Embrechts. Quantitative risk management.
Princeton Series in Finance. Princeton University Press, Princeton, NJ, 2005. Concepts,
techniques and tools.
[25] N. Metropolis, A. W. Rosenbluth, M. N. Rosenbluth, A. H. Teller, and E. Teller. Equation of
state calculations by fast computing machines. The Journal of Chemical Physics, 21(6) :1087–
1092, 1953.
[26] Roger B. Nelsen. An introduction to copulas. Springer Series in Statistics. Springer, New
York, second edition, 2006.
[27] Harald Niederreiter. Random number generation and quasi-Monte Carlo methods. Society for
Industrial and Applied Mathematics (SIAM), Philadelphia, PA, 1992.
[28] James R. Norris. Markov Chains. Cambridge University Press, 1997.
[29] Christian P. Robert and George Casella. Monte Carlo statistical methods. Springer Texts in
Statistics. Springer-Verlag, New York, second edition, 2004.
[30] Christian P. Robert and George Casella. Introducing Monte Carlo methods with R. Use R !
Springer, New York, 2010.
[31] Sheldon M. Ross. Simulation. Statistical Modeling and Decision Science. Academic Press,
Inc., San Diego, CA, second edition, 1997.
[32] Justin Salez. Temps de mélange des chaînes de Markov. Format électronique, 2021.
[33] Luke Tierney. Markov chains for exploring posterior distributions. Ann. Statist., 22(4) :1701–
1762, 1994. With discussion and a rejoinder by the author.
[34] Bruno Tuffin. La simulation de Monte Carlo. Hermes Science Publications, 2010.
[35] Bernard Ycart. Modèles et algorithmes markoviens. Springer-Verlag, Berlin, 2002.

Monte Carlo

Transféré par

Droits d'auteur :

Formats disponibles

Monte Carlo

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Monte Carlo

Transféré par

Droits d'auteur :

Formats disponibles

Sorbonne Université

Master Mathématiques et Applications Année 2021/2022

1 Génération de variables aléatoires 1

3 Monte-Carlo par Chaînes de Markov 47

Arnaud Guyader Méthodes Monte-Carlo

Génération de variables aléatoires

1.1 Variables uniformes

Xn+1 = AXn (mod 2)

1.2 Méthode d’inversion

Arnaud Guyader Méthodes Monte-Carlo

Proposition 1 (Méthode d’inversion)

F −1 (u) ≤ x ⇐⇒ u ≤ F (x). (1.2)

P(X ≤ x) = P(F −1 (U ) ≤ x) = P(U ≤ F (x)) = F (x),

F −1 (u) ≤ F −1 (u) =⇒ u ≤ (F ◦ F −1 )(u).

F −1 (u) − ε < F −1 (u) =⇒ F (F −1 (u) − ε) < u.

Méthodes Monte-Carlo Arnaud Guyader

2. Loi exponentielle : Soit λ > 0, alors

1.3 Méthode de rejet

Considérons alors deux suites indépendantes de variables aléatoires :

Concrètement, Y correspond à une proposition et U à un tirage pile ou face pour décider si on

Arnaud Guyader Méthodes Monte-Carlo

Proposition 2 (Algorithme de rejet)

d’où, g et f étant des densités,

P(X ≤ x, N = n) = P(U1 > r(Y1 ), . . . , Un−1 > r(Yn−1 ), Un ≤ r(Yn ), Yn ≤ x).

Puisque les n tirages sont i.i.d., ceci s’écrit encore

P(X ≤ x, N = n) = (P(U1 > r(Y1 ))n−1 P(Un ≤ r(Yn ), Yn ≤ x).

Pour le premier terme, ce qui précède donne

Pour le second, un raisonnement comparable donne

Méthodes Monte-Carlo Arnaud Guyader

Le point remarquable de cet exemple est que la constante m est inconnue !

Arnaud Guyader Méthodes Monte-Carlo

et vérifiant fu (x) ≤ c2 g(x) avec c2 connue. Alors il suffit de prendre m = c1 c2 : la méthode de

1.4 Vecteurs aléatoires

f (x, y) = xe−xy 10<x<1 1y>0 .

1.4.2 Changement de variables

Théorème 1 (Changement de variables)

Or, par le Théorème de Transfert,

Méthodes Monte-Carlo Arnaud Guyader

Exemple. Un changement de variables classiques est celui en coordonnées polaires ϕ : R2 \

(x, y) = ϕ−1 (r, θ) = (r cos θ, r sin θ),

fR,Θ (r, θ) = fX,Y (r cos θ, r sin θ)r1]0,+∞[(r)1]0,2π[ (θ).

sont i.i.d. gaussiennes centrées réduites. C’est l’algorithme de Box-Muller.

Arnaud Guyader Méthodes Monte-Carlo

Figure 1.1 – Densité, lignes de niveaux et échantillon de la loi normale standard.

1.4.3 Vecteurs gaussiens

Proposition 3 (Transformation affine d’un vecteur gaussien)

Méthodes Monte-Carlo Arnaud Guyader

Figure 1.2 – Echantillon de 1000 points suivant la loi N (m, Γ).

Arnaud Guyader Méthodes Monte-Carlo

Théorème 2 (Théorème de Sklar (1959))

∀(x, y) ∈ R × R F (x, y) = C(FX (x), FY (y)). (1.4)

De plus, si FX et FY sont continues, la copule C est unique et définie par :

∀ 0 ≤ u, v ≤ 1 C(u, v) = F (FX−1 (u), FY−1 (v)),

où FX−1 et FY−1 sont les inverses généralisées de X et Y .

Or la relation (1.2) est équivalente à

u > FX (x) ⇐⇒ FX−1 (u) > x,

Méthodes Monte-Carlo Arnaud Guyader

ce qui donne ici

Dans l’autre sens, on raisonne par contraposition :