UPS TOULOUSE III AGRÉGATION EXTERNE 2005

TP2

SIMULATION DE VARIABLES ALÉATOIRES

1 Méthode par Inversion.

Soit X une variable aléatoire réelle de fonction de répartition F . On appelle inverse généralisée
de F , la fonction F −1 définie pour tout y ∈]0, 1] par

F −1 (y) = inf{x ∈ R /F (x) ≥ y}.

La méthode de simulation par inversion repose sur le lemme suivant.

Lemme 1. Si U est une variable aléatoire de loi uniforme U([0, 1]), alors F −1 (U ) a même
loi que X. De plus, si F est continue sur R, alors F (X) suit la loi uniforme U([0, 1]).

Exercice 1. Utiliser le code Matlab suivant pour engendrer N réalisations de variables aléa-
toires indépendantes et de loi exponentielle de paramètre λ > 0 ou bien de loi de Cauchy de
paramètre c > 0.
clear
N = input(’Entrez la taille de l’échantillon N : ’) ;
λ = input(’Préciser la valeur du paramètre λ : ’) ;
c = input(’Préciser la valeur du paramètre c : ’) ;
X = rand(N, 1); Y = − log(X)/λ; Z = c ∗ tan(π ∗ (X − 0.5));

Tracer les moyennes empiriques successives de Y et vérifier la loi des grands nombres pour Y .
Augmenter le nombre N de réalisations pour affiner la précision. Comparer vos résultats de si-
mulations avec le générateur rexpweib de Matlab. Effectuer le même exercice pour la loi normale
N (0, 1). Que se passe-t-il sur Z ? Quelle est la loi de la moyenne empirique associée à Z ? Conclure.

Exercice 2. Engendrer N réalisations de variables aléatoires indépendantes de loi de Pareto

aba 2 x
dont la densité est : a+1 1I[b,+∞[ (x), b > 0, de loi triangulaire : (1 − )1I[0,a] (x), a > 0, de loi
x x a
a a
de Weibull : P(X > x) = e−( b ) , x > 0, a > 0, b > 0.

Lemme 2. Soit x1 , x2P , · · · , xn des nombres réels tous différents et soit p1 , p2 , · · · ,P

pn des nombres
réels positifs tels que i=1 pi = 1. On pose s0 = 0 et pour tout 1 ≤ k ≤ n, sk = ki=1 pi . Soit U
n

est une variable aléatoire de loi uniforme U([0, 1]) et

n
X
X= xk 1I(sk−1 ≤U ≤sk ) .
k=1

Alors, X est une variable aléatoire de loi discrète P = p1 δx1 + p2 δx2 + · · · + pn δxn .

Exercice 3. Utiliser la fonction Matlab probadis.m afin d’engendrer une réalisation aléatoire
d’une loi discrète à support fini.

1
 f unction realis = probadis(n, x, p)
% Générateur aléatoire d’une loi discrète à support fini.
% n ≥ 1 est le cardinal du support de la loi.
% p est un vecteur de n nombres réels positifs tel que sum(p) = 1.
% x est un vecteur de n nombres réels donnant le support de la loi.
% Les réalisations successives sont indépendantes.
r = rand ; a = 0 ; b = p(1) ;
f or i = 1 : n − 1,
if ((r >= a) & (r < b))
realis = x(i) ;
return ;
end
a = b; b = b + p(i + 1) ;
end
realis = x(n) ;
return ;
Créer un code Matlab permettant d’engendrer un vecteur aléatoire X contenant N réalisations
indépendantes et de même loi Binomiale B(n, p) où les valeurs N, n ≥ 1 et 0 < p < 1 sont af-
fectées par l’utilisateur. Pour N assez grand, vérifier la loi des grands nombres sur les moyennes
empiriques successives de X. Comparer vos résultats de simulations avec le générateur rbinom
de Matlab.

Exercice 4. Pour N, N1 et n ≥ 1 avec N1 , n ≤ N , la loi hypergéométrique H(N, N1 , n) est

donnée, pour tout k ∈ [0; n] avec 0 ≤ k ≤ n, par Bp (X = k) = CN k C n−k /C n . Créer un
1 N −N1 N
code Matlab permettant d’engendrer un vecteur aléatoire Z contenant M réalisations i.i.d. de
loi H(N, N1 , n) où les valeurs M, N ≥ 1 et N1 , n ≤ N sont affectées par l’utilisateur.
a) Si N tend vers l’infini et le rapport N1 /N tend vers p avec 0 < p < 1, montrer que X
converge en loi vers la loi Binomiale B(n, p). Pour M, N assez grand et N1 = pN avec
0 < p < 1, tracer l’histogramme de Z et comparer le à la loi B(n, p).
b) Si N, N1 et n tendent vers l’infini et le produit nN1 /N tend vers λ > 0,√montrer que
√X
converge en loi vers la loi de Poisson P(λ). Pour M, N assez grand, N1 = λ N et n = N ,
tracer l’histogramme de Z et comparer le à la loi P(λ).
Exercice 5. Soit (Xn ) une suite
P de variables aléatoires indépendantes etP de même loi expo-
nentielle E(λ) avec λ > 0. Si Sn = nk=1 Xk , N0 = 0 et pour tout t > 0, Nt = ∞ n=1 1I(Sn ≤t) , (Nt )
est un processus de Poisson d’intensité λ. Montrer que, pour tout t > 0, Nt suit la loi de Poisson
P(λt). En déduire un code Matlab permettant d’engendrer un vecteur aléatoire Y contenant N
réalisations indépendantes et de même loi P(λ) où les valeurs N ≥ 1 et λ > 0 sont affectées par
l’utilisateur. Pour N assez grand, vérifier la loi des grands nombres sur les moyennes empiriques
successives de Y . Comparer vos résultats de simulations avec le générateur rpoiss de Matlab.

2 Méthode par Troncature.

La méthode de simulation par troncature repose sur le lemme suivant.

Lemme 3. Si X est une variable aléatoire à valeurs dans Z, de fonction de répartition F et

soit G la fonction de répartition d’une variable aléatoire continue Y telle que, pour tout n ∈ Z,
G(n + 1) = F (n). Si U est une variable aléatoire de loi uniforme U([0, 1]), alors la partie entière
[G−1 (U )] a même loi que X.

2
Exercice 6. Utiliser le code Matlab suivant pour engendrer N réalisations de variables aléa-
toires indépendantes et de loi uniforme discrète sur {1, 2, · · · , a} avec a ∈ N∗ ou bien de loi
géométrique de paramètre p = 1 − exp(−λ) avec λ > 0.
clear
N = input(’Taille de l’échantillon N : ’) ; a = input(’Valeur du paramètre a : ’) ;
if a ∼= round(a)
disp(’La valeur du paramètre a doit etre un entier positif ! !’)
break
end
λ = input(’Préciser la valeur du paramètre λ : ’) ;
X = rand(N, 1); Y = f ix(1 + a ∗ X); Z = f ix(− log(X)/λ);

Tracer les moyennes empiriques successives de Y et vérifier la loi des grands nombres pour
Y . Augmenter le nombre N de réalisations pour affiner la précision. Effectuer le même exercice
pour la loi géométrique associée à Z. Comparer vos résultats de simulations avec le générateur
rgeom de Matlab.

3 Simulations de Gaussiennes.
L’algorithme de Box-Muller de simulation de gaussiennes repose sur le lemme suivant.

Lemme 4. Soit (X, Y ) un couple aléatoire de R2 . Alors, (X, Y ) suit la loi normale N (0, I2 )
si et seulement si X = r cos θ et Y = r sin θ où r et θ sont deux variables aléatoires indépen-
dantes avec r2 de loi exponentielle E(1/2) et θ de loi uniforme U([0, 2π]).

Il découle de ce lemme que, si U et V sont deux variables aléatoires indépendantes de loi uniforme
U([0, 1]), alors
p p
X = −2 log U cos(2πV ) et Y = −2 log U sin(2πV )

sont indépendantes et de loi normale N (0, 1).

Exercice 7. Utiliser le code Matlab suivant pour engendrer N réalisations de variables aléa-
toires indépendantes et de loi normale N (m, σ 2 ) où la moyenne m ∈ R et la variance σ 2 > 0
sont affectées par l’utilisateur. Tracer également l’histogramme associé.
clear
N = input(’Taille de l’échantillon N : ’) ; m = input(’Valeur de la moyenne m : ’) ;
σ 2 = input(’Préciser la valeur de la variance σ 2 : ’) ;
X = m ∗ ones(N, 1) + sqrt(σ 2 ) ∗ sqrt(−2 ∗ log(rand(N, 1))). ∗ cos(2 ∗ pi ∗ rand(N, 1)) ;
clf
[E, C] = histo(X, sqrt(N ), 0, 1) ;
hold on
title(’Simulation d’une loi gaussienne’) ; xlabel(’Valeurs’) ; ylabel(’Effectifs’) ;
plot(C, dnorm(C, m, σ),0 r−0 ) ; legend(’Empirique’,’Théorique’) ;
hold of f

Un second algorithme de simulations de gaussiennes provient de la méthode d’acceptation/rejet.

Elle permet d’éviter l’appel à la fonction cosinus.

Lemme 5. Soit (X, Y ) un couple de variables aléatoires de loi uniforme sur le disque unité
D = {(x, y) ∈ R2 /x2 + y 2 < 1}. Soit (r, θ) le√couple de coordonnées polaires associé à (X, Y ),
X = r cos θ et Y = r sin θ. On pose R = 2 − log r/r. Alors, (RX, RY ) suit la loi normale
N (0, I2 ).

3
Exercice 8. Reprendre l’exercice 5 avec le code Matlab suivant.
clear
N = input(’Entrez la taille de l’échantillon N : ’) ; m = input(’Précisez la valeur de la moyenne
m : ’) ;
σ 2 = input(’Précisez la valeur de la variance σ 2 : ’) ;
max = round(3 ∗ N/2) ;
X = 2 ∗ rand(max, 1) − ones(max, 1); Y = 2 ∗ rand(max, 1) − ones(max, 1) ;
S = X.∧ 2 + Y.∧ 2; X = X(f ind(S < 1)); Y = Y (f ind(S < 1)) ;
r = sqrt(X.∧ 2 + Y.∧ 2); R = 2 ∗ sqrt(−log(r))./r ;
Z = R(1 : N ). ∗ X(1 : N ); T = m ∗ ones(N, 1) + sqrt(σ 2 ) ∗ Z ;

Lemme 6. Soit m ∈ Rd et Γ une matrice réelle, carrée d’ordre d, symétrique et définie po-
sitive. Soit A une matrice carrée d’ordre d telle que AAt = Γ et soit X un vecteur aléatoire
gaussien N (0, Id ). Alors, Y = AX + m suit la loi normale Nd (m, Γ).

Exercice 9. Créer un code Matlab permettant d’engendrer N réalisations d’un vecteur aléatoire
de loi Nd (m, Γ) où la dimension d, la moyenne m et la matrice de covariance Γ sont affectées par
l’utilisateur. Pour calculer la racine carrée A de Γ, on utilisera la commande sqrtm ou bien la
décomposition de Cholesky chol.

Exercice 10. Utiliser le code Matlab suivant afin de simuler une trajectoire brownienne.
clear; clf
N = input(’Entrez la taille de l’échantillon N : ’) ; a = 0; b = 1; h = (b − a)/N ;
plot([a : h : b], cumsum(sqrt(h) ∗ randn(N + 1, 1))) ;hold on
title(’Simulation d’une trajectoire brownienne’) ;
xlabel(’Temps t’) ; ylabel(’Valeurs de Bt’) ;grid; hold of f

Exercice 11. Une autre application de la méthode du rejet.

En utilisant la méthode du rejet simuler une variable gaussienne à partir d’une variable de La-
1
place de densité : e−|x| .
2
λ
Plus généralement trouver le meilleur choix dans la famille des lois de densité : e−λ|x| , λ > 0.
2
Exercice 12. Utiliser la méthode de l’échantillonnage préférentiel à partir de la loi de Laplace
pour calculer les moments d’une loi N (0, 1). Expliciter la variance de votre estimateur.

4 Représentations graphiques.
% Illustration de la LGN pour la loi exponentielle.
clear; n = 1000; lambda = 0.5 ; X = −log(rand(n, 1))/lambda ;
f igure ; Création d’une nouvelle fenêtre graphique.
0 0 0
plot(cumsum(X) ./[1 : length(X)], b ) Trace les moyennes empiriques successives de X.
title(0 Loi des Grands N ombres0 ) Titre de la figure.
xlabel(0 N ombre de realisations0 ) Titre des abscisses.
0
ylabel( M oyennes empiriques ) 0 Titre des ordonnées.
hold on Garde la fenêtre graphique.
0
plot(1/lambda ∗ ones(n, 1), r − − );0 Trace la limite théorique.
legend(0 Empirique0 ,0 T heorique0 ); Légende.
Exercice 18. Ajouter à vos codes Matlab les représentations graphiques rencontrées ci-dessus.