SIMULATION

N’TCHAA Sabi

UNSTIM

(9 mai 2022)

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 1 / 64

 Introduction

Plusieurs applications scientifiques ont besoin de nombres choisis au hasard

comme données nécessaires à leur fonctionnement. Ces nombres sont
couramment appelés nombres peuso aléatoires.
Par exemple en sondage on a besoin de sélectionner un échantillon de
façon aléatoire, afin de pouvoir étendre le résultat à la population entière.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 2 / 64

 Définitions

• Un nombre aléatoire d’une variable aléatoire est une valeur prise par
cette variable aléatoire
Ainsi pour avoir un nombre aléatoire d’une variable aléatoire X, on
réalise d’abord l’expérience qui convient sur Ω et noter son résultat
ω0 .
Ensuite calculer X (ω0 ) = x0 .
C’est qui constitue le nombre aléatoire demandé.
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 3 / 64
 Définitions

Exemple

Par exemple, considérons l’expérience d’un lancer

 d’une pièce de monnaie
 1 si ω = pile
à deux faces et la variable aléatoire X (ω) =
 0 si ω = Face
Alors pour génèrer 10 nombres aléatoires de cette variable aléatoire, on
lance la pièce de monnaies 10 fois et à chaque fois on calcule X (ωi ) = xi .
On pourrait donc obtenir {0; 0; 1; 0; 0; 0; 0; 0; 1; 1}
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 4 / 64
 Définitions

Limites de la technique

Cette technique de génération de ces nombres aléatoires est plus naturel ;

mais fastidieux si l’on doit générer un nombre important de nombres
aléatoire par exemple 1000 nombres et ainsi de suite. Cette technique est
impossible à réaliser lorsqu’on ne connaı̂t pas la nature de l’expérience
aléatoire sous-jacente. C’est le cas des variables aléatoires continues. Ces
limites ont conduit à la conception et la mise en oeuvre d’autre technique
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 5 / 64
 Définitions

• On appelle simulation d’une variable aléatoire X, le procédé

consistant à générer des nombres aléatoires notamment peuso
aléatoires issus de cette variable aléatoire.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 6 / 64

Génération d’une variable de loi uniforme standard
sous entendu ”sur l’intervalle [0 ;1]”

La génération d’une variable de loi uniforme sur [0; 1] est à la base des
méthodes de simulation des autres lois de probabilité.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 7 / 64

 Définitions

Générateur de nombre aléatoire

• On appelle Générateur de nombre aléatoire, tout procédé

mathématique notamment toute formule permettant, en l’appliquant,
de disposer d’une suite de nombres qu’on peut considérer comme des
valeurs indépendantes d’une variable aléatoire (ici suivant la loi
uniforme standard).

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 8 / 64

 Autrement dit

Un générateur de nombre aléatoire est en pratique un programme

informatique qui permet, en l’appelant, de donner un ou plusieurs
nombres ressemblant à des réalisations indépendantes d’une variable
suivant la loi uniforme sur [0; 1]

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 9 / 64

 Générateur de congruence

Les générateurs usuels sont des générateurs de congruence (introduits par

Lehmer en 1948) surtout compte tenu de la facilité de leur mise en
oeuvre. Ils se basent sur la relation de congruence.
On distingue deux types de générateur de congruence :

• Générateur de congruence linéaire

• Générateur de congruence multiplicatif

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 10 / 64

 Générateur de congruence linéaire

Définition

Un générateur de congruence linéaire est défini par la fonction de

transition suivante : sn ≡ (asn−1 + b) [mod m]
Les nombres a, b et m sont des entiers naturels appelés respectivement
multiplicateur, incrément et module.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 11 / 64

 Remarque

• sn est le reste de la division euclidienne de (asn−1 + b) par m

• Les restes possibles de cette division euclidienne sont alors

{0, 1, 2, . . . ., m − 1} = S

• Pour démarrer ce générateur on choisit au hasard un nombre dans S

• Pour avoir des nombres compris entre 0 et 1 par exemple on divise les
sn
éléments de S par m soit g (sn ) = un = m

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 12 / 64

 Exemple

Soit sn ≡ (10sn−1 + 5) [mod 12] et s0 = 5 on a S = {0, 1, 2, . . . ., 11}

⋆ 10s0 + 5 = 50 + 5 = 55 ; le reste de la division euclidienne de 55 par

12 est s1 = 7

⋆ 10s1 + 5 = 70 + 5 = 75 ; le reste de la division euclidienne de 75 par

12 est s2 = 3

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 13 / 64

 Exemple

Soit sn ≡ (5sn−1 + 1) [mod 8] et s0 = 0 on a S = {0, 1, 2, . . . ., 7}

⋆ 5s0 + 1 = 0 + 1 = 1 ; le reste de la division euclidienne de 1 par 8 est

s1 = 1

⋆ 5s1 + 1 = 5 + 1 = 6 ; le reste de la division euclidienne de 6 par 8 est

s2 = 6

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 14 / 64

 Exemple

Soit sn ≡ (sn−1 + 1) [mod 1024] et s0 = 0 on a S = {0, 1, 2, . . . ., 1023}

⋆ s0 + 1 = 0 + 1 = 1 ; le reste de la division euclidienne de 1 par 1024
est s1 = 1
⋆ s1 + 1 = 1 + 1 = 2 ; le reste de la division euclidienne de 2 par 1024
est s2 = 2
⋆ s2 + 1 = 2 + 1 = 3 ; le reste de la division euclidienne de 3 par 1024
est s3 = 3
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 15 / 64
 Remarque

Les nombres donnés par ce générateur n’ont pas suffisamment de caractère

aléatoire.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 16 / 64

 Générateur de congruence multiplicatif

Définition

Un générateur de congruence multiplicatif est défini par la fonction de

transition suivante : sn ≡ (asn−1 ) [mod m]
Les nombres a et m sont des entiers naturels appelés respectivement
multiplicateur et module.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 17 / 64

 Remarque

• sn est le reste de la division euclidienne de (asn−1 ) par m

• Les restes possibles de cette division euclidienne sont alors

{0, 1, 2, . . . ., m − 1} = S

• Pour démarrer ce générateur on choisit au hasard un nombre dans S

• Pour avoir des nombres compris entre 0 et 1 par exemple on divise les
sn
éléments de S par m soit g (sn ) = un = m

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 18 / 64

 Exemple

Soit sn ≡ (10sn−1 ) [mod 12] et s0 = 5 on a S = {0, 1, 2, . . . ., 11}

⋆ 10s0 = 50 = 50 ; le reste de la division euclidienne de 50 par 12 est

s1 = 2

⋆ 10s2 = 20 = 20 ; le reste de la division euclidienne de 20 par 12 est

s2 = 8

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 19 / 64

 Exemple

Soit sn ≡ (5sn−1 ) [mod 8] et s0 = 3 on a S = {0, 1, 2, . . . ., 7}

⋆ 5s0 = 15 ; le reste de la division euclidienne de 15 par 8 est s1 = 7

⋆ 5s1 = 35 ; le reste de la division euclidienne de 35 par 8 est s2 = 3

⋆ 5s2 = 15 ; le reste de la division euclidienne de 15 par 8 est s3 = 7

⋆ 5s3 = 35 ; le reste de la division euclidienne de 35 par 8 est s4 = 3

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 20 / 64

 Commentaire

Ce générateur a peu de caractère aléatoire, vu l’alternance des nombres 3

et 7

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 21 / 64

 Remarque

On retient que le générateur de congruence dépend des paramètres

a, b, m et s0 et même généré ses résultats peuvent être contestés (crise de
confiance du caractère aléatoire). Ce qui conduit à des tests statistiques
en vue d’une assurance du caractère aléatoire des nombres obtenus.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 22 / 64

 Tests statistiques

Le problème posé est de tester et confirmer ou infirmer le caractère

aléatoire d’un générateur.
Dans la suite nous allons présenter le test sur la moyenne, le test
d’adéquation de Khi-deux et test d’indépendance ou de Run.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 23 / 64

 Tests statistiques

La moyenne

Supposons donc une suite de nombres aléatoires produit par un générateur

sur U, un sous ensemble de [0; 1] .
Soit {x1 ; . . . ; xn } cette suite de nombres aléatoires.
Si les nombres ainsi générés proviennent d’une variable aléatoire X suivant
1
la loi uniforme sur [0; 1] alors nécessairement E (X ) = 2

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 24 / 64

 Tests statistiques

La moyenne

Si le générateur est de qualité alors sa moyenne doit être voisine de

1
E (X) = 2 = m0 Nous formulons les hypothèses suivantes :


 H0 :m=m0 hypothèse nulle
 H1 :m̸=m0 hypothèse alternative

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 25 / 64

 Tests statistiques

La moyenne

Sous hypothèse que le générateur est de qualité c’est-à dire provenant

d’une variable aléatoire suivant la loi uniforme sur [0; 1] alors cette suite de
variable aléatoire est supposée être la réalisation de (X1 ;. . . ; Xn ) par ce
générateur où Xi ⇝ U ([0; 1]) et indépendantes

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 26 / 64

 Tests statistiques

La moyenne

Posons Xn = n1 ∑ni=1 Xi On a V Xn = 1 1



12n et E Xn = 2 = m0
La statistique du test est :
√ √
√
n(Xn −m )
Z = √ 1 0 = 12n Xn − m0 = 12n Xn − 21 sous hypothèse


12
H0 d’égalité de moyennes.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 27 / 64

 Tests statistiques

La moyenne

En supposant que n ≥ 30 Sous H0 , cette statistique suit une loi normale

centrée réduite (Théorème central limite)
√
Z = 12n Xn − 21 ⇝ N (0, 1 )

La région critique, définie par |Z | > z1− α2 ⇔ Xn − 21 > z1− α2 × √12n

1
où
 
π z1− α2 = 1 − α2

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 28 / 64

 Tests statistiques

Décision

Ainsi on rejette l’hypothèse nulle si xn − 21 > z1− α2 × √12n

1
sinon on
l’accepte

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 29 / 64

 Tests statistiques

Conclusion

xn − 21 > z1− α2 × √12n

1
Alors on conclut que le générateur est de
mauvaise qualité.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 30 / 64

Exercice d’Application
On a utilisé le générateur de nombres aléatoires incorporés dans le tableur
Excel pour générer les 80 nombres suivants :

[1] 0.79 0.95 0.28 0.17 0.43 0.36 0.34 0.59 0.14 0.91

[1] 0.81 0.73 0.45 0.85 0.11 0.54 0.19 0.62 0.91 0.22

[1] 0.28 0.67 0.49 0.61 0.77 0.88 0.84 0.36 0.68 0.85

[1] 0.06 0.27 0.04 0.28 0.60 0.42 0.23 0.71 0.31 0.17

[1] 0.19 0.46 0.14 0.24 0.85 0.04 0.74 0.23 0.34 0.93

[1] 0.09 0.22 0.78 0.69 0.18 0.36 0.88 0.92 0.72 0.82

[1] 0.65 0.26 0.78 0.10 0.18 0.17 0.37 0.00 0.00 0.17

[1] 0.41 0.34 0.87 0.25 0.18 0.07 0.73 0.29 0.25 0.12

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 30 / 64

Résultat
Nous formulons les hypothèses suivantes :

 H0 :m=m0 hypothèse nulle
 H1 :m̸=m0 hypothèse alternative

L’hypothèse nulle correspond à la bonne qualité du générateur ; alors

l’hypothèse alternative correspond à la mauvaise qualité du générateur.
La statistique du test est :
√ √
√
n(Xn −m )
Z = √ 1 0 = 12n Xn − m0 = 12n Xn − 21 sous hypothèse


12
H0 d’égalité de moyennes.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 31 / 64

Résultat
Sous H0 , cette statistique suit une loi normale centrée réduite
(Théorème central limite)

√
 
1
Z = 12n Xn − ⇝ N (0, 1 )
2

La moyenne sur l’échantillon est donnée par xn ≈0.449 et n = 80

La statistique observée est donc Zob ≈ -1.58
Donc au seuil de 5% on a z1− α2 = 1.96
Il n’y a pas de raison suffisante à rejeter l’hypothèse nulle puisque
|Zob | <= 1.96
Ainsi nous ne pouvons pas dire que le générateur est de mauvaise qualité

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 31 / 64

 Remarque

Le test de la moyenne est insuffisant pour tester un générateur, puisque la

loi uniforme sur [0;1] n’est pas la seule à avoir la moyenne 0.5
Mais le test est suffisant pour rejeter le générateur car une moyenne
différente de 0.5 est incompatible avec la loi uniforme sur [0;1]

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 31 / 64

 Test d’adéquation de Khi-deux

Le test sur la moyenne étant insuffisant pour apprécier le générateur alors

on fait recours au test de khi-deux qui permet d’apprécier la distribution
empirique.
Soit {x1 ; . . . ; xn } cette suite de nombres aléatoires. On segmente ces
nombres en k (8 à12) classes de même amplitude.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 32 / 64

 Test d’adéquation de Khi-deux

On
 formule les hypothèses suivantes
 H0 : la loi est uniforme hypothèse nulle
 H : autre loi hypothèse alternative
1

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 33 / 64

 Test d’adéquation de Khi-deux

a1 ··· ak
Effectif de nombres n1 ··· nk
aléatoires
n n
Effectif théorique k ··· k

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 34 / 64

 Test d’adéquation de Khi-deux

La statistique du test

2
(Ni − kn )
La statistique du test est : Dn = ∑ki=1 n ⇝χ 2 (k − 1)
k

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 35 / 64

 Test d’adéquation de Khi-deux

Décision

Au seuil α fixé on cherche la valeur critique du khi-deux à (k - 1) degrés

2
(ni − kn )
de liberté χ 2 α et on calcule Dnob = ∑ki=1 n si Dnob > χ 2 α on rejette
k

l’hypothèse selon laquelle il n’y a pas de différence entre la distribution

observée et théorique autrement dit le générateur est refusé ou rejeté sinon
il n’y a pas de raison suffisante à rejeter l’hypothèse nulle c’est-à-dire le
générateur est de bonne qualité.
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 36 / 64
Exercice d’Application
De l’exercice d’application precedent, procéder au test d’adéquation de
khi-deux avec 8 classes pour apprécier le générateur de ces nombres
aléatoires au seuil de 5%.

Résultat
On
 formule les hypothèses suivantes
 H0 : la loi est uniforme hypothèse nulle
 H : autre loi hypothèse alternative
1

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 36 / 64

Résultat
On obtient le tableau suivant :
les Classes Effectifs observés Effectif Théorique

[0 ;0.12[ 9 10
[0.12 ;0.24[ 16 10
[0.24 ;0.36[ 13 10
[0.36 ;0.48[ 9 10
[0.48 ;0.59[ 3 10

[0.59 ;0.71[ 8 10
[0.71 ;0.83[ 10 10
[0.83 ;0.95[ 11 10

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 36 / 64

Résultat
2
(Ni − kn )
La statistique du test est : Dn = ∑ki=1 n ⇝χ 2 (k − 1)
k

k = 8 donc k − 1 = 7
2
(ni − kn ) 2
On a Dnob = ∑ki=1 n = ∑8i=1 (ni −10)
10 ≈ 10.1
k

Ainsi on consulte la table de khi-deux au seuil de 5% avec le dégré de

liberté 7. On trouve χ 2 α ≈ 14.07
Il n’y a pas de raison suffisante à rejeter l’hypothèse nulle puisque
Dnob < 14.07
Ainsi nous ne pouvons pas dire que le générateur est de mauvaise qualité

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 37 / 64

Remarque
Le test de khi-deux ne teste que le caractère d’uniformité du générateur ;
mais le caractère indépendant des nombres aléatoires n’est pas pris en
compte.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 37 / 64

 Run test ou Test d’effet aléatoire

Dans le soucis de prendre en compte le volet indépendant des nombres

aléatoires générés ; nous allons procéder au test de ”Run test” ou test de
séquence croissantes et décroissantes
Soit {x1 ; . . . ; xn } cette suite de nombres aléatoires.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 37 / 64

 Run test ou Test d’effet aléatoire

Définition sur sequences et notation

On symbolise par ” + ” une différence positive entre deux termes

consécutifs xi et xi+1 et par ” - ” une différence négative entre deux termes
consécutifs xi et xi+1 .
On appelle séquence croissante (respectivement décroissante) une
succession de symbole ” + ” (respectivement ” - ”). (Par exemple -++—+-
contient 5 séquences dont 2 + et 3-)
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 38 / 64
 Run test ou Test d’effet aléatoire

Définition sur sequences et notation

Un générateur de qualité ne doit pas donner une seule séquence

croissante de valeur ni une seule séquence décroissante, ni non plus une
séquence alternée de valeur car cela permettra de prédire les valeurs
successives ce qui est contraire au caractère aléatoire de ces nombres.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 39 / 64

 Run test ou Test d’effet aléatoire

Statistique du Test

Soit R le nombre de séquences croissantes et décroissantes observée dans

la suite des valeurs données par le générateur de nombre aléatoires. R est
une variable aléatoire. Et sous l’hypothèse aléatoire la variable aléatoire R
2n−1 3n−5
suit une loi normale de moyenne m = 3 et de variance σ2 = 18

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 40 / 64

 Run test ou Test d’effet aléatoire

Statistique du Test

Ainsi la statistique de test, sous l’hypothèse nulle d’absence de l’effet

aléatoire, est alors
2n−1
R−m R− 3
Z= σ = √ 3n−5 = 3R−2n+1
√ 3n−5 ⇝N (0; 1) car n est grand.
18 2

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 41 / 64

 Run test ou Test d’effet aléatoire

Décision

q
3n−5
Ainsi on rejette l’hypothèse nulle si |3R − 2n + 1| > z1− α2 × 2 sinon il
n’y a pas de raison suffisante à le refuser.
Les
 hypothèses formulées sont données par :
 H0 : Absence d′ effet aleatoire hypothèse nulle
 H :
1 Presence d′ effet aleatoire hypothèse alternative

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 42 / 64

Exercice d’Application
De l’exercice d’application precedent, procéder au test de Run pour
apprécier le générateur de ces nombres aléatoires au seuil de 5%.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 42 / 64

Résultat
Nous avons les données issues de notre générateur ci-dessous :

[1] 0.79 0.95 0.28 0.17 0.43 0.36 0.34 0.59 0.14 0.91

[1] 0.81 0.73 0.45 0.85 0.11 0.54 0.19 0.62 0.91 0.22

[1] 0.28 0.67 0.49 0.61 0.77 0.88 0.84 0.36 0.68 0.85

[1] 0.06 0.27 0.04 0.28 0.60 0.42 0.23 0.71 0.31 0.17

[1] 0.19 0.46 0.14 0.24 0.85 0.04 0.74 0.23 0.34 0.93

[1] 0.09 0.22 0.78 0.69 0.18 0.36 0.88 0.92 0.72 0.82

[1] 0.65 0.26 0.78 0.10 0.18 0.17 0.37 0.00 0.00 0.17

[1] 0.41 0.34 0.87 0.25 0.18 0.07 0.73 0.29 0.25 0.12

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 42 / 64

Résultat
Les
 hypothèses formulées sont données par :
 H0 : Absence d′ effet aleatoire hypothèse nulle
 H :
1 Presence d′ effet aleatoire hypothèse alternative

Résultat
La statistique de test, sous l’hypothèse nulle d’absence de l’effet aléatoire,
est alors
2n−1
R−m R− 3
Z= σ = √ 3n−5 = 3R−2n+1
√ 3n−5 ⇝N (0; 1) car n est grand (n = 80).
18 2

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 42 / 64

Résultat
Les séquences ainsi générées sont :

[1] "+" "-" "-" "+" "-" "-" "+" "-" "+" "-" "-" "-"

[1] "+" "-" "+" "-" "+" "+" "-" "+" "+" "-" "+" "+"

[1] "+" "-" "-" "+" "+" "-" "+" "-" "+" "+" "-" "-"

[1] "+" "-" "-" "+" "+" "-" "+" "+" "-" "+" "-" "+"

[1] "+" "-" "+" "+" "-" "-" "+" "+" "+" "-" "+" "-"

[1] "-" "+" "-" "+" "-" "+" "-" "+" "+" "+" "-" "+"

[1] "-" "-" "-" "+" "-" "-" "-"

On dénombre 52 séquences

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 42 / 64

Résultat
Le nombre de séquences étant égale à 52 ; alors la statistique observée est
donc Zob = -0.276759362408665
Il n’y a pas de raison suffisante à rejeter l’hypothèse nulle puisque
|Zob | <= 1.96
Ainsi nous ne pouvons pas retenir ce générateur ; il est de mauvaise qualité

Exemple
Les générateurs de congruence sont utilisés par des logiciels ou avec des
langages de programmation.
Par exemple on a le langage C Rand()
m = 231 ; a = 1103515245 et c = 12345 ;
Le logiciel MATLAB m = 231 − 1; a = 75 = 16807 et c = 0 ;
Le logiciel MAPLE m = 248; a = 42749669081 et c = 0.
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 43 / 64
Dans la suite nous supposons que les nombres générés sur l’intervalle [0 ;1]
sont des nombres aléatoires sans crise de confiance

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 43 / 64

 Génération d’une variable de loi discrète

Soit X une variable aléatoire discrète dont la loi de probabilité est donnée
par P (X = xk ) = pk
La variable X peut être simulée avec une loi uniforme sur [0;1] ou loi
uniforme standard en posant
S = xk ⇐⇒ ∑k−1 k
i=0 P (X = xi ) < U ≤ ∑i=0 P (X = xi )

Soit S = xk ⇐⇒ ∑k−1 k
i=0 pi < U ≤ ∑i=0 pi

Alors P (S = xk ) =P (X = xk )
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 44 / 64
Exercice d’Application
On veut générer le revenu quotidien d’un individu qui peut avoir une
augmentation (R+) avec la probabilité 0.45, une perte (R-) avec la
probabilité 0.35 et rester inchangée (R0) avec la probabilité 0.2
i Proposer le programme de simulation du revenu de cet individu
ii On suppose que la loi uniforme standard est simulée et on a
u1 = 0.75 et u2 = 0.5 ; simuler le revenu quotidien de cet individu.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 44 / 64

Résultat
i Proposition d’un Programme de simulation du revenu de cet individu
p1 ← 0, 45
p2 ← 0, 35
p3 ← 0, 2
u ← BGUS
if u ≤ p1 then
x ← R+
else
if u ≤ p1 + p2 then
x ← R−
else
x ← R0
end if
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 44 / 64
Résultat
Pour la dernière question, Il suffit d’executer le programme pour chaque
valeur de uk

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 45 / 64

 Génération d’une variable de loi continue

Dans cette section, nous supposons X une variable aléatoire continue de

fonction de répartition F ou de densité f . Le problème posé est comment
générer la variable aléatoire X ?
On a le théorème suivant

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 45 / 64

Théorème
Soit FX la fonction de répartition d’une variable aléatoire X continue et la
variable aléatoire U suivant la loi uniforme standard sur [0; 1].
Alors les variables aléatoires Y = FX−1 (U) et X ont même loi où FX−1 est la
bijection réciproque de FX

Remarque
Pour générer X il suffit de Générer Y
Ainsi pour générer Y il suffit de générer la loi uniforme standard U et
appliquer Y = FX−1 (U)
Cette technique se repose sur la fonction de répartition inverse de X.
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 46 / 64
Exercice d’Application
i Déterminer un programme de génération de la loi uniforme sur [−1; 1]
ii Générer la loi uniforme sur [−1; 1] sachant que la génération de la loi
uniforme standard est
u1 = 0.25 et u2 = 0.85

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 46 / 64

 Simulation de la loi normale standard

La fonction de répartition de la loi normale standard notée Π n’est pas

explicite ; et donc générer cette loi par la méthode d’inversion de la
fonction de répartition n’est pas évident. Or cette loi est d’une importance
fondamentale dans la théorie que dans la pratique. Il convient donc de
trouver d’autres méthodes.
On a le théorème suivant :

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 46 / 64

Théorème
BOX-MOLLER
Soient X et Y deux variables aléatoires réelles indépendantes suivant
chacune la loi normale centrée réduite ou
 loi normale standard.
p
 X = −2ln (U)cos (2πV )
Alors X et Y peuvent être simulée par Où
 Y = p−2ln (U)sin (2πV )
U et V sont des variables aléatoires indépendantes suivant la loi uniforme
standard sur [0; 1]

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 47 / 64

Remarque
Pour simuler 2n valeurs de la loi normale standard. On peut
procéder comme suit

⋆ Générer deux valeurs Uet V de la loi uniforme standard

p
 X = −2ln (U)cos (2πV )
⋆ Calculer par le modèle
 Y = p−2ln (U)sin (2πV )

⋆ Répéter cette opération n fois

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 47 / 64

 Simulation par méthode de transformation

Soient X et Y deux variables aléatoires réelles telles que Y = T (X )

où T est une transformation connue.
Supposons qu’on dispose déjà de n valeurs simulées x1 ; x2 ; . . . .; xn de X
Puisque est connue, on peut en déduire directement n valeurs simulées de
Y en appliquant la transformation sur les valeurs simulées de X.
soit y1 = T (x1 ) ; . . . .; yn = T (xn ). Une telle procédure de simulation est
appelée méthode de transformation.
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 47 / 64
Remarque
⋆ La méthode d’inversion est un cas particulier de méthode de
transformation ou X suit la loi uniforme standard

⋆ La méthode de transformation est utilisée chaque fois que la variable

Y est difficile à simuler directement

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 48 / 64

Exemple
• On sait que X⇝ N (0, 1 ) ⇐⇒ Y = σ X + m ⇝ N m, σ 2


.
Ainsi pour simuler la variable aléatoire Y ; on peut procéder comme
suit :

⋆ Utiliser l’algorithme de Box Muller pour simuler n valeurs de X

⋆ En déduire n valeurs simulées de Y par la transformation
Y = σX +m

• On sait que X⇝ U ([0, 1] ) ⇐⇒ Y = (b − a ) X + a ⇝ U ([a, b] ) .

Ainsi pour simuler la variable aléatoire Y ; on peut procéder comme
suit

⋆ simuler n valeurs de X
⋆ En déduire n valeurs simulées de Y par la transformation
Y = (b − a ) X + a
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 48 / 64
 Méthode de rejet

La méthode de rejet est utilisée lorsque les méthodes précédentes ne sont

plus valables. C’est le cas de la loi Gamma. Cette méthode est en rapport
avec les procédures de simulation des lois conditionnelles.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 48 / 64

 Simulation de la loi conditionnelle

Pour simuler une loi conditionnelle de X sachant B, on peut procéder de

deux façons :

⋆ Déterminer la fonction de répartition FX /B (x/B) et exploiter la

méthode d’inversion.

⋆ Déterminer la fonction de répartition FX et on simule X ; si cette

valeur satisfait la condition B on le retient sinon on le rejette.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 49 / 64

 Méthode de rejet proprement dit

Soit f une densité difficilement ou carrément non simulable par la méthode

usuelle. Si on arrive à écrire cette densité comme une densité marginale g ,
facile à simuler, conditionnellement à un évènement A donné, on peut
alors utiliser la procédure indirecte de simulation d’une loi conditionnelle
telle que présentée ci-dessus. On a le théorème suivant :

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 50 / 64

Théorème
Soit f une densité de probabilité sur R et X une variable aléatoire ayant
pour densité de probabilité g .
On suppose qu’il existe c une constante réelle telle
que f (x) ≤ cg (x) ∀x ∈ R.
On suppose de plus que X et Y ⇝ U ([0, 1] ) sont indépendantes.
f (X )
Alors la loi de X sachant Y < cg (X ) a pour densité f (en supposant bien
que g (X ) ̸= 0 presque sûrement).

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 50 / 64

Remarque
⋆ Le théorème précèdent est aussi vrai dans le cas discret ou vecteur
aléatoire.

⋆ La relation f (x) ≤ cg (x) ∀x ∈ R implique que

R +∞ R +∞
−∞ f (x)dx ≤ c −∞ g (x)dx

et donc c ≥ 1 et aussi la constante c n’est pas unique

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 50 / 64

Remarque
Pour simuler une variable aléatoire Z selon la densité f on procède
comme suit

⋆ On simule X selon la densité g . Soit x la valeur obtenue

⋆ On simule Y selon la loi uniforme standard de façon

indépendante à X. Soit y la valeur trouvée
f (x)
⋆ On compare y à ϕ (x) = cg (x) . Si y < ϕ (x) on retient x soit Z = x
sinon on rejette

⋆ Puis on recommence jusqu’à obtenir le bon x ;

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 50 / 64

Remarque
• La méthode de rejet est plus lente que les autres méthodes
1 1
• On a P (Y < ϕ (X )) = c ce qui implique que c = P(Y <ϕ(X )) . En
désignant par N le nombre d’essais nécessaire à l’obtention pour la
première fois la réalisation de Y < ϕ (X ) ; on a N ⇝ G p = c1 (loi

géométrique). Ainsi E (N) = c. Donc si le c est grand alors on

assistera à assez de rejet avant de trouver la valeur qui convient. Pour
cela on cherche le plus petit c possible. Soit chercher le maximum de
f (x)
M (x) = g (x)

• La densité g doit etre normalement simple à simuler. En pratique, on

considère souvent la densité de la loi uniforme sur [a, b] ou la densité
de la loi exponentielle comme exemple de densité g .

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 51 / 64

Exercice d’Application
Soit X une variable aléatoire réelle ayant la densité de probabilité

2
√

π 1 − x 2 si − 1 ≤ x ≤ 1
f (x) =
 0 sinon


1

2 si − 1 ≤ x ≤ 1
On se propose g (x) =
 0 sinon
i Justifier que g est une densité de probabilité
ii Déterminer la constante c
iii Proposer un modèle de simulation de X selon la densité g
iv Proposer un modèle de simulation X selon f par la méthode de rejet

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 51 / 64

 Génération d’un vecteur aléatoire

Dans cette rubrique nous présenterons les méthodes de simulation d’un

vecteur aléatoire.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 51 / 64

 Génération d’un vecteur aléatoire

Cas d’un vecteur aléatoire dont les composantes sont indépendantes

Si les composantes Xi d’un vecteur aléatoire X = (X1 ; . . . ; Xk ) sont

indépendantes, alors pour simuler ce vecteur il suffit de simuler
indépendamment l’une de l’autre chacune des lois marginales
correspondantes aux variables Xi par des méthodes de simulation uni
dimensionnelle précédentes.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 52 / 64

 Génération d’un vecteur aléatoire

Simulation d’un vecteur aléatoire à loi conjointe connue

Pour simplifier la représentation, considérons le cas d’un vecteur à deux

dimensions noté Z = (X , Y ). Si les variables X et Y sont indépendantes,
cela signifie que les chances de réalisation de chacune des valeurs prises
par Y ne sont pas affectées par la valeur réalisée de la variable X. En
conséquence, pour simuler un couple (x, y ) de Z on peut simuler
séparément X et Y selon leur loi marginale respective.
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 53 / 64
Exemple
Considérons l’exemple ci-dessous où les variables aléatoires X et Y ne sont
pas indépendants
Y 0 1 P (X = x)
X
0 0.25 0.25 0.5
1 0 0.5 0.5
P (Y = y ) 0.25 0.75 1
On note que lorsque X prend la valeur 0 ; Y peut prendre chacune des
valeurs 0 et 1 avec la même probabilité ; alors que pour X = 1 ; Y ne peut
pas prendre la valeur 0. Seule la valeur 1 est possible.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 53 / 64

Remarque
On retient donc qu’une procédure de simulation du couple (X , Y ) doit tenir
compte de la liaison probabiliste entre X et Y. Ainsi si X peut être simulé
librement la simulation de Y différera selon les valeurs de la variable X.
Donc Y doit être simulée selon la loi conditionnelle de Y sachant X = x

Remarque
Une procédure de simulation(x, y ) d’un couple de variables aléatoire
(X , Y ) peut être comme suit :

• Simuler X selon la loi marginale FX en utilisant une des procédures

précédente ;

• Simuler Y selon la loi conditionnelle FY /X =x où x est la valeur

simulée à l’étape précédente.
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 53 / 64
Remarque
La procédure se généralise assez directement. Ainsi par exemple si on veut
simuler un vecteur aléatoire à 4 dimensions Z = (X , Y , S, T ) ; on peut
procéder de la manière suivante :

⋆ Simuler X selon la loi marginale FX en utilisant une des procédures

précédente ;

⋆ Simuler Y selon la loi conditionnelle FY /X =x où x est la valeur simulée

à l’étape précédente ;

⋆ Simuler Y selon la loi conditionnelle FY /X =x où x est la valeur simulée

à l’étape précédente ;

⋆ Simuler T selon la loi conditionnelle F Y /(X = x; Y = y ; S = s) où x ;

y et s sont des valeurs simulées aux étapes précédentes.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 54 / 64

Exercice d’Application
Soit (X , Y ) un couple de variables aléatoires
 réelles absolument continues
 1 e −x si 0 < y < x
x
dont la densité de probabilité f (x, y ) =
 0 sinon
i Déterminer la loi marginale de X
ii Déterminer la densité conditionnelle de Y sachant X = x ; puis la
fonction de répartition conditionnelle
iii Proposer un modèle de simulation du couple (X , Y )

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 54 / 64

 Génération d’un vecteur aléatoire

Cas gaussien

Soit Z le vecteur gaussien standard c’est-à-dire Z ⇝ N (0, In ) . Z Est un

vecteur aléatoire dont les composantes sont indépendantes et par
conséquent on peut générer chacune de ses composantes Zi ⇝ N (0, 1 )
en faisant recours au théorème de Box Muller.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 54 / 64

 Génération d’un vecteur aléatoire

Cas gaussien

On considère la transformation W = T (Z ) = AZ + m on a
T (Z ) ⇝ N (m, At A ) On peut donc générer W par la méthode de
transformation.
On a V (W ) = Σ⇔At A = Σ

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 55 / 64

Remarque
S’il existe la matrice A tel que At A = Σ alors pour simuler X on
peut procéder comme suit :

⋆ Simuler N (0, In ). Comme Z est vecteur indépendant cela revient à

simuler d’une manière indépendante ses différentes composantes
Zi ⇝ N (0, 1 ) 1 ≤ i ≤ n (en utilisant par exemple le théorème de
Box Muller)

⋆ Calculer simplement X = AZ + m

En pratique pour calculer A il convient de la poser triangulaire inférieure et

résoudre colonne par colonne l’équation précédente ( At A = Σ).

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 55 / 64

Exemple
N (m, Σ ) un vecteur
Considérons X = t (X1 ; X2 ) ⇝   gaussien de R
2

σ 21 ρσ 1 σ 2
Notons m = t (m1 ; m2 ) et Σ=  
ρσ 1 σ 2 σ22
   
a 0 a 2 ab
Posons A =   et At A =  
b c ab b2 c2
Donc 
      a2 = σ 21
a2 ab σ 2 ρσ σ


1 1 2
At A = Σ⇔  = ⇔ ab = ρσ 1 σ 2
2 2
ab b + c ρσ 1 σ 2 σ 22 

 b2 + c2 = σ 2

2



 a = σ1

⇔ b = ρσ 2 car Σ est définie positive

 p
2

2 1−ρ
 c=σ

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 55 / 64

Exemple
Ainsion peut
 écrire
  
X1 σ1 0 Z1
X= = p   + m avec
X2 ρσ 2 σ 2 1 − ρ 2 Z2
 
Z1
  = Z ⇝ N (0, I2 )
Z2


 X1 = σ 1 Z1 + m1
 p 
2 Z +m
2 1−ρ
 X = ρσ Z + σ
2 2 1 2 2

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 55 / 64

Exemple
 p
 Z1 = −2ln (U)cos (2πV)
Du théorème Box Muller on a
 Z = p−2ln (U)sin (2πV)
2
Ainsi
 p
 −2ln (U)cos (2πV) + m1
X1 = σ 1
p  p p
2
2 −2ln (U)cos (2πV) + σ 2 1 − ρ −2ln (U)sin (2πV) + m
 X = ρσ
2

Théorème
Toute matrice réelle A symétrique définie positive peut décomposée par
A = B t B avec B une matrice triangulaire inférieure.

Remarque
Pour déterminer A tel que At A = Σ on peut également diagonaliser la
matrice Σ et puis déduire A . C’est la méthode des valeurs propres.
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 56 / 64
Exercice d’Application
 
2
Soit X = t (X1 ; X2 ) ⇝ N (m, Σ ) un vecteur gaussien. Avec m =  
3
 
2 1
et Σ=  
1 1
Proposer un modèle de simulation de X

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 56 / 64

 Méthode de Monte Carlos

La méthode de Monte Carlo est l’une des principales application

mathématiques et statistiques utilisant les nombres aléatoires. Cette
méthode a pour objectif de fournir une approximation numérique de la
valeur d’une intégrale (quel que soit sa dimension) d’une fonction pourvu
qu’elle soit intégrable. La méthode de Monte Carlo trouve son fondement
dans la loi des grands nombres.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 56 / 64

 Méthode de Monte Carlos

Un peu d’Histoire

La méthode de Monte Carlo est l’une des principales application

mathématiques et statistiques utilisant les nombres aléatoires. Cette
méthode a pour objectif de fournir une approximation numérique de la
valeur d’une intégrale (quel que soit sa dimension) d’une fonction pourvu
qu’elle soit intégrable. La méthode de Monte Carlo trouve son fondement
dans la loi des grands nombres.
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 57 / 64
 Méthode de Monte Carlos

Un peu d’histoire
La méthode de Monte Carlos remonte très loin dans le temps à l’époque de
Laplace et de Bouffon qui ont effectué le calcul de la valeur numérique de
π en utilisant une expérience aléatoire.
Plus tard, pendant la fabrication de la bombe atomique à Los Alamos,
Newman et Ulam ont développé cette technique de façon systématique pour
effectuer le calcul des intégrales complexes.
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 58 / 64
Théorème
(Loi des grands nombres)
Soit (Xn )n une suite de variables aléatoires identiquement distribuée,
indépendantes et uniformément distribuées d’Esperance mathématique
m = E (X ) et de variance σ 2 = V (X ) .
p n
1
On a X n →E (X ) où X n = n ∑ Xi
i=1

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 58 / 64

Théorème
(Slusky)
Soit (Xn )n une suite de variables aléatoires identiquement distribuée,
indépendantes et uniformément distribuées d’Esperance mathématique
m = E (X ) et de variance σ 2 = V (X ) .
p
On a X n →E (X ) où X n = n1 ∑ni=1 Xi

p
Soit g une fonction continue alors g X n →g (E (X ))

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 58 / 64

Remarque
Si X est une variable aléatoire continue de fonction de densité f alors
R +∞
E (X ) = −∞ xf (x) dx
Donc d’après le théorème des grands nombres on peut approximer E (X )
par 1
n ∑ni=1 Xi
Soit E (X ) ≈ n1 ∑ni=1 Xi à partir d’un certain rang n ≥ n0 c’est-à-dire
R +∞
−∞ xf (x) dx ≈ n1 ∑ni=1 Xi
R +∞
De même E (g (X )) = −∞ g (x)f (x) dx ≈ n1 ∑ni=1 g (Xi )
Plus généralement, considérons une fonction h (d’une ou plusieurs
variables) intégrable sur un domaine D soit V =
R
D h (x) dx
Supposons qu’il n’est pas possible d’évaluer analytiquement cette intégrale
et qu’on cherche en conséquence à l’approximer numériquement.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 59 / 64

Remarque
Soit f une fonction de densité de probabilité ayant pour support D
c’est-à-dire à l’extérieur du domaine D la densité f est nulle.
 
On a V = D h (x) dx = D h(x) h(X )
R R
f (x) f (x) dx = E f (X ) = E (g (X )) avec
h(x)
g (x) = f (x)

De la remarque précédente on a
h (x) dx ≈ n1 ∑ni=1 g (Xi ) = n1 ∑ni=1 h(X i)
R
V= D f (Xi ) = Vn
b
b n c’està dire E (g (X )) ≈ 1 ∑n g (Xi )
Soit V ≈ V n i=1

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 59 / 64

 Méthode de Monte Carlos

Méthode pratique

Pour calculer l’approximation de Monte Carlos on procède comme suit :

⋆ Générer n nombres aléatoire sur [0; 1] : u1 ; . . . ; un ;
⋆ Choisir une densité f définie sur le support D (facile à simuler par la
méthode d’inversion) ;
⋆ Simuler à partir de u1 ; . . .; un n valeurs x1 ; . . .; xn de X selon la densité
f précedente ;
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 59 / 64
 Méthode de Monte Carlos

Méthode pratique

h(x1 ) h(xn )
⋆ Déterminer les quantités g (x1 ); . . . ; g (x n ) c’est-à-dire f (x1 ) ; . . . ; f (xn ) ;

⋆ En fin calculer la moyenne arithmétique des valeurs précédentes ce qui

donne V
bn

vn = n1 ∑ni=1 g (xi )= n1 ∑ni=1 h(x

b i)
f (xi ) Est appelé l’approximation de V par

la méthode Monte Carlo.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 60 / 64

Remarque
L’approximation de V par la méthode Monte Carlo n’est pas unique. Elle
dépend de la densité choisie. Il y a autant d’approximation que de densité
de probabilité sur D.
En pratique on choisit la densité la plus facile à simuler.

Exercice d’Application
R 2 −x 2
Proposer un modèle d’approximation de V = 0 e dx par la méthode de
Monte Carlo

Propriété
 
⋆ E Vbn = V
  E g 2 (X ) −V2
⋆ V Vbn = ( )
n

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 60 / 64

Remarque
E((g (X ))2 )−V2
 
La quantité V V
bn =
n dépend de V qui est la valeur de
l’intégrale recherchée
 
Donc V V b n n’est pas connu ; il est estimé
 
On a E (g (X ))2 ≈ n1 ∑ni=1 (g (Xi ))2 et V2 ≈ V b2
n
1 n 2 1 n 2
b n = n ∑i=1 (g (Xi )) −( n ∑i=1 g (Xi ))
 
b n est estimé par V\
 
Ainsi V V V n
\ 
bn = 1 b

b2

1 n 2
Ou soit V V n Jn − Vn avec Jn = n ∑i=1 (g (Xi )) et
b
b n = 1 ∑n g (Xi )
V n i=1

Propriété
p
b n →V
On a V
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 61 / 64
 Méthode de Monte Carlos

Intervalle de confiance

b n = 1 ∑n g (Xi ) et d’après le théorème central limite V

Comme V b n suit
n i=1

une loi normale (n ≥ n0 )

b n −E(V bn) √ b
V n(Vn −V)
Ainsi q ⇝ N (0, 1 ) soit √ ⇝ N (0, 1 )
V (Vn )
b V (g (X ))
√ b
n(Vn −V)
Donc √ ⇝ N (0, 1 )
V (g (X ))
 √ 
n (V
b n −V)
On cherche zα tel que P √ ≤ zα = 1 − α
V (g (X ))
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 61 / 64
 Méthode de Monte Carlos

Intervalle de confiance

 √ b 
n(Vn −V)
On cherche zα tel que P √ ≤ zα = 1−α
V (g (X ))
2−α
Soit π (zα ) − π (−zα ) = 1 − α ⇔ π (zα ) = 2 = 1 − α2

√ b 
n Vn − V
p p
V (g (X )) b n +zα × V √
(g (X ))
p ≤ zα ⇔ V
b n −zα × √ ≤V≤V
V (g (X )) n n

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 62 / 64

 Méthode de Monte Carlos

Intervalle de confiance

\
 
On remplace V (g (X )) par n × V V
b n et donc on a

r r
√ b  \  \
n Vn − V n×V Vbn n×V V b
p ≤ zα ⇔ V
b n −zα × √ ≤V≤V
b n +zα × √
V (g (X )) n n

r r
\
  \
 
⇔V
b n − zα × bn ≤ V ≤ V
V V b n + zα × V V
bn
N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 63 / 64
 Méthode de Monte Carlos

Intervalle de confiance

D’où l’intervalle de confiance de V au seuil de α% est donnée par :

" r r #
b n − zα × \
 
b n + zα × \
 
V bn ; V
V V V V
bn

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 64 / 64

Exercice d’Application
R 2 −x 2
Déterminer un intervalle de confiance de V = 0 e dx au seuil de 5%
sachant que un générateur sur [0; 1] a donné u1 = 0.25; u2 = 0.5
et u3 = 0.15.

N’TCHAA Sabi (UNSTIM) SIMULATION (9 mai 2022) 64 / 64