TP1

Université Paris Dauphine 2018–2019
Département MIDO
Master 1 – Méthodes de Monte Carlo
Travaux Pratiques n°1

Fonction inverse et transformations
stoehr@ceremade.dauphine.fr
Objectifs. Il s’agit de mettre en œuvre les méthodes de la fonction inverse et de transformation

afin de simuler un grand nombre (x 1 , . . . , x n ) de réalisations d’une variable aléatoire X à partir
d’un générateur de la loi uniforme sur [0 , 1] (notée U ([0 , 1])).
Rappel R. La fonction runif permet de simuler des réalisations d’une suite de variables aléa-
toires i.i.d. de loi U ([0 , 1]). R propose des générateurs aléatoires pour la plupart des lois usuelles.
Toutefois, ils ne seront pas utilisés dans cette partie sauf à titre de comparaison.
Exercice 1 (Simulation d’une variable aléatoire discrète). Soit X une variable aléatoire discrète
sur l’ensemble {1, 2, 3, 4}. On définit la loi ν de X par
P [X = 1] = 0.2, P [X = 2] = 0.5, P [X = 3] = 0.1, P [X = 4] = 0.2.
1. Simuler un échantillon u de 10000 variables aléatoires i.i.d. suivant la loi U ([0 , 1]).
2. À partir de u, obtenir un échantillon x de variables aléatoires i.i.d. suivant la loi ν.
3. Comparer le diagramme en bâtons de l’échantillon x à celui de ν.
Rappel R. La fonction barplot(height = ...) permet de tracer le diagramme en bâtons de

variables catégorielles ou discrètes. L’entrée height est au choix un vecteur contenant la hauteur
des barres ou la table de contingence de l’échantillon. Pour un échantillon x, la table de contin-
gence s’obtient à l’aide de la commande table(x).
Exercice 2 (Loi exponentielle et lois connexes).
1. (a) Simuler 10000 réalisations de la loi exponentielle E (λ) de paramètre λ = 2 par la méthode de la
fonction inverse.
(b) Tracer l’histogramme de cet échantillon et le comparer à la densité de la loi.
2. Soient X 1 , . . . , X n , n variables aléatoires i.i.d. de loi exponentielle E (λ).
(a) Montrer que S n = X 1 + . . . + X n suit la loi gamma Γ(n, λ), i.e., a pour densité
λα
Z +∞
f (x; α, λ) = exp(−λx)x α−1 1{x≥0} , avec Γ(α) = e −t t α−1 dt .
Γ(α) 0
1
TP n°1 Méthodes de Monte Carlo
(b) Partant de ce résultat, simuler 10000 réalisations de la loi gamma Γ(n, λ), avec n = 10.
(c) Tracer l’histogramme de cet échantillon et le comparer à la densité de la loi.
3. Soit N = sup{n ≥ 1 : S n ≤ 1} (par convention N = 0 si S 1 > 1).
(a) Montrer que N suit la loi de Poisson P (λ).
(b) Partant de ce résultat, simuler 10000 réalisations de la loi de Poisson P (λ).
(c) Tracer le diagramme en bâtons de cet échantillon et le comparer à la densité de la loi.
Rappel R.
• La fonction hist(x, freq = F) affiche l’histogramme d’un échantillon x. L’option freq spé-
cifie si l’histogramme est représenté en densité d’effectifs (freq = T par défaut) ou en densité
de probabilités (freq = F).
• La fonction lines(x,y) permet d’ajouter une courbe affine par morceaux reliant les points
d’abscisse x et d’ordonnée y.
• Pour obtenir les valeurs de la densité aux points x, on a dexp(x, rate = ...) pour la loi
exponentielle E (rate), dgamma(x, shape rate = ...) pour la loi gamma Γ(shape, rate)
et dpois(x, lambda) pour la loi de Poisson P (lambda).
Exercice 3 (Algorithme de Box-Muller).
1. Écrire une fonction BM.car(n) qui retourne n réalisations de la loi normale N (0 , 1) par la méthode
de Box-Muller cartésienne.
2. Valider l’algorithme à l’aide d’un outil graphique.
Rappel R.
• Les fonctions dnorm, pnorm et qnorm correspondent respectivement à la densité, à la fonction
de répartion et au quantile d’une loi normale.
• La fonction quantile(x, probs) retourne les quantiles d’un échantillon x pour un vecteur de
probabilités probs.
• La fonction qqplot permet de tracer un diagramme Quantile-Quantile.
Soit X = (X 1 , X 2 ) de loi N µ , Σ , avec

¡ ¢
Exercice 4 (Simulation de vecteurs gaussiens).
Ã ! Ã !
1 4 3
µ= et Σ =
2 3 9
1. Simuler une suite de vecteurs X (n) n≥1 = X 1,n , X 2,n n≥1 qui suivent la loi de X.
¡ ¢ ¡ ¢
2. (a) Quelle est la loi de X 1 + X 2 ?
(b) Comparer la densité de X 1 + X 2 avec l’histogramme de simulation.
2
TP n°1 Méthodes de Monte Carlo
Exercice 5 (Simulation du brownien). En utilisant que les accroissements d’un mouvement brow-
nien (Wt )0≤t ≤1 sont indépendants et stationnaires simuler une réalisation du mouvement brownien.

TP1

Transféré par

Droits d'auteur :

Formats disponibles

TP1

Transféré par

Informations du document

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

TP1

Transféré par

Droits d'auteur :

Formats disponibles

Université Paris Dauphine 2018–2019

Travaux Pratiques n°1

Objectifs. Il s’agit de mettre en œuvre les méthodes de la fonction inverse et de transformation

P [X = 1] = 0.2, P [X = 2] = 0.5, P [X = 3] = 0.1, P [X = 4] = 0.2.

2. À partir de u, obtenir un échantillon x de variables aléatoires i.i.d. suivant la loi ν.

3. Comparer le diagramme en bâtons de l’échantillon x à celui de ν.

Rappel R. La fonction barplot(height = ...) permet de tracer le diagramme en bâtons de

Exercice 2 (Loi exponentielle et lois connexes).

(b) Tracer l’histogramme de cet échantillon et le comparer à la densité de la loi.

2. Soient X 1 , . . . , X n , n variables aléatoires i.i.d. de loi exponentielle E (λ).

(c) Tracer l’histogramme de cet échantillon et le comparer à la densité de la loi.

3. Soit N = sup{n ≥ 1 : S n ≤ 1} (par convention N = 0 si S 1 > 1).

(a) Montrer que N suit la loi de Poisson P (λ).

(b) Partant de ce résultat, simuler 10000 réalisations de la loi de Poisson P (λ).

(c) Tracer le diagramme en bâtons de cet échantillon et le comparer à la densité de la loi.

Exercice 3 (Algorithme de Box-Muller).

2. Valider l’algorithme à l’aide d’un outil graphique.

Soit X = (X 1 , X 2 ) de loi N µ , Σ , avec

2. (a) Quelle est la loi de X 1 + X 2 ?

(b) Comparer la densité de X 1 + X 2 avec l’histogramme de simulation.

Vous aimerez peut-être aussi