8 Cours

CPGE : Reda Slaoui Année scolaire : 2022/2023
Simulation de variables aléatoires
On suppose avoir importé sur Python les modules :

• numpy avec le raccourci np.
• numpy.random avec le raccourci rd.
• matplotlib.pyplot avec le raccourci plt.
1 Méthode d’inversion discrète

La méthode d’inversion est une méthode générale pour simuler la loi d’une variable discrète X à
partir d’une variable aléatoire U ∼ U([0, 1]). Elle consiste à « inverser » la fonction de répartition de
X.
Exemple: On souhaite simuler une variable aléatoire X ayant pour support X(Ω) = {1, 2, 3} et
pour probabilités ponctuelles :
P (X = 1) = 0.5 , P (X = 2) = 0.3 et P (X = 3) = 0.2
On va pour cela découper l’intervalle [0,1] en trois intervalles de longueurs 0.5, 0.3 et 0.2.
1 2 3
0 0.5 0.8 1
Pour simuler la variable X, on tire alors au hasard un nombre t de [0, 1] avec la fonction
rd.random() et on retourne :
• x = 1 si t ∈ [0, 0.5], ce qui se produit avec la probabilité 0.5
• x = 2 si t ∈]0.5, 0.8], ce qui se produit avec la probabilité 0.3
• x = 3 si t ∈ 0.8, 1], ce qui se produit avec la probabilité 0.2

On peut ainsi simuler la loi de la variable X à l’aide de la fonction suivante :
def simulation():
t = rd.random()
if t <= 0.5 :
x = 1
elif t <= 0.8 :
x = 2
else:
x = 3
return x
1
Cas général: Soit à présent X une variable discrète qui prend les valeurs x1 < x2 < · · · < xn
Rappelons que sa fonction de répartition est en escalier, donnée par :

0 si x < x1


i=j
∀x ∈ R, F (x) = P (X ≤ x) = X


 P (X = xi ) si xj < x < xj+1
i=1
La méthode d’inversion présentée sur l’exemple précédent se généralise de la manière suivante:
Méthode
Pour simuler la variable discrète X, on procèdera comme suit :
• on choisit un nombre t aléatoirement dans [0, 1] à l’aide de la fonction rd.random()
• on détermine l’intervalle Ik =]F (xk−1 ), F (xk )] tel que t ∈ Ik (si k = 1, I1 = [0, F (x1 )])
• on retourne xk
2 Représentations graphiques
2.1 Comparaison diagramme des fréquences / probabilités théoriques
Soit X une variable aléatoire discrète. Supposons qu’on dispose d’une fonction Loi permettant de
simuler la loi de X. Pour juger de la pertinence des simulations, on peut utiliser des représentations
graphiques. Pour cela, on procèdera comme suit :
• on crée un échantillon de taille N , c’est-à-dire un vecteur ligne x contenant N réalisations de
la fonction Loi.
• on compare graphiquement les fréquences empiriques obtenues (c’est-à-dire grâce à l’échantillon)
avec les probabilités théoriques pour vérifier la pertinence de la simulation.
Dans le cas de simulation de variables aléatoires discrètes, on va comparer plus particulièrement :
• l’histogramme de notre échantillon de taille N.
• le diagramme en bâtons des probabilités théoriques P (X = k) pour k ∈ X(Ω).
Si notre simulation est bonne, on doit constater que :
Définition 2.1: Loi des grands nombres
Pour N « suffisamment grand », l’histogramme de l’échantillon doit être proche du diagramme

en bâtons des probabilités théoriques.
2.2 Diagramme en bâtons des probabilités théoriques

Pour dessiner le diagramme en bâtons des probabilités théoriques, on définit x le vecteur contenant
X(Ω) et y le vecteur contenant les probabilités théoriques correspondantes. On utilise alors la
commande suivante : plt.bar(x,y)
2
Exemple:
x = np.array([1,2,3])
p = np.zeros(3)
p[0] = 0.5
p[1] = 0.3
p[2] = 0.2
plt.title("Loi théorique")
plt.bar(x,h)
plt.show()
2.3 Histogramme de l’échantillon

Pour tracer l’histogramme d’un échantillon x (qu’on suppose à valeurs entières), on procède ainsi :
• on décide des valeurs m1 < m2 < · · · < mk qu’on souhaite représenter (dans le cas où elles
seraient en nombre infini)
• on définit les classes c = (m1 − 0.5 < m1 + 0.5 < m2 − 0.5 < · · · < mk + 0.5)
• on dessine l’histogramme à l’aide de la commande :
plt.hist(x,c,density=’True’,edgecolor=’k’)
où l’on a ajouté les options de tracé suivantes:
– normalisation des rectangles (la surface totale vaut 1) : density=’True’

– contours des rectangles en noir : edgecolor=’k’
3
Exemple:
N = 1000
v = np.zeros(N)
for i in range(N):
v[i] = simulation()
c = np.arange(0.5,4.5)
plt.title("Simulation")
plt.hist(v,c,density=’True’,edgecolor=’k’)
plt.show()
3 Simulation des lois discrètes usuelles

3.1 Loi de Bernoulli
Pour simuler une loi de Bernoulli, on procèdera comme évoqué plus haut : on tire au hasard un
nombre dans l’intervalle [0, 1] avec la fonction random(). On a alors deux cas :
• si rd.random()<=p, ce qui arrive avec une probabilité de p, on renvoie la valeur 1.
• si rd.random()>p, ce qui arrive avec une probabilité de 1 - p, on renvoie 0.
0 1
0 p 1
On peut ainsi simuler la loi de Bernoulli à l’aide de la fonction suivante :
4
def bernoulli(p):
t = rd.random()
if t <= p :
x = 0
else:
x = 1
return x
Pour créer un vecteur contenant N réalisations indépendantes de la loi B(p):
def Bernoulli(p,N):
v = np.zeros(N)
for i in range(N):
v[i] = bernoulli(p)
return v
3.2 Loi binomiale

Définition 3.1
Soit n ∈ N∗ et p ∈]0, 1[. Si X1 , . . . , Xn sont n variables aléatoires telles que :
• elles sont mutuellement indépendantes
• elles suivent toutes la même loi B(p)

n
X
alors Xi ∼ B(n, p).
i=1
On peut ainsi simuler la loi binomiale à l’aide de la fonction suivante :
def binomiale(n,p):
u = Bernoulli(p,n)
return np.sum(u)
Pour créer un vecteur contenant N réalisations indépendantes de la loi B(n, p):
def Binomiale(n,p,N):
v = np.zeros(N)
for i in range(N):
v[i] = binomiale(p)
return v

8 Cours

Transféré par

Droits d'auteur :

Formats disponibles

8 Cours

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

8 Cours

Transféré par

Droits d'auteur :

Formats disponibles

CPGE : Reda Slaoui Année scolaire : 2022/2023

Simulation de variables aléatoires

On suppose avoir importé sur Python les modules :

• numpy.random avec le raccourci rd.

• matplotlib.pyplot avec le raccourci plt.

1 Méthode d’inversion discrète

P (X = 1) = 0.5 , P (X = 2) = 0.3 et P (X = 3) = 0.2

• x = 2 si t ∈]0.5, 0.8], ce qui se produit avec la probabilité 0.3

• x = 3 si t ∈ 0.8, 1], ce qui se produit avec la probabilité 0.2

La méthode d’inversion présentée sur l’exemple précédent se généralise de la manière suivante:

• on choisit un nombre t aléatoirement dans [0, 1] à l’aide de la fonction rd.random()

Définition 2.1: Loi des grands nombres

Pour N « suffisamment grand », l’histogramme de l’échantillon doit être proche du diagramme

2.2 Diagramme en bâtons des probabilités théoriques

2.3 Histogramme de l’échantillon

• on dessine l’histogramme à l’aide de la commande :

où l’on a ajouté les options de tracé suivantes:

– normalisation des rectangles (la surface totale vaut 1) : density=’True’

3 Simulation des lois discrètes usuelles

• si rd.random()<=p, ce qui arrive avec une probabilité de p, on renvoie la valeur 1.

• si rd.random()>p, ce qui arrive avec une probabilité de 1 - p, on renvoie 0.

On peut ainsi simuler la loi de Bernoulli à l’aide de la fonction suivante :

Pour créer un vecteur contenant N réalisations indépendantes de la loi B(p):

3.2 Loi binomiale

Soit n ∈ N∗ et p ∈]0, 1[. Si X1 , . . . , Xn sont n variables aléatoires telles que :

• elles sont mutuellement indépendantes

• elles suivent toutes la même loi B(p)

On peut ainsi simuler la loi binomiale à l’aide de la fonction suivante :

Pour créer un vecteur contenant N réalisations indépendantes de la loi B(n, p):

Vous aimerez peut-être aussi