Professional Documents
Culture Documents
Méthodes Numériques en Actuariat - Partie II Simulation Stochastique (PDFDrive)
Méthodes Numériques en Actuariat - Partie II Simulation Stochastique (PDFDrive)
Méthodes numériques
en actuariat
Partie II
Simulation stochastique
ACT 2002
Méthodes numériques
en actuariat
Partie II
Simulation stochastique
Vincent Goulet
Professeur titulaire | École d’actuariat | Université Laval
Avec la collaboration de
Laurent Caron
Code source
Code informatique des sections d’exemples Télécharger
Code source du document Accéder au dépôt
Couverture
Le reptile en couverture est un caméléon de Jackson (Chamaeleo jacksonii)
ou caméléon à trois cornes. On le rencontre en Afrique de l’Est, au Kenya et
en Tanzanie, ainsi qu’aux États-Unis, plus précisément à Hawaï.
v
vi Introduction
Introduction v
vii
viii Table des matières
Bibliographie 105
Tiré de XKCD.com
7 Génération de nombres
aléatoires uniformes
Objectifs du chapitre
Énoncé du problème
1
2 Génération de nombres aléatoires uniformes
8
●
7
6 ●
● ●
5
y
● ●
4
● ●
3
● ● ●
2
0 2 4 6 8 10
On souhaite vérifier que lorsque les quatre points sont distribués unifor-
mément sur un carré, la probabilité que leur enveloppe convexe forme
un triangle est 11
36 ≈ 0,30556.
Astuce
Astuce (suite)
> chull(x, y)
[1] 12 2 9 1
1. http://www.fourmilab.ch/hotbits/
7.3. Congruence et modulo 5
86532 = 74𝟖𝟕𝟒𝟒09
87442 = 76𝟒𝟓𝟕𝟓36
45752 = 20𝟗𝟑𝟎𝟔25
𝑎−𝑏
𝑎 ≡ 𝑏 mod 𝑚 ⇔ = 𝑘, 𝑘 ∈ ℤ.
𝑚
6 Génération de nombres aléatoires uniformes
Exemple 7.1. On a
14 − 5
1. 5 ≡ 14 mod 3 car = 3 ; 14 et 5 sont distants de 9, un multiple de
3
3;
5+1
2. −1 ≡ 5 mod 3 car = 2 ; −1 et 5 sont distants de 6, un multiple de
3
3;
3. 0,33 ≡ 1,33 mod 1 ; on notera que le calcul en modulo 1 équivaut à re-
tourner la partie fractionnaire d’un nombre ;
4. la minute dans l’heure est donnée en modulo 60 : 00h15, 1h15, 2h15,
…sont des heures équivalentes modulo 60.
𝑏
𝑎 = 𝑏 mod 𝑚 ⇔ 𝑎=𝑏−⌊ ⌋ 𝑚,
𝑚
𝑥𝑖 = (𝑎𝑥𝑖−1 + 𝑐) mod 𝑚,
où 0 ≤ 𝑥𝑖 < 𝑚 et
x 𝑎 est appelé le multiplicateur ;
7.4. Générateurs congruentiels linéaires 7
𝑥𝑖
𝑢𝑖 = .
𝑚
Astuce
Remarques.
1. La méthode de génération des nombres est entièrement déterministe,
c’est pourquoi il convient mieux de parler de nombres pseudo-aléatoires.
2. Un générateur congruentiel est forcément périodique puisqu’il ne peut
prendre, au mieux, que les valeurs
x 0, 1, 2, … , 𝑚 − 1 pour un générateur mixte ;
x 1, 2, … , 𝑚 − 1 pour un générateur multiplicatif.
C’est pourquoi on cherche donc à avoir la période la plus longue possible,
tout en obtenant des suites en apparence aléatoires.
3. Pour les générateurs multiplicatifs (𝑐 = 0), on atteint la période maximale
𝑚 − 1 si
x 𝑚 est un nombre premier (on en choisira un grand) ;
x 𝑎 est une racine primitive de 𝑚, c’est à dire que le plus petit entier 𝑘
satisfaisant
1 = 𝑎𝑘 mod 𝑚
est 𝑘 = 𝑚 − 1.
Des valeurs populaires sont 𝑚 = 231 − 1 (nombre premier de Mersenne)
et 𝑎 = 75 .
8 Génération de nombres aléatoires uniformes
Exemple 7.3. Cet exemple illustre l’effet des différents paramètres d’un gé-
nérateur congruentiel sur la qualité des nombres pseudo-aléatoires produits.
Les critiques relevées dans les articles ci-dessus ont poussé Microsoft à
améliorer la précision des procédures statistiques depuis Excel 2010 (Micro-
soft Office Blog, 2009). Microsoft affirme également utiliser un nouveau géné-
rateur de nombres aléatoires pour la fonction RAND(). Seulement, plusieurs
années après le lancement du produit, il demeure difficile d’obtenir des dé-
tails qui permettraient de dissiper tout doute sur la qualité des nombres
aléatoires fournis pas Excel.
7.5.3 Générateurs de R
On obtient des nombres uniformes sur un intervalle quelconque avec la
fonction runif dans R. La fonction set.seed permet de spécifier la valeur
de l’amorce du générateur aléatoire, ce qui est utile si on veut répéter une
simulation absolument à l’identique.
R offre la possibilité de choisir entre plusieurs générateurs de nombres
aléatoires différents, ou encore de spécifier son propre générateur. Par dé-
faut, R utilise le générateur Marsenne–Twister, considéré comme le plus
avancé en ce moment. La période de ce générateur est 219 937 − 1 (rien de
moins !) et la distribution des nombres est uniforme dans 623 dimensions
consécutives sur toute la période.
Pour de plus amples détails et les dernières informations sur les géné-
rateurs disponibles et la procédure de réglage de l’amorce, consulter les ru-
briques d’aide des fonctions .Random.seed et set.seed.
Astuce
Générer les coordonnées uniformes des points sera plus simple et plus
rapide avec la fonction runif de R.
7.5. Générateurs utilisés dans Excel, VBA et R 11
Solution du problème
> mean(replicate(1E5,
+ is.triangle(x = runif(4), y = runif(4))))
[1] 0.30709
11
soit une valeur suffisamment proche de 36 ≈ 0,30556 pour juger l’expé-
rience concluante.
12 Génération de nombres aléatoires uniformes
###
### EXEMPLE 7.3
###
###
### EXEMPLE 7.4
###
7.7 Exercices
L’exercice 7.3 requiert d’installer le package R rgl, disponible sur CRAN 3 .
Tel qu’expliqué à l’annexe B des notes de cours de la partie I, on installe le
package dans R avec la commande
> install.packages("rgl")
Pour utiliser les fonctions du package, il faut ensuite charger le package
en mémoire avec
> library(rgl)
Objectifs du chapitre
17
18 Simulation de nombres aléatoires non uniformes
Énoncé du problème
𝐹𝑈 (𝑢) = Pr[𝑈 ≤ 𝑢]
= Pr[𝐹𝑋 (𝑋) ≤ 𝑢]
−1
= Pr[𝑋 ≤ 𝐹𝑋 (𝑢)]
−1
= 𝐹𝑋 (𝐹𝑋 (𝑢))
= 𝑢,
−1
𝐹𝑋 (𝑈) ∼ 𝑋.
−1
La fonction de répartition inverse, 𝐹𝑋 , est aussi appelée fonction de quantile.
8.1. Méthode de l’inverse 19
0.20
1.0
0.8
0.15
0.6
FX(x)
fX(x)
0.10
0.4
0.05
0.2
0.00
0.0
0 2 4 6 8 10 12 14 0 2 4 6 8 10 12 14
x x
et fonction de répartition
Or,
1
𝐹−1 (𝑢) = − ln(1 − 𝑢),
𝜆
donc
1
𝑋=− ln(1 − 𝑈) ∼ Exponentielle(𝜆),
𝜆
où 𝑈 ∼ 𝑈(0, 1). En fait, puisque 𝑈 ∼ 𝑈(0, 1) ⇔ 1 − 𝑈 ∼ 𝑈(0, 1), on peut se
contenter de la relation
1
𝑋=− ln 𝑈 ∼ Exponentielle(𝜆).
𝜆
Par conséquent, l’algorithme pour simuler des nombres provenant d’une ex-
ponentielle de paramètre 𝜆 est :
2. Poser 𝑥 = −𝜆−1 ln 𝑢.
𝐹𝑋 (𝑥0− ) = 𝑎
𝐹𝑋 (𝑥0 ) = 𝑏 > 𝑎.
𝑢 = 𝑎 ⇒ 𝑥 = 𝑥0
𝑢 = 𝑏 ⇒ 𝑥 = 𝑥1 .
Exemple 8.2. Soit 𝑋 une variable aléatoire avec fonction de densité de pro-
babilité
⎧
⎪
⎪ 0,5, 0 ≤ 𝑥 < 1
⎪
𝑓(𝑥) = 0, 1≤𝑥<2
⎨
⎪
⎪
⎪0,5, 2 ≤ 𝑥 < 3.
⎩
On a une variable aléatoire mixte (en partie continue et en partie continue)
dont la fonction de répartition est
⎧
⎪
⎪ 0,5𝑥, 0≤𝑥<1
⎪
𝐹(𝑥) = 0,5 1≤𝑥<2
⎨
⎪
⎪
⎪0,5𝑥 − 0,5, 2 ≤ 𝑥 < 3.
⎩
1.0
●
●
0.8
0.6
F(x)
●
0.4
0.2
●
0.0
0 1 2 3 4 5
2. Poser
⎧
⎪
⎪2𝑢, si 0 ≤ 𝑢 < 1
⎪
𝑥 = 2, si 𝑢 = 0,5
⎨
⎪
⎪
⎪2𝑢 + 1 si 0,5 < 𝑢 < 1.
⎩
1.0
1.0
●
FX(x)
fX(x)
0.5
0.5
● ● ● ●
0.0
0.0
● ●
0 1 2 3 0 1 2 3
x x
2. Poser
𝑛
𝑥 = ∑ 𝐼{𝑢𝑖 ≤ 𝜃}.
𝑖=1
⎧
⎪
⎪0,0625, 𝑥=0
⎪
⎪
⎪
⎪
⎪
⎪0,25, 𝑥=1
⎪
Pr[𝑋 = 𝑥] = 0,375, 𝑥=2
⎨
⎪
⎪
⎪
⎪
⎪0,25, 𝑥=3
⎪
⎪
⎪
⎪
⎩0,0625, 𝑥=4
24 Simulation de nombres aléatoires non uniformes
et
⎧
⎪ 0, 𝑥<0
⎪
⎪
⎪
⎪
⎪
⎪ 0,0625, 0≤𝑥<1
⎪
⎪
⎪
⎪
⎪0,3125, 1≤𝑥<2
Pr[𝑋 ≤ 𝑥] =
⎨
⎪0,6875, 2≤𝑥<3
⎪
⎪
⎪
⎪
⎪
⎪ 0,9375, 3≤𝑥<4
⎪
⎪
⎪
⎪
⎪
⎩1, 𝑥 ≥ 4,
Astuce
1
𝑓𝑋𝑌 (𝑥, 𝑦) = , −1 < 𝑥 < 1, 𝑥2 + 𝑦2 < 1.
𝜋
▶
8.2. Méthode acceptation-rejet 25
Astuce (suite)
2.0
c g(y)
1.5
f(y)
1.0
0.5
0.0
où 𝑢 est un nombre issu d’une loi 𝑈(0, 1). Graphiquement, cela signifie que
l’on accepte la valeur 𝑦 si le point (𝑦, 𝑢𝑐𝑔𝑌 (𝑦)) se trouve sous la courbe
𝑓 en 𝑦 et qu’on le rejette s’il se trouve entre 𝑓 et l’enveloppe. La figure 8.5
illustre cette interprétation.
Remarques.
1. La principale difficulté avec la méthode d’acceptation-rejet consiste à trou-
ver la fonction enveloppante 𝑐𝑔𝑌 (𝑥).
2. Évidemment, plus l’enveloppe est près de 𝑓𝑋 (𝑥), plus l’algorithme est
performant puisque l’on rejette alors moins de valeurs.
8.2. Méthode acceptation-rejet 27
2.0
c g(y)
●
● ● ●
● ●
●
●
● ●
1.5
● ●
● ● ● ●
● ● ● ● ●
● ●
● ●
● ●
●
● ● ● ●
● ●
● ●
●
f(y)
1.0
●
●
●
●
● ● ● ●●
● ● ●
● ●
● ● ● ● ●
●
● ● ●
● ●
● ●
0.5
● ● ●● ● ●
●
● ●
●● ● ●
●
● ● ●
●
● ● ● ● ●
● ● ●
● ● ●
●
● ●
●
0.0
● ●
3. Il est aussi possible d’envelopper une densité à support infini… par une
autre densité à support fini ; voir les exercices.
On déduit que 𝑐 = 16/9 et que la densité 𝑔 est une uniforme sur (0, 1). On
a donc l’algorithme suivant :
1. Simuler deux nombres 𝑢1 et 𝑢2 d’une 𝑈(0, 1).
2. Poser 𝑦 = 𝑢1 .
3. Si
𝑓𝑋 (𝑦)
𝑢2 ≤ ,
16/9
alors poser 𝑥 = 𝑦. Sinon, retourner à l’étape 1.
L’aire du rectangle étant de 16/9, on peut s’attendre à rejeter
16/9 − 1 7
= ≈ 44 %
16/9 16
2.5
2.0
1.5
dbeta(x, 3, 2)
1.0
0.5
0.0
d’où
−1
2. Poser 𝑦 = 𝐺𝑌 (𝑢1 ).
3. Si
𝑓𝑋 (𝑦)
𝑢2 ≤ ⇔ 1,2𝑔𝑌 (𝑦)𝑢2 ≤ 𝑓𝑋 (𝑦),
1,2𝑔𝑌 (𝑦)
alors poser 𝑥 = 𝑦. Sinon, retourner à l’étape 1.
L’aire du triangle étant de 1,2, on peut maintenant s’attendre à ne rejeter
que 0,2/1,2 ≈ 17 % des nombres simulés, une amélioration importante par
rapport à l’exemple 8.4.
Astuce
1.0
● ● ●● ● ● ●
● ● ● ● ●
● ●
● ● ● ●
● ●●
●● ●● ● ●
●● ●
● ● ● ● ● ● ●
●● ● ●
● ●● ● ●
● ● ● ●
● ● ● ●
●
●
0.5
●● ● ●●
● ●
● ● ●
● ●● ● ●
● ● ●
● ● ● ●
● ●
● ●
● ●
●● ● ● ●
● ● ●
● ● ●
0.0
● ●
y
● ● ●
● ● ●● ●● ● ●
● ● ● ● ● ●
● ● ●
● ●
● ● ●
● ●
●●● ● ● ●
● ●● ● ●
● ● ●
● ●
●
●
−0.5
● ● ● ●
● ● ●
● ● ●
● ● ●
● ●● ● ● ●
●● ● ● ● ● ●
● ● ●
● ● ● ● ●
● ● ●● ● ● ●
● ● ● ● ●
● ● ●●
−1.0
●
● ● ● ●
● ●
Fig. 8.7 – Simulation de points sur un disque par une méthode d’acceptation-
rejet
With WorksheetFunction
...
End With
32 Simulation de nombres aléatoires non uniformes
Tab. 8.1 – Liste des fonctions relatives à des lois de probabilité depuis Excel
2010.
dans une routine VBA, il est également possible accéder directement aux
fonctions Excel en les préfixant seulement d’un point.
8.3.2 R
Un large éventail de fonctions donne directement accès aux caractéris-
tiques de plusieurs lois de probabilité dans R. Pour chaque racine loi, il
existe quatre fonctions différentes :
1. dloi calcule la fonction de densité de probabilité (loi continue) ou la fonc-
tion de masse de probabilité (loi discrète) ;
8.3. Fonctions de simulation de variables aléatoires dans Excel, VBA et R 33
Tab. 8.2 – Lois de probabilité pour lesquelles il existe des fonctions dans le
système R de base
## Remplissage de la matrice.
i <- 1
repeat
{
## Simulation de coordonnées dans un carré
## 2 x 2 centré à l'origine.
x <- runif(2, -1, 1)
Fig. 8.8 – Code d’une fonction pour simuler des nombres uniformément sur
un disque de rayon 1 centré à l’origine par la méthode d’acceptation-rejet
36 Simulation de nombres aléatoires non uniformes
Solution du problème
𝑥 = √𝑟 cos 𝜃
𝑦 = √𝑟 sin 𝜃.
> system.time(sim.disque(1E5))
user system elapsed
0.615 0.001 0.617
> system.time(sim.disque2(1E5))
user system elapsed
0.013 0.001 0.014
8.5. Code informatique 37
Fig. 8.9 – Code d’une fonction pour simuler des nombres uniformément sur
un disque de rayon 1 centré à l’origine en passant par les coordonnées po-
laires
###
### EXEMPLE 8.1
###
## existant.
curve(dexp(x, rate = lambda), add = TRUE)
###
### EXEMPLE 8.4
###
###
8.5. Code informatique 39
###
### AUTRES TECHNIQUES DE SIMULATION
###
## MÉLANGES CONTINUS
## MÉLANGES DISCRETS
## CONVOLUTIONS
8.6 Exercices
Les étudiants jugent souvent que les exercices de ce chapitre sont plus
difficiles que ceux des autres chapitres. Les exercices font beaucoup appel à
des notions de transformations de variables aléatoires qui ont pourtant déjà
fait l’objet d’autres cours. Pour un rappel des principaux résultats dans ce
domaine, consulter l’annexe B.
8.1 La transformation de Box–Muller est populaire pour simuler des nombres
normaux à partir de nombres uniformes. Soit 𝑈1 ∼ 𝑈(0, 1) et 𝑈2 ∼
𝑈(0, 1) deux variables aléatoires indépendantes et
(𝛼 − 1
6𝛼 )𝑢1
𝑣= .
(𝛼 − 1)𝑢2
2. Si
2(𝑢2 − 1) 1
+ 𝑣 + ≤ 2,
𝛼−1 𝑣
alors retourner le nombre 𝑥 = (𝛼 − 1)𝑣. Sinon, si
2 log 𝑢2
− log 𝑣 + 𝑣 ≤ 1,
𝛼−1
alors retourner le nombre 𝑥 = (𝛼 − 1)𝑣.
3. Répéter au besoin la procédure depuis l’étape 1.
Faire les vérifications empiriques usuelles de la validité de l’algorithme.
8.5 En utilisant le résultat de l’exercice précédent, quelle procédure pourrait-
on suivre pour simuler des nombres d’une loi Gamma(𝛼, 𝜆) où 𝛼 > 1 ?
8.6 a) Démontrer que si 𝑋|Θ ∼ Exponentielle(Θ) et Θ ∼ Gamma(𝛼, 𝜆),
alors 𝑋 ∼ Pareto(𝛼, 𝜆). La fonction de densité de probabilité d’une
loi de Pareto est
𝛼𝜆𝛼
𝑓(𝑥) = , 𝑥 > 0.
(𝑥 + 𝜆)𝛼+1
46 Simulation de nombres aléatoires non uniformes
𝛼𝜆𝛼
𝑓(𝑥) = , 𝑥 > 𝜆.
𝑥𝛼+1
Simuler trois valeurs d’une telle distribution avec 𝛼 = 2 et 𝜆 = 1 000 à
l’aide de la méthode de l’inverse et du générateur congruentiel linéaire
suivant :
𝑥𝑛 = (65𝑥𝑛−1 + 1) mod 2 048.
Utiliser une amorce de 12.
8.8 Soit 𝑈1 et 𝑈2 deux variables aléatoires indépendantes uniformément dis-
tribuées sur l’intervalle (0, 1) et soit la transformation
𝑋1 = √𝑈1 cos(2𝜋𝑈2 )
𝑋2 = √𝑈1 sin(2𝜋𝑈2 ).
𝑌1
𝑋= ∼ Bêta(𝛼, 𝜆).
𝑌1 + 𝑌2
𝑓𝑋 (𝑦)
𝑈≤ ,
𝑐𝑔𝑌 (𝑦)
8.6. Exercices 47
𝑓𝑋 (𝑌)
Pr [𝑈 ≤ ].
𝑐𝑔𝑌 (𝑌)
8.11 Soit 𝑋 une variable aléatoire continue définie sur l’intervalle (𝑎, 𝑏), où
𝑎 et 𝑏 sont des nombres réels. Pour simuler des observations de cette
variable aléatoire par la méthode d’acceptation-rejet, on peut toujours
inscrire la fonction de densité de probabilité de 𝑋 dans un rectangle de
hauteur 𝑀, ou 𝑀 est la valeur de la densité au mode de 𝑋.
a) Énoncer l’algorithme d’acceptation-rejet découlant d’une telle pro-
cédure.
b) Calculer l’efficacité de l’algorithme en a), soit la probabilité d’accep-
ter une valeur lors d’une itération de l’algorithme.
Fig. 8.10 – Fonction de simulation d’une loi Bêta(𝛼, 𝛽) pour l’exercice 8.13
⎧𝑥𝛼−1 , 0≤𝑥≤1
𝑥𝛼−1 𝑒−𝑥 ≤
⎨𝑒−𝑥 , 𝑥 > 1.
⎩
Réponses
8.3 𝑝 = 1 − 𝑒−𝜆
8.7 1 271, 2 172, 1 137
8.10 a) 1/𝑐 b) Géométrique(1/𝑐) commençant à 1 c) 𝑐
8.11 a) 1/(𝑀(𝑏 − 𝑎))
8.12 a) 9/16 b) 4/5
8.13 b) 0.46, 0.33
9 Intégration Monte Carlo
Objectifs du chapitre
Énoncé du problème
L’intégrale de Gauss
2
∫ 𝑒−𝑥 𝑑𝑥
51
52 Intégration Monte Carlo
9.1 Contexte
Supposons que l’on souhaite calculer l’intégrale
𝑏
𝜃 = ∫ ℎ(𝑥) 𝑑𝑥, (9.1)
𝑎
mais que celle-ci est trop compliquée pour être évaluée explicitement. On
pourrait d’abord faire deux approximations de l’aire sous la fonction ℎ à
l’aide des sommes de Riemann
𝑛−1
−
𝑅𝑛 = ∑ ℎ(𝑎 + 𝑘Δ𝑥)Δ𝑥
𝑘=0
et
𝑛
+
𝑅𝑛 = ∑ ℎ(𝑎 + 𝑘Δ𝑥)Δ𝑥,
𝑘=1
ℎ(𝑥) = 𝑔(𝑥)𝑓(𝑥),
où 𝑓(𝑥) est une densité sur (𝑎, 𝑏). Ainsi, par définition de l’espérance :
𝑏
𝜃 = ∫ 𝑔(𝑥)𝑓(𝑥) 𝑑𝑥
𝑎
= 𝐸[𝑔(𝑋)],
9.2. Méthode Monte Carlo 53
0.5
0.5
0.4
0.4
0.3
0.3
h(x)
h(x)
0.2
0.2
0.1
0.1
0.0
0.0
0.0 0.5 1.0 1.5 2.0 0.0 0.5 1.0 1.5 2.0
x x
Fig. 9.1 – Approximation de l’aire sous une fonction par les deux sommes
− +
de Riemann 𝑅𝑛 (gauche) et 𝑅𝑛 (droite)
1
𝑓(𝑥) = , 𝑎 < 𝑥 < 𝑏.
𝑏−𝑎
𝑏 1
𝜃 = (𝑏 − 𝑎) ∫ ℎ(𝑥) 𝑑𝑥 (9.3)
𝑎 𝑏 − 𝑎
= (𝑏 − 𝑎)𝐸[ℎ(𝑋)].
𝑥−𝑎
𝑢= 𝑥 = 𝑎 + (𝑏 − 𝑎)𝑢
𝑏−𝑎
⇔
𝑑𝑥 𝑑𝑥 = (𝑏 − 𝑎) 𝑑𝑢
𝑑𝑢 =
𝑏−𝑎
1
𝜃 = (𝑏 − 𝑎) ∫ ℎ(𝑎 + (𝑏 − 𝑎)𝑢)(1) 𝑑𝑢
0
= (𝑏 − 𝑎)𝐸[ℎ(𝑎 + (𝑏 − 𝑎)𝑈)],
𝑛
𝑏−𝑎
𝜃𝑛̂ = ∑ ℎ(𝑎 + (𝑏 − 𝑎)𝑢𝑖 ),
𝑛 𝑖=1
Astuce
Astuce (suite)
1 2
0 −2
𝐺 = 2 (∫ 𝑒−𝑥 𝑑𝑥 + ∫ 𝑒−𝑢 (−𝑢−2 ) 𝑑𝑢)
0 1
1 2
1 −2
= 2 (∫ 𝑒−𝑥 𝑑𝑥 + ∫ 𝑒−𝑢 𝑢−2 𝑑𝑢)
0 0
1 2 −2
= 2 ∫ (𝑒−𝑥 + 𝑒−𝑥 𝑥−2 ) 𝑑𝑥.
0
5
𝜃 = ∫ 𝑥11/5 𝑒−𝑥/10 𝑑𝑥.
2
Parce que l’exposant de 𝑥 n’est pas un entier, on ne peut évaluer cette inté-
grale par parties. Cependant, on remarque que la fonction à intégrer est, à
une constante près, la densité d’une loi gamma :
5
𝜃 = ∫ 𝑥11/5 𝑒−𝑥/10 𝑑𝑥
2
16/5
Γ ( 16
5 )
5 1
( 10 )
= 16/5
∫ 𝑥16/5−1 𝑒−𝑥/10 𝑑𝑥
1
( 10 ) 2 Γ ( 16
5 )
Γ ( 16
5 ) 16 1 16 1
= 16/5
[𝐺 (5; , ) − 𝐺 (2; , )] ,
1 5 10 5 10
( 10 )
𝑛
3 11/5 −𝑥𝑖 /10
𝜃𝑛̂ = ∑𝑥 𝑒
𝑛 𝑖=1 𝑖
est une estimation de 𝜃. On a obtenu les résultats suivants avec R (voir aussi
la figure 9.2) :
> f <- function(x) x^2.2 * exp(-x/10)
> x <- runif(1e2, 2, 5)
> 3 * mean(f(x))
[1] 34.20083
> x <- runif(1e3, 2, 5)
> 3 * mean(f(x))
[1] 34.35818
> x <- runif(1e4, 2, 5)
> 3 * mean(f(x))
[1] 34.77787
> x <- runif(1e5, 2, 5)
> 3 * mean(f(x))
[1] 34.48
> x <- runif(1e6, 2, 5)
> 3 * mean(f(x))
[1] 34.51308
5/4 5/4
𝜃=∫ ∫ 2 2
√4 − 𝑥 − 𝑦 𝑑𝑦 𝑑𝑥.
0 0
La procédure à suivre avec les intégrales multiples est la même qu’avec les
intégrales simples, sauf que l’on tire des points uniformément dans autant
9.2. Méthode Monte Carlo 57
●
●
20
●●
20
●●
●
●●
●
●●●
●
●●
●
●
●
●●●
●●
15
15
●●
●
●
●●
●●
f(x)
f(x)
●●
●
●●
●
●●
●
●●
10
10
●
●
●
●
●
● ●
●●
●
●●●
●
●●●
●
●●
●
●
●●
●
5
5
●●
●●
●
2.0 3.0 4.0 5.0 2.0 2.5 3.0 3.5 4.0 4.5 5.0
x x
n = 1000 n = 10 000
●
●●
● ●●
●
●
20
●
20
●
●
●●
● ●
●
●●
●
●●
●
●
● ●●
●
●
●●
●
●
●
●● ●
●
●●
●
●
●●
●
● ●●
●
●
●●
●
●
●●
● ●
●
●●
●
●
●●
●
● ●
●
●
●●
●
●
●● ●
●●
●
●
●
●●
●
●
●● ●
●
●●
●
●
● ●
●●
15
15
●●
●
● ●
●
●●
●
●
●
●●
● ●
●●
●
●
●
●●
●
●● ●
●
●
●●
●
●
●●
●
● ●
●●
●
●
●
● ●
f(x)
f(x)
●●
●
●
● ●●
●
●
●●
●
●
●●
● ●
●
●●
●
●
●
●
●●
●
● ●
●
●●
●
●
●
●
●●
●
●● ●●
●
●
●●
●●
● ●●
●
●
10
10
●
●
●
●●
● ●
●
●●
●
●
●
●●
●
● ●
●●
●
●
●●
●
●●
●● ●●
●
●
●●
●
●●
●
●
●●
● ●
●
●
●●
●
●
●●
●
●●
● ●
●
●
●●
●
●
●●
●
●●
●
● ●
●
●
●●
●
●
●
●●
●
●●
●
● ●
●
●
●●
●
●
●●
●
●●
●
● ●
●
●
●●
●
●
●
●
●●
●
●●
●
● ●●
●
●
●●
●
●
●
●
●
●● ●
●
●●
●
●
5
5
●
●
●●
●
● ●
●
●
●●
●
●
●●
●
●●
●
●●
●
●
● ●
●●
●
●
●●
●
●
●
●
● ●
●
x x
5/4 5/4
𝜃=∫ ∫ 2 2
√4 − 𝑥 − 𝑦 𝑑𝑦 𝑑𝑥
0 0
25 5/4 5/4
∫ ∫ 2 2 1
= √4 − 𝑥 − 𝑦 𝑑𝑦 𝑑𝑥
16 0 0 ( 54 ) ( 54 )
25
= 𝐸[√4 − 𝑋2 − 𝑌2 ] ,
16
partir d’un échantillon {(𝑥1 , 𝑦1 ), … , (𝑥𝑛 , 𝑦𝑛 )} tiré de cette loi conjointe est
𝑛
25
𝜃𝑛̂ = 2 2
∑ 4 − 𝑥𝑖 − 𝑦𝑖 .
16𝑛 𝑖=1 √
Solution du problème
En posant
1 2 −2
𝜃 = 2 ∫ (𝑒−𝑥 + 𝑒−𝑥 𝑥−2 ) 𝑑𝑥
0
2 −2
= 2𝐸[𝑒−𝑈 + 𝑒−𝑈 𝑈−2 ],
z
●
x
0.5 0.5
y 1.0 y 1.0
1.0 1.0
n = 1000 n = 10 000
●
● ● ●
●●●
●
●●
●
●
●●● ●●●● ●
●●
●
●●●
●
●●
●
●
●●
●●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●●
●
●
●●
●●
●●
●●
●
●
●
●
●●●
●
●●● ●
●●
●●
●
●●
●
●●
●●
●
● ●●
●●
●●●●
● ●
●●
●●
●
●
●
●●
●●
●
●●●
●
●
●●
●
●
●
●●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●●
●
●
●●
●
●
●
●●
●
●
●●
●●
● ●●●●
●●● ●● ●●●●●
● ● ●● ●●●
●●● ●
●
●
●●
●●
●
●
●●
●
●●
●●
●
●●
●
●●
●
●●●
●●
●
●
●●●
●
●
●●●
●
●
●●●
●●
●●
●
●●
●
●●
●●
●
●●
●
●●
●●
●
●●●
●●
●
●
●● ●●● ●
●●●
● ●● ●
●●●●
●●
●
● ●●● ●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●●
●●
●
●●
●
●
●●
●●
●
●
●●
●
●●
●●
●
●
●
●●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●
●●●
●
●
●●
●
●
●●
●
●
●
●●
●●
●
●●
●
●
●
●●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●●●●
●
●●
●● ●●●●●
●●
●
●●●●●
●
●●
●
●
●
●●
●
●●●●
●●
●
●●●●●● ●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●●
●
● ●● ●
●● ●
● ●
●●
●●●
● ●●●●●
● ●●●●●● ● ●
●●●● ●
●
●●●
●
● ●●
●
●●●
●
●
●●
●●
●●
●
●
●●
●●
●
●
●●
●
●●
●●
●●
●
●●
●
●
●●
●
●●
●
●●
●●
●
●●
●●
●
●●●
●●
●
●
●●
●
●●
●●
●●
●
●
●●●
●
●●
●
●●●
●●
●●
●
●●
●
●●
●●
●
●
●●
●●
●
●●
●●
2.0 ●
●
●●●
● ●●
●
●
●
●●
●
● ●●
●●●●
●
●
● ●●
●●
●●
●●
●
● ●●●●●
●
●●
●
● ●
●●●●● ●
●●● ●●
●●
●
●●●●
●
●●●●●
●
●
●
● ●
●●
●●
● 2.0 ●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●●●
●●●
● ●●●●●
●●●● ●●●●● ●●●●
● ●●●●●●●●●
● ●● ●
●●● ●● ●
●●
●●
● ●
●●●
●●●
● ●●
●
●
●●
●
●●
●
●●
●
●●
●
●●
●●
●
●●
●
●●●
●●
●
●●
●
●●
●
●
●
●●
●
●●
●
●
●
●●
●
●●
●
●●
●
●
●●
●
●
●●
●
●●
●
●●
●●●
●
●
●●
●
●
●●
●●
●
●
●
●●
●●
●
●●●
●
●
●●
●
●●
●
●●
●●
●●
●
●
●●
●
●●
●●
●
●
●●
●
●●
●
●●
●
●●
●
●
●●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●●
●●
●●
● ●
● ● ●
● ●
●
●● ● ● ●●● ● ● ●● ●
●●●●●
● ● ● ●
●
●● ●●● ●●
●●●●●
● ●●●
● ●●
●
●
●●
●●●●●
●
●●
●●
●
●● ●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●●
●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●●
●
●
●
●
●
●
●
●
●
●●●
●
●
●
●
●●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●● ●●
● ● ● ● ●
● ●●
● ●●●●●●● ● ● ● ●
●●●●●● ●
●
●●
●
●
●●
●
●
●●●
●
●
●●
●
●●
●●
●●
●
●●
●●
●
●
●
●●●
●
● ●
●
●
●●
●
●
●
●●
●
●
●●
●●
●
●
●●
●●
●
●●
●●
●●
●
●●●
●
●●
●
●●
●
●●
●●
●
●●
●●
●
●
●●
●
●
●
●●
●
●●●
●
●
●●
●
●●
●
●
●●
●
●
●
●●
●
●●
●
●●
●●
●
●●
●
●
●●●
●●
●●
●●
●●
●
●
●
●●
●
●
●●
●
●●
●●
●
●
●●
●●
●
●
●
●●
●
●
●
●●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●●●
● ●
●● ●●●●
●
● ●●●● ● ●
● ● ●● ●
●●● ●●
● ● ●
●● ●●● ●
●●●● ● ● ● ●●●●
● ●
●●●
● ●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●●
●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●●
●
●●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●●
●● ● ●● ● ●●●●
●●
●
●●●●● ● ●● ●
●●
●●●●● ●●● ●●●●● ●
●
● ● ● ●●● ●● ●
●●● ●
●
●●●
● ●●
●●● ●● ●● ●
●
● ●
●
●●
●●
●●● ●●●●● ●●
●●● ●●
●●●
● ●●●●
●● ●
●●●●●●
●●●
●●●
●
●
●● ●
●●● ● ●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●●● ● ●●●
●
●● ●● ●
● ●● ● ●● ●● ●
●● ●●● ●● ●● ● ●
●
●●●
●
●
●●●
●
●
●●
●●●
●
●●●
●●●
●
●●
●
●●●●
●
●●●
●
●●●
●●
●●
●
●●
●
●●
●●
●
●●
●
●
●
●●
●
●
●
●●
●
●●
●
●●
●
●●●
●
●●
●
●
●●
●
●
●
●●
●●
●●
●●
●
●●
●
●
●
●●
●●●
●●
●
●
●●●
●
●●
●●
● ●
●
●
●●
●
●●
●●
●●
●
●●
●
●
●●
●
●
●●
●
●
●●●
●●●
●●
●
●●
●●
●●
●
●
●
●●
●
●
1.5 ●●●●●● ●● ● ●
●●
● ● ● ●●●
● ●
● ●● ●● ● ● ● ● ● ●●
● ●●
●
● ● ● 1.5
●●
●●●
●●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
● ●
●●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●● ●
●● ● ● ● ●●● ●●●● ●● ●●● ●●
●●
●●●
●●●
●
●●●
● ●
●
●●
●
●●
●
●
●
●●
●
●●
●
● ●
●●●
●●
●●
●
●●
●●
●●
●●
●●
●
●
●●
●●
●
●●
●●
●
●
●
●●
●
● ●
●
●
●●
●
●
●●
●
●
●●
●●
●
●
●●
●
●●
●●
●●
●
●
●
●
●
●
●
● ●
●●
●
●●
●
●●
●
●
●●
●●
●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●●
●
●
●●
●
●
●●
●●
●
●●
●
●
●●
●
●
●
●●●● ●●● ●●● ●● ●●● ● ● ● ●●
●●●●
●●
●●●●
● ●
●
●●●
●●
●●●●●
●●●
● ● ●
●●●●
●●
●
● ●
●
●●●
●
●●
●●
●●
●
●●●●
● ●●●●
●
●●
●
●●
● ●
●●
●●●
●
●
●● ●
●●●● ●● ●● ●● ● ●● ●●●● ●●
●●
●●
●●
●
●
●●
●●●
●●
●
●●
●●
●
●
●●
●●
●
●●
●●●
●●●
●
●●
●●
●●
●
●●
●
●●
●●●●
●●
●●
●
●●
●●
●
●●
●
●●
●●
●
●●●
●
●●
●
●●●
●
●●
●
●●
●
●
●
●
●
●
●●
●●
●●
●●●
●●
●
●
●●
●
●● ● ●
● ●● ●●
●●●
●● ● ● ●● ●● ●●●
● ●
●●
●
●●
●
●
●●
●
●
●●
●●
●
●
●●
●
●
●●
●●
●
●●
●●
●
●
●
●
●
●●
●
●●
●
●●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●●●
●
●●
●
●
●
●
●
●
●●
●●
●
●
●
●●
●
●●
●●
●●
●
●
●●
●
●●
● ●●
●
●●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●●
●●
●
●
●●
●● ●● ● ●●● ● ●● ●●
●● ●
●
●● ●●
●●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
●●
●
●
●
●
●
●
●●●
●●
●
●●
●
●
●
●
●
●●
●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●● ● ● ●● ● ●● ● ● ●
●
●●
●●
●●
●● ●
●
●
●
●
●
●
●
●●
●●
●
●
●
●●
●●
●
●
●●●
●
●
●●
●●
●
●●
●●●
●
●
●
●
●
●
●●
●
●●●
●
●
●●
●
● ●
●●
●
●●
●
●
●
●
●●
● ●
●
●
●●
●
●
1.0 ● ●●●
●
●
● ● ● ●
●● 1.0 ●●●●
●●●●
●●
●●● ●
●
●●
●●
●
●●●●
●●
●●
●●●
●●●●●
●
●
●●
● ●
●
●●
●
●
●●
●
●●
●
●●
●
●
●
●●●
●
● ● ● ● ● ● ●
● ● ●● ●●
z
● ● ● ●● ●●
●●
● ●
●
●●●
●●
●
● ● ●
● ●●
●●●
●●
● ●
●
●● ●●●
●
●●●
●●● ● ●●
●
● ● ●● ●●●
●
●
●
●●
●
●
●
●
●
●●
●
●●
●
●●
●●
●
●●●
●●
●
●
●
●●
●●●
●●●
●●
●●
●
●●●
●
●●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●● ● ● ●●●
● ●●
● ●●●●●
●●
● ●●
● ● ● ●
●
● ●● ● ●● ●
●●
●
●
●●●
●
●●
●●
●
●●
●●●●
●
●
●
●
●●●
●●●●●
●●
●
●●
●
●●
●●
● ● ● ● ●
●
●●● ●
●● ●● ●●
● ●●● ● ● ●●
● ●● ● ●●
●
●
●
●●●
●●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●●
●
●●
●
●●
●●
●●
0.5 ●●●
●
0.0 0.5 ● ●
●
●
●●
●
●●
●●
●
●
●
●
●●●
●
●●●●
●
●●
●
●●
●●
0.0
● ● ●●
●
●●
●
●●
●●●
●
● ●●●
●● ● ●●
●●
●●
●●
●●
● ●●
0.0 0.5 0.0 ●
●
0.5
0.0 0.0
x
0.5
y
0.5
y x
1.0 1.0
1.0 1.0
###
### EXEMPLE 9.1
###
x <- runif(1e2, 2, 5)
plot(x, f(x), main = "n = 100",
pch = 21, bg = "lightblue")
x <- runif(1e3, 2, 5)
plot(x, f(x), main = "n = 1000",
pch = 21, bg = "lightblue")
x <- runif(1e4, 2, 5)
plot(x, f(x), main = "n = 10 000",
pch = 21, bg = "lightblue")
###
### EXEMPLE 9.2
###
9.4 Exercices
9.1 Évaluer l’intégrale
1
∫ ln(5𝑥 + 4) 𝑑𝑥
0
Réponses
9.1 Valeur exacte : 1,845969
9.3 Valeur exacte : −0,055292
A Planification d’une simulation
en R
A.1 Contexte
Soit 𝑋1 , … , 𝑋𝑛 un échantillon aléatoire tiré d’une population distribuée
selon une loi uniforme sur l’intervalle (𝜃 − 12 , 𝜃 + 12 ). On considère trois
estimateurs sans biais du paramètre inconnu 𝜃 :
1. la moyenne arithmétique
𝑛
1
𝜃1̂ = ∑ 𝑋𝑖 ;
𝑛 𝑖=1
2. la médiane empirique
65
66 Planification d’une simulation en R
$variances
Moyenne Mediane Mi-etendue
8.572973e-04 2.508839e-03 5.089191e-05
for (i in 1:nsimul)
{
u <- runif(size, a, b)
x[, i] <- c(mean(u), median(u), mean(range(u)))
}
$variances
Moyenne Mediane Mi-etendue
8.355096e-04 2.439433e-03 4.846859e-05
Il est généralement plus facile de déboguer le code avec cette approche
70 Planification d’une simulation en R
$variances
Moyenne Mediane Mi-etendue
8.270556e-04 2.393265e-03 4.947375e-05
La sortie de cette commande (et donc tous les résultats des expressions R du
fichier go.R) seront placés par défaut dans le fichier go.Rout. Sous Windows,
le dossier d’installation de R peut ne pas se trouver dans la variable d’envi-
ronnement %PATH%, auquel cas il faut spécifier le chemin d’accès complet de
l’exécutable à la ligne de commande :
"c:\Program Files\R\R-x.y.z\bin\R" CMD BATCH go.R
Remplacer R-x.y.z par le numéro de version courant de R.
A.7 Conclusion
Le nombre de simulations, 𝑁, et la taille de l’échantillon, 𝑛, ont tous deux
un impact sur la qualité des résultats, mais de manière différente. Quand
𝑛 augmente, la précision des estimateurs augmente. Ainsi, dans l’exemple
ci-dessus, le biais et la variance des estimateurs de 𝜃 seront plus faibles.
D’autre part, l’augmentation du nombre de simulations diminue l’impact
des échantillons aléatoires individuels et, de ce fait, améliore la fiabilité des
conclusions de l’étude.
D’ailleurs, les conclusions de l’étude de simulation sur le biais et la va-
riance des trois estimateurs de la moyenne d’une loi uniforme sont les sui-
vantes : les trois estimateurs sont sans biais et la mi-étendue a la plus faible
variance. En effet, on peut démontrer mathématiquement que, pour 𝑛 im-
pair,
1
Var[𝜃1̂ ] =
12𝑛
1
Var[𝜃2̂ ] =
4𝑛 + 2
1
Var[𝜃3̂ ] =
2(𝑛 + 1)(𝑛 + 2)
et donc
Var[𝜃3̂ ] ≤ Var[𝜃1̂ ] ≤ Var[𝜃2̂ ]
pour tout 𝑛 ≥ 2.
B Transformations de variables
aléatoires
𝑌 = 𝑋2
𝑋 − 𝐸[𝑋]
𝑌=
√Var[𝑋]
𝑋1 + ⋯ + 𝑋𝑛
𝑌=
𝑛
𝑌 = 𝐹𝑋 (𝑋).
73
74 Transformations de variables aléatoires
𝐹𝑌 (𝑦) = Pr[𝑌 ≤ 𝑦]
= Pr[𝑢(𝑋1 , … , 𝑋𝑛 ) ≤ 𝑦],
𝐹𝑌 (𝑦) = Pr[𝑋3 ≤ 𝑦]
= Pr[𝑋 ≤ 𝑦1/3 ]
= 𝐹𝑋 (𝑦1/3 )
𝑦1/3
=∫ 6𝑥(1 − 𝑥) 𝑑𝑥
0
= 3𝑦2/3 − 2𝑦, 0 < 𝑦 < 1,
et donc
Exemple B.2. Soit 𝑋 une variable aléatoire continue quelconque avec fonc-
tion de répartition 𝐹𝑋 (𝑥) et 𝑌 = 𝑎𝑋+𝑏, où 𝑎 et 𝑏 sont des constantes réelles.
On a
𝐹𝑌 (𝑦) = Pr[𝑎𝑋 + 𝑏 ≤ 𝑦]
𝑦−𝑏
= 𝐹𝑋 ( )
𝑎
B.1. Technique de la fonction de répartition 75
1 𝑦−𝑏
𝑓𝑌 (𝑦) = 𝑓𝑋 ( ).
𝑎 𝑎
Exemple B.3. Soit 𝑋 une variable aléatoire continue quelconque avec densité
𝑓𝑋 (𝑥). On cherche la densité de 𝑌 = |𝑋|. Premièrement, il convient de remar-
quer que 𝑌 est définie au plus sur les réels positifs, même si 𝑋 est définie
sur tout l’axe des réels. Par la technique de la fonction de répartition,
𝐹𝑌 (𝑦) = Pr[|𝑋| ≤ 𝑦]
= Pr[−𝑦 < 𝑋 < 𝑦]
= 𝐹𝑋 (𝑦) − 𝐹𝑋 (−𝑦)
et
𝑓𝑋 (𝑥) = 𝜙(𝑥)
1 1 2
= 𝑒− 2 𝑥 .
√2𝜋
𝑓𝑋1 𝑋2 (𝑥1 , 𝑥2 ) = 𝑓𝑋1 (𝑥1 ) = 𝑓𝑋2 (𝑥2 ) = 1, 0 < 𝑥1 < 1, 0 < 𝑥2 < 1.
1 𝑦−𝑥2
𝐹𝑌 (𝑦) = (𝑦 − 1)(1) + ∫ ∫ 𝑑𝑥1 𝑑𝑥2
𝑦−1 0
1
=1− (2 − 𝑦)2 .
2
⎧
⎪
⎪0, 𝑦≤0
⎪
⎪
⎪
⎪ 1 𝑦2 , 0<𝑦≤1
2
𝐹𝑌 (𝑦) =
⎨
⎪
⎪
2
1 − 12 (2 − 𝑦) , 1 < 𝑦 < 2
⎪
⎪
⎪
⎪
⎩1, 𝑦>2
et
⎧
⎪
⎪0, 𝑦≤0
⎪
⎪
⎪
⎪𝑦, 0<𝑦≤1
𝑓𝑌 (𝑦) =
⎨
⎪
⎪2 − 𝑦, 1 < 𝑦 < 2
⎪
⎪
⎪
⎪
⎩0, 𝑦 > 2.
B.2. Technique du changement de variable univariée 77
Pr[𝑌 = 𝑦] = Pr[𝑢(𝑋) = 𝑦]
= Pr[𝑋 = 𝑢−1 (𝑦)].
⎧
⎪
⎪1/16, 𝑥=0
⎪
⎪
⎪
⎪
⎪
⎪4/16, 𝑥=1
⎪
Pr[𝑋 = 𝑥] = 6/16, 𝑥=2
⎨
⎪
⎪
⎪
⎪
⎪4/16, 𝑥=3
⎪
⎪
⎪
⎪
⎩1/16, 𝑥 = 4.
et donc
6
Pr[𝑌 = 0] = Pr[𝑋 = 2] =
16
10
Pr[𝑌 = 1] = Pr[𝑋 = 1] + Pr[𝑋 = 3] =
16
2
Pr[𝑌 = 4] = Pr[𝑋 = 0] + Pr[𝑋 = 4] = .
16
78 Transformations de variables aléatoires
𝑏
Pr[𝑎 < 𝑌 < 𝑏] = ∫ 𝑓𝑋 (𝑤(𝑦)) 𝑤′ (𝑦) 𝑑𝑦,
𝑎
𝑤(𝑦) = 𝑢−1 (𝑦) = 𝑒−𝑦/2 et 𝑤′ (𝑦) = − 12 𝑒−𝑦/2 . Par le théorème B.1, on ob-
tient
1 −𝑦/2
𝑓𝑌 (𝑦) = 𝑓𝑋 (𝑒−𝑦/2 ) |− 𝑒 |
2
1 −𝑦/2
= 𝑒
2
1/2 1−1 −𝑦/2
= 𝑦 𝑒 , 𝑦 > 0,
Γ(1)
𝑦−1/2
𝑓𝑌 (𝑦) = 𝑓𝑋 (√𝑦) | |
2
𝑦−1/2
= 𝑒−𝑦/2
√2𝜋
( 12 )1/2
= 𝑦−1/2 𝑒−𝑦/2 , 𝑦 > 0,
Γ( 12 )
soit 𝑌 ∼ 𝜒2 (1).
où
𝑤1 (𝑦1 , 𝑦2 ) = 𝑢−1
1 (𝑥1 , 𝑥2 )
𝑤2 (𝑦1 , 𝑦2 ) = 𝑢−1
2 (𝑥1 , 𝑥2 ).
𝑌1 = 𝑋1 + 𝑋2 𝑋1 = 𝑌1 − 𝑌2
⇔
𝑌2 = 𝑋2 𝑋2 = 𝑌2 .
Pr[𝑌1 = 𝑦1 , 𝑌2 = 𝑦2 ] = Pr[𝑋1 + 𝑋2 = 𝑦1 , 𝑋2 = 𝑦2 ]
= Pr[𝑋1 = 𝑦1 − 𝑦2 , 𝑋2 = 𝑦2 ]
= Pr[𝑋1 = 𝑦1 − 𝑦2 ] Pr[𝑋2 = 𝑦2 ]
𝑦 −𝑦 𝑦
𝜆1 1 2 𝑒−𝜆1 𝜆2 2 𝑒−𝜆2
=
(𝑦1 − 𝑦2 )! 𝑦2 !
B.3. Technique du changement de variable multivariée 81
et donc
𝑦1 𝑦 −𝑦 𝑦
𝜆1 1 2 𝜆2 2 𝑒−(𝜆1 +𝜆2 )
Pr[𝑌1 = 𝑦1 ] = ∑
𝑦2 =0
(𝑦1 − 𝑦2 )! 𝑦2 !
𝑦1
𝑒−(𝜆1 +𝜆2 ) 𝑦1 ! 𝑦 −𝑦 𝑦
= ∑ 𝜆1 1 2 𝜆2 2
𝑦1 ! 𝑦 =0
(𝑦1 − 𝑦2 )! 𝑦2 !
2
𝑦1
𝑒−(𝜆1 +𝜆2 ) 𝑦1 𝑦1 −𝑦2 𝑦2
= ∑ ( )𝜆1 𝜆2
𝑦1 ! 𝑦 =0
𝑦2
2
𝑒−(𝜆1 +𝜆2 )
= (𝜆1 + 𝜆2 )𝑦1 ,
𝑦1 !
soit 𝑌 ∼ Poisson(𝜆1 + 𝜆2 ).
où
|| 𝜕𝑥1 𝜕𝑥1 |
|
|| 𝜕𝑦 𝜕𝑦2 ||
1
𝐽 = || ||
|| 𝜕𝑥2 𝜕𝑥2 ||
|| |
𝜕𝑦1 𝜕𝑦2 |
est appelé le Jacobien de la transformation.
82 Transformations de variables aléatoires
et
𝑓𝑌1 𝑌2 (𝑦1 , 𝑦2 )
𝑓𝑌2 (𝑦1 , 𝑦2 ) =
𝑓𝑌1 (𝑦1 , 𝑦2 )
Γ(𝛼 + 𝜂) 𝛼−1
= 𝑦 (1 − 𝑦2 )𝜂−1 , 0 < 𝑦2 < 1.
Γ(𝛼)Γ(𝜂) 2
Chapitre 7
7.1 Dans tous les cas, le générateur de nombres aléatoires est
𝑥𝑖 = (𝑎𝑥𝑖−1 + 𝑐) mod 𝑚
𝑎𝑥𝑖−1 + 𝑐
= (𝑎𝑥𝑖−1 + 𝑐) − ⌊ ⌋𝑚
𝑚
85
86 Solutions des exercices
b) Similaire à la partie a), sauf que les nombres sont générés avec
> x <- rand(n = 500, a = 85, c = 0, m = 2^13 - 1,
+ seed = 19)
b) > library(rgl)
> u <- rand(n = 1002, a = 65539, c = 0, m = 2^31,
+ seed = 19)/2^31
> plot3d(u[1:1000], u[2:1001], u[3:1002])
Solutions des exercices 87
8000
● ● ● ● ● ● ●
●
● ● ●
● ● ● ● ●
● ● ● ● ●
● ● ●
● ● ●
● ●
● ● ● ●
● ● ● ● ●
● ● ● ●
● ● ● ● ●
● ● ● ● ● ● ● ●
● ● ● ● ● ● ● ●
● ● ● ● ● ● ●
● ● ●
● ● ●
● ● ● ● ●
●
●
● ● ●
● ● ● ● ● ●
● ● ● ● ●
● ●
●
6000
● ● ● ● ● ●
● ● ●
● ● ● ● ● ●
● ● ● ● ●
● ● ●
● ● ● ●
● ● ● ● ● ● ●
● ● ● ● ● ●
● ● ● ●
● ● ● ●
● ● ● ● ● ● ● ●
● ● ● ●
● ●
● ●
● ●
● ● ● ●
● ● ● ●
● ●
● ● ● ●
● ● ●
● ●
● ● ●
●
● ● ●
● ● ● ●
●
● ● ● ● ● ● ●
● ●
●
● ● ● ● ●
● ● ● ● ● ●
4000
● ● ● ● ●
xi+1
● ● ● ● ● ● ● ● ●
● ● ● ● ● ●
●
● ● ● ● ● ● ●
● ● ●
● ● ●
● ● ● ● ● ●
● ● ● ●
● ● ● ●
● ● ● ● ● ● ● ●
●
● ● ● ● ●
● ●
● ● ● ●
●
● ● ● ● ●
●
● ● ● ●
● ● ● ● ● ● ●
● ● ● ●
● ●
● ● ● ● ●
● ● ● ● ●
● ●
● ● ● ● ● ●
2000
● ● ● ● ● ●
● ● ● ● ●
● ● ●
● ● ● ●
●
● ● ● ● ●
● ● ● ● ●
● ● ● ●
● ● ●
● ● ● ●
● ● ● ● ● ● ●
●
●
● ● ●
● ● ● ●
● ● ● ● ●
● ●
● ● ● ● ●
● ● ● ● ● ●
● ● ● ● ● ● ●
● ● ● ● ●
● ● ● ●
● ● ● ●
● ●
● ●
● ●
● ● ● ● ●
● ● ● ●
● ● ● ●
0
xi
Chapitre 8
8.1 a) Tout d’abord, on voit que
cos(2𝜋𝑈2 ) ∈ (−1, 1)
sin(2𝜋𝑈2 ) ∈ (−1, 1)
et
8000
● ● ● ● ●● ● ●● ● ● ● ●
● ● ● ● ● ● ●
● ● ● ● ●
● ● ● ● ●●
● ● ● ● ● ● ●●●● ●●
●
●
●
● ● ●● ● ● ● ● ● ●
● ●● ●●
● ● ●
●
● ● ●● ● ● ● ● ● ● ● ●
● ● ● ● ● ●
● ● ● ● ● ● ● ●●
● ● ● ● ●
● ● ● ●● ● ● ● ● ● ● ●● ● ● ● ●●
6000
● ● ●●
● ● ●● ● ● ● ●
● ● ● ● ● ● ●
● ● ●● ● ● ●
●● ● ●●● ● ● ●● ●
● ● ● ●
●
● ● ● ● ●● ●● ● ●● ● ● ●
●
● ● ● ●
● ●● ●
●● ● ● ● ●● ● ●
● ● ● ●
● ●
● ● ●
● ● ●● ● ● ● ● ●
●● ● ● ● ●
●
● ●●
● ●● ● ● ● ●● ● ●●●
● ● ● ● ●●
● ● ●●
● ● ●●● ●
4000
● ●
xi+1
● ● ● ● ●
● ● ● ● ● ●
● ● ● ● ●● ● ● ●
● ● ● ● ● ● ● ● ●
● ● ●●
●● ● ● ●
● ●
● ●
● ● ● ● ●● ● ● ●● ●
● ● ●
●
● ● ●● ● ●
● ●● ●● ● ● ●
● ● ●
● ●
● ●●● ● ● ● ●
● ● ● ● ●
● ●
● ● ● ● ● ●
●● ●●● ● ● ●● ●
2000
●
● ●●● ●● ● ●● ● ● ● ●● ●
●
●
● ●●● ●
● ● ● ● ● ● ●● ● ●
● ●
● ●● ● ● ● ● ●
● ●●● ●● ● ● ● ● ●● ● ● ●●
● ●●● ●● ● ● ● ● ● ●
● ● ●
● ● ●
● ● ● ●● ● ● ● ● ●● ●
● ● ●● ●
● ●
●
● ●● ●
●
● ● ● ● ● ● ●
● ● ● ● ● ● ● ●
● ● ● ●
●●●
●
● ● ● ● ●● ● ● ● ● ● ●
●
● ●● ● ●● ●
0
xi
b) On a
Or, puisque sin2 (𝑥) + cos2 (𝑥) = 1, 𝑋12 + 𝑥22 = −2 log 𝑈1 , d’où 𝑈1 =
2 2
𝑒−(𝑋1 +𝑋2 )/2 . D’autre part, sin(𝑥)/ cos(𝑥) = tan(𝑥), donc tan(2𝜋𝑈2 ) =
𝑋2 /𝑋1 ou, de manière équivalente, 𝑈2 = (2𝜋)−1 arctan 𝑋2 /𝑋1 .
c) Soit les fonctions
2 2
𝑥1 (𝑢1 , 𝑢2 ) = (−2 log 𝑢1 )1/2 cos(2𝜋𝑢2 ) 𝑢1 (𝑥1 ,𝑥2 ) = 𝑒−(𝑥1 +𝑥2 )/2
1 𝑥2
𝑥2 (𝑢1 , 𝑢2 ) = (−2 log 𝑢1 )1/2 sin(2𝜋𝑢2 ) 𝑢2 (𝑥1 , 𝑥2 ) = arctan .
2𝜋 𝑥1
Solutions des exercices 89
𝑓𝑋1 ,𝑋2 (𝑥1 , 𝑥2 ) = 𝑓𝑈1 ,𝑈2 (𝑥1 (𝑢1 , 𝑢2 ), 𝑥2 (𝑢1 ,𝑢2 ))| det(𝐽)|,
où
𝜕𝑢1 𝜕𝑢1 2 2
−𝑥1 𝑒−(𝑥1 +𝑥2 )/2
2
−𝑥2 𝑒−(𝑥1 +𝑥2 )/2
2
⎡ 𝜕𝑥1 ⎤
𝜕𝑥2 ⎥ ⎢⎡ ⎤
𝐽=⎢
⎢ ⎥= 𝑥1 ⎥ .
⎥
⎢ 𝜕𝑢2 𝜕𝑢2 ⎥ ⎢ − 1 𝑥2 1
⎣ 𝜕𝑥1 𝜕𝑥2 ⎦ ⎣ 2𝜋 𝑥1 + 𝑥22
2 2𝜋 𝑥12 + 𝑥22 ⎦
Or,
d’où
1 2 1 2
𝑓𝑋1 ,𝑋2 (𝑥1 , 𝑥2 ) = 𝑒−𝑥1 /2 ⋅ 𝑒−𝑥2 /2 .
√2𝜋 √2𝜋
Par conséquent, 𝑋1 et 𝑋2 sont deux variables aléatoires 𝑁(0, 1) indé-
pendantes.
1.0
3
2
0.8
1
0.6
u2
x2
0
0.1
5
0.0
0.02
0.4
0.
0.01
0.0
1
0.0
2
6
4
−1
0.2
−2
0.0
−3
0.0 0.2 0.4 0.6 0.8 1.0 −3 −2 −1 0 1 2 3
u1 x1
⎧ 1 𝑒𝜆𝑥 , 𝑥<0
2
𝐹𝑌 (𝑦) =
⎨1 − 1 𝑒−𝜆𝑥 , 𝑥 ≥ 0,
⎩ 2
d’où
Pr[𝐾 = 0] = Pr[⌊𝑋⌋ = 0]
= Pr[0 ≤ 𝑋 < 1]
= 𝐹𝑋 (1)
= 1 − 𝑒−𝜆 ,
Pr[𝐾 = 1] = Pr[1 ≤ 𝑋 < 2]
= 𝐹𝑋 (2) − 𝐹𝑋 (1)
= (1 − 𝑒−2𝜆 ) − (1 − 𝑒−𝜆 )
= (𝑒−𝜆 − 𝑒−2𝜆 )
= (1 − 𝑒−𝜆 )𝑒−𝜆 ,
𝜆𝛼 Γ(𝛼 + 1)
=
Γ(𝛼) (𝜆 + 𝑥)𝛼+1
𝛼𝜆𝛼
= .
(𝜆 + 𝑥)𝛼+1
𝑥 𝛼𝜆𝛼
𝐹(𝑥) = ∫ 𝑑𝑦
𝜆 𝑦𝛼+1
⎧0, 𝑥≤𝜆
= 𝛼
⎨1 − 𝜆
(𝑥 ) , 𝑥>𝜆
⎩
Solutions des exercices 93
⎧𝜆 , 𝑦=0
𝐹−1 (𝑦) =
⎨ 𝜆 0 < 𝑦 < 1.
⎩ (1−𝑦)1/𝛼 ,
𝜆
𝑋= ∼ Pareto translatée(𝛼, 𝜆).
(1 − 𝑈)1/𝛼
avec une amorce de 12 sont 781, 1 614 et 463. En divisant ces nombres
par 2 048, on obtient des nombres dans l’intervalle (0, 1) :
et
1 𝛽−1
𝑓𝑌1 ,𝑌2 (𝑦1 , 𝑦2 ) = 𝑦𝛼−1 𝑦2 𝑒−(𝑦1 +𝑦2 ) , 𝑦1 > 0, 𝑦2 > 0.
Γ(𝛼)Γ(𝛽) 1
Soit 𝑋1 = 𝑌1 /(𝑌1 + 𝑌2 ) et 𝑋2 = 𝑌1 + 𝑌2 (le choix de 𝑋2 étant justifié
par l’exposant de la distribution conjointe de 𝑌1 et 𝑌2 ). On cherche
Solutions des exercices 95
1.0
1.0
0.8
0.5
0.6
0.0
u2
x2
0.4
−0.5
0.2
−1.0
0.0
0.0 0.2 0.4 0.6 0.8 1.0 −1.0 −0.5 0.0 0.5 1.0
u1 x1
1.5
6
dbeta(x, 2, 3)
1.0
y2
0.5
2
0.0
0.02
9
0.0
65
0.00
5
0.0
0
y1 x
3. Poser 𝑥 = 𝑦1 /(𝑦1 + 𝑦2 ).
c) En R :
> (y <- rgamma(1, alpha, 1))/(y + rgamma(1, beta, 1))
Solutions des exercices 97
8.10 a) On a
𝑓𝑋 (𝑦) ∞ 𝑓𝑋 (𝑦)
Pr [𝑈 ≤ ] = ∫ Pr [𝑈 ≤ |𝑌 = 𝑦] 𝑔𝑌 (𝑦) 𝑑𝑦
𝑐𝑔𝑌 (𝑦) −∞ 𝑐𝑔 𝑌 (𝑦)
∞ 𝑓𝑋 (𝑦)
=∫ 𝑔𝑌 (𝑦) 𝑑𝑦
−∞ 𝑐𝑔𝑌 (𝑦)
1 ∞
= ∫ 𝑓𝑋 (𝑦) 𝑑𝑦
𝑐 −∞
1
= .
𝑐
1 1 𝑧−1
Pr[𝑍 = 𝑧] = ( ) (1 − ) , 𝑧 = 1, 2, … ,
𝑐 𝑐
8.11 a) On pose
𝑐𝑔𝑌 (𝑥) = 𝑀, 𝑎 < 𝑥 < 𝑏,
𝛼−1
𝑥= .
𝛼+𝛽−2
hauteur 𝑀 est
1 1
=
𝑀 𝑓((𝛼 − 1)/(𝛼 + 𝛽 − 2))
1−𝛼 1−𝛽
Γ(𝛼)Γ(𝛽) 𝛼−1 𝛽−1
= ( ) ( ) .
Γ(𝛼 + 𝛽) 𝛼 + 𝛽 − 2 𝛼+𝛽−2
Function betasim()
Dim u1 As Double, u2 As Double, y As Double
Do
u1 = Rnd
u2 = Rnd
y = Ginv(u1)
Loop Until u2 <= dbeta(y, 3, 2) / (1.2 * g(y))
SimuleBeta = y
End Function
Posons
⎧𝑥𝛼−1 /Γ(𝛼), 0 ≤ 𝑥 ≤ 1
𝑐𝑔𝑌 (𝑥) =
⎨𝑒−𝑥 /Γ(𝛼), 𝑥 > 1.
⎩
L’aire totale sous la fonction 𝑐𝑔𝑌 (𝑥) est
1 𝑥𝛼−1 ∞ 𝑒−𝑥 1 1 1
∫ 𝑑𝑥 + ∫ 𝑑𝑥 = ( + ),
0 Γ(𝛼) 1 Γ(𝛼) Γ(𝛼) 𝛼 𝑒
Solutions des exercices 101
d’où
⎧
⎪ 𝑥𝛼−1
⎪
⎪ , 0≤𝑥≤1
𝑔𝑌 (𝑥) = (1/𝛼) −𝑥 + (1/𝑒)
⎨
⎪
⎪ 𝑒
⎪ , 𝑥 > 1,
⎩ (1/𝛼) + (1/𝑒)
𝑒
⎧
⎪
⎪ 𝑥𝛼 , 0≤𝑥≤1
𝛼+𝑒
𝐺𝑌 (𝑥) = 𝑒 −𝑥
⎨
⎪
⎪1 − , 𝑥 > 1,
⎩ (1/𝛼) + (1/𝑒)
et
1/𝛼
⎪( 𝛼 + 𝑒 𝑥)
⎧
, 0 ≤ 𝑥 ≤ 𝑒/(𝛼 + 𝑒)
−1
𝐺𝑌 (𝑥) = 𝑒
⎨
⎪− ln[((1/𝛼) + (1/𝑒))(1 − 𝑥)], 𝑒/(𝛼 + 𝑒) < 𝑥 ≤ 1.
⎩
On remarque que
et
1 −𝑥/𝛼
𝑔𝑌 (𝑥) = 𝑒 .
𝛼
102 Solutions des exercices
𝑓𝑋 (𝑦) 𝑒−𝑦(1−1/𝛼)
𝑢≤ = 𝑦𝛼−1 𝛼−1 −(𝛼−1)
𝑐𝑔𝑌 (𝑦) 𝛼 𝑒
⇕
𝑦 𝑒−𝑦/𝛼
𝑢1/(𝛼−1) ≤ ( ) −1
𝛼 𝑒
⇕
𝑦 𝑦
ln 𝑢 ≤ (𝛼 − 1) [ln ( )− + 1]
𝛼 𝛼
⇕
𝑦 𝑦
− ln 𝑢 > (𝛼 − 1) [ − ln ( ) − 1] .
𝛼 𝛼
Chapitre 9
9.1 On a
1
𝜃 = ∫ ln(5𝑢 + 4) 𝑑𝑥
0
= 𝐸[ln(5𝑈 + 4)],
𝜃 = 𝐸[ln(𝑋)],
𝑛
1
𝜃̂ = ∑ ln(𝑥𝑖 ),
𝑛 𝑖=1
9.2 On pose
1 1
𝜃 = ∫ ∫ 𝑒2𝑥𝑦 ln(3𝑥 + 𝑦2 ) 𝑑𝑥𝑑𝑦
0 0
2𝑋𝑌
= 𝐸[𝑒 ln(3𝑋 + 𝑌2 )],
𝑛
2
𝜃̂ = 2 2 2
∑ (− ln 𝑢𝑖 ) sin(−𝜋 ln 𝑢𝑖 ),
𝑛 𝑖=1
∞ (1/2)3 2 −𝑥/2
𝜃 = 16 ∫ sin(𝜋𝑥) 𝑥 𝑒 𝑑𝑥
0 Γ(3)
= 16𝐸[sin(𝜋𝑋)],
105
Ce document a été produit avec le système de mise en page XƎLATEX. Le texte
principal est en Lucida Bright OT 11 points, les mathématiques en Lucida Bright
Math OT, le code informatique en Lucida Grande Mono DK et les titres en Adobe
Myriad Pro. Des icônes proviennent de la police Font Awesome. Les graphiques ont
été réalisés avec R.