Simulation des lois usuelles avec Matlab 1/25

1 Lois discrtes
1.1 Loi de Bernoulli de paramtre , note Ber()
x {0, 1} , P(X = x) =
x
(1 )
1x
E[X] = V ar[X] = (1 )
fonction generatrice G
X
(t) = E[t
X
] = 1 + t.
1.2 Loi Binomiale de paramtres (n, ), note Bin(n, )
k {0, 1, . . . , n} , P(X = k) = C
k
n

k
(1 )
nk
E[X] = n V ar[X] = n (1 )
fonction generatrice G
X
(t) = E[t
X
] = (1 + t)
n
.
Exemple
On considre une urne contenant N boules, N
1
boule rouges, N
2
= NN
1
boules
noires. On en tire par hasard n boules avec remise . Soit X la variable alatoire
gale au nombre de boules rouges tires. Posons p =
N
1
N
, on a :
P(X = k) = C
k
n
p
k
(1 p)
nk
, k {0, 1, . . . , n}.
Proprits
0.O.0. Si X suit une loi Bin(n, ), alors n X suit une loi Bin(n, 1 ).
0.O.O. Si X
1
, . . . , X
n
sont des variables alatoires indpendantes suivant la mme
loi Ber(), alors S
n
= X
1
+ . . . + X
n
suit une loi Bin(n, ).
K D.GHORBANZADEH
2/25 Simulation des lois usuelles avec Matlab
1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 n=20;
5 theta=0.2;
6 nb=2000;
7 R=binornd(n,theta,nb,1);
8 hist(R)
9 x=0:1:max(R);
10 p1=nb
*
binopdf(x,n,theta);
11 hold on
12 plot(x,p1,
*
k,linewidth,1);
13 box off
14 hold off
rhbino.m
0 1 2 3 4 5 6 7 8 9 10
0
50
100
150
200
250
300
350
400
450

D
.
G
h
o
r
b
a
n
z
a
d
e
h

(
1
9
9
7
)
FIG. 1 simulation de la loi Bin(n, )
K D.GHORBANZADEH
Simulation des lois usuelles avec Matlab 3/25
1.3 Loi gomtrique de paramtre , note G eo()
k N

, P(X = x) = (1 )
k1
E[X] =
1

V ar[X] =
1

2
fonction generatrice G
X
(t) = E[t
X
] =
t
1 (1 )t
.
Remarque
Dans certains ouvrages la loi G eo() est prsente sous la forme :
k N, P(X = x) = (1 )
k
.
1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 theta=.13;
5 nb=500;
6 R = geornd(theta,nb,1);
7 hist(R)
8 x=0:1:max(R);
9 p1=2
*
nb
*
geopdf(x,theta);
10 hold on
11 plot(x,p1,
*
k);
12 box off
13 hold off
rhgeo.m
K D.GHORBANZADEH
4/25 Simulation des lois usuelles avec Matlab
0 5 10 15 20 25 30 35 40 45
0
50
100
150
200
250

D
.
G
h
o
r
b
a
n
z
a
d
e
h

(
1
9
9
7
)
FIG. 2 simulation de la loi G eo()
1.4 Loi Binomiale Ngative de paramtres (n, ), note BN(n, )
n N

, k N, P(X = k) = C
k
n+k1

n
(1 )
k
E[X] =
n

V ar[X] =
n(1 )

2
fonction generatrice G
X
(t) = E[t
X
] =
_
t
1 (1 )t
_
n
.
Proprit
Si X
1
, . . . , X
n
sont des variables alatoires indpendantes suivant la mme loi
G eo(), alors S
n
= X
1
+ . . . + X
n
suit une loi BN(n, ).
K D.GHORBANZADEH
Simulation des lois usuelles avec Matlab 5/25
1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 theta=.3;
5 N=5;
6 nb=500;
7 R = nbinrnd(N,theta,nb,1);
8 hist(R)
9 x=0:1:max(R);
10 p1=3.2
*
nb
*
nbinpdf(x,N,theta);
11 hold on
12 plot(x,p1,
*
k);
13 box off
14 hold off
rhbineg.m
0 5 10 15 20 25 30 35 40 45
0
20
40
60
80
100
120
140

D
.
G
h
o
r
b
a
n
z
a
d
e
h

(
1
9
9
7
)
FIG. 3 simulation de la loi BN(n, )
K D.GHORBANZADEH
6/25 Simulation des lois usuelles avec Matlab
1.5 Loi de Poisson de paramtre , note P()
k N, P(X = k) = e

k
k!
E[X] = V ar[X] =
fonction generatrice G
X
(t) = E[t
X
] = e
(1t)
.
Proprit
Si X
1
, . . . , X
n
sont des variables alatoires indpendantes de lois respectives :
P(
1
), . . . , P(
n
), alors S
n
= X
1
+ . . . + X
n
suit une loi P(
n

k=1

k
).
1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 lambda=7;
5 nb=1000;
6 R = poissrnd(lambda,nb,1);
7 hist(R)
8 x=0:1:max(R)+1;
9 p1=1.7
*
nb
*
poisspdf(x,lambda);
10 hold on
11 plot(x,p1,
*
k,linewidth,1);
12 box off
13 hold off
rhpois.m
K D.GHORBANZADEH
Simulation des lois usuelles avec Matlab 7/25
0 2 4 6 8 10 12 14 16 18
0
50
100
150
200
250
300
350

D
.
G
h
o
r
b
a
n
z
a
d
e
h

(
1
9
9
7
)
FIG. 4 simulation de la loi P()
1.6 Loi Uniforme sur un ensemble de cardinal ni
k {1, . . . , N} , P(X = k) =
1
N
E[X] =
N + 1
2
V ar[X] =
N
2
1
12
.
1.7 Loi dune variable alatoire presque srement gale une
valeur constante x
0
P(X = x
0
) = 1
E[X] = x
0
V ar[X] = 0
fonction generatrice G
X
(t) = E[t
X
] = t
x
0
.
K D.GHORBANZADEH
8/25 Simulation des lois usuelles avec Matlab
2 Lois continues
2.1 Loi Uniforme sur lintervalle [a, b], note U([a, b])
densite f
X
(x) =
1
b a
l 1
[a,b]
(x)
fonction de repartition F
X
(x) =
_

_
0 si x 0
x a
b a
si a < x < b
1 si x b
E[X] =
a + b
2
V ar[X] =
(b a)
2
12
fonction caracteristique
X
(t) = E[e
i tX
] =
e
i bt
e
i at
i t(b a)
.
1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 a=2;
5 b=7;
6 nb=1000;
7 R = unifrnd(a,b,nb,1);
8 hist(R)
9 x = a:0.1:b;
10 p1=.55
*
nb
*
unifpdf(x,a,b);
11 hold on
12 plot(x,p1,k,linewidth,2);
13 box off
14 hold off
rhunif.m
K D.GHORBANZADEH
Simulation des lois usuelles avec Matlab 9/25
2 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7
0
20
40
60
80
100
120

D
.
G
h
o
r
b
a
n
z
a
d
e
h

(
1
9
9
7
)
FIG. 5 simulation de la loi U([a, b])
2.2 Loi Triangulaire sur lintervalle [a, a], note ([a, a])
densite f
X
(x) =
1
a
(1
| x |
a
) l 1
[a,a]
(x)
fonction de repartition F
X
(x) =
_

_
0 si x a
(x + a)
2
2a
2
si a x 0
1
(a x)
2
2a
2
si 0 x < a
1 si x a
E[X] = 0 V ar[X] =
a
2
6
fonction caracteristique
X
(t) = E[e
i tX
] =
_
_
_
sin
at
2
at
2
_
_
_
2
.
K D.GHORBANZADEH
10/25 Simulation des lois usuelles avec Matlab
Proprit
Si X et Y sont deux variables alatoires indpendantes suivant la mme loi U([0, a]),
alors X Y suit une loi ([a, a]).
1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 a=3; nb=1000;
5 X = unifrnd(0,a,nb,1); %loi uniforme
6 Y = unifrnd(0,a,nb,1); %loi uniforme
7 hist(X-Y)
8 x = -1-a:0.1:a+1;
9 p1=.55
*
nb
*
(1/a)
*
(1-abs(x)./a).
*
(x>=-a & x<=a);
10 hold on
11 plot(x,p1,k,linewidth,2);
12 box off
13 hold off
rhtriag.m
4 3 2 1 0 1 2 3 4
0
20
40
60
80
100
120
140
160
180
200

D
.
G
h
o
r
b
a
n
z
a
d
e
h

(
1
9
9
7
)
FIG. 6 simulation de la loi ([a, a])
K D.GHORBANZADEH
Simulation des lois usuelles avec Matlab 11/25
2.3 Loi Normale de paramtres (m,
2
), note N(m,
2
)
densite f
X
(x) =
1

2
e

(x m)
2
2
2
E[X] = m V ar[X] =
2
fonction caracteristique
X
(t) = E[e
i tX
] = exp(i mt
1
2

2
t
2
)
transformee de Laplace
X
(t) = E[e
tX
] = exp(mt +
1
2

2
t
2
).
Proprits
O.O.0. La densit et la fonction de rpartition de la loi N(0, 1) sont notes par :
(x) =
1

2
e

x
2
2
(x) =
_
x

(t) dt.
O.O.O. Pour x R on a : (x) + (x) = 1.
O.O.O. Pour ]0, 1[ on a :
1
() +
1
(1 ) = 0 , o
1
dsigne la
fonction rciproque de .
O.O.O. Si X suit une loi N(m,
2
), alors pour = 0 et pour tout , X
suit une loi N(m,
2

2
).
O.O.O. Si X suit une loi N(m,
2
), alors
X m

suit une loi N(0, 1).

O.O.O. Si X
1
, . . . , X
n
sont des variables alatoires indpandantes suivant des
lois : N(m
1
,
2
1
), . . . , N(m
n
,
2
n
), alors
n

k=1

k
X
k
suit une loi N(
n

k=1

k
m
k
,
n

k=1

2
k

2
k
).
O.O.6. Si X
1
, . . . , X
n
sont des variables alatoires indpandantes suivant la mme
loi N(m,
2
). Alors X
n
=
1
n
n

i=1
X
i
et S
2
n
=
1
n 1
n

i=1
_
X
i
X
n
_
2
sont ind-
pendants.
K D.GHORBANZADEH
12/25 Simulation des lois usuelles avec Matlab
1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 m=7;
5 sigma2=13;
6 nb=2000;
7 R= normrnd(m,sqrt(sigma2),nb,1);
8 hist(R)
9 x=m-4
*
sqrt(sigma2):0.01:m+4
*
sqrt(sigma2);
10 p1=2
*
nb
*
normpdf(x,m,sqrt(sigma2));
11 hold on
12 plot(x,p1,k,linewidth,2);
13 box off
14 hold off
rhnormal.m
10 5 0 5 10 15 20 25
0
50
100
150
200
250
300
350
400
450
500

D
.
G
h
o
r
b
a
n
z
a
d
e
h

(
1
9
9
7
)
FIG. 7 simulation de la loi N(m,
2
)
K D.GHORBANZADEH
Simulation des lois usuelles avec Matlab 13/25
2.4 Loi Exponentielle de paramtre , note Exp()
densite f
X
(x) = e
x
l 1
]0,[
(x)
fonction de repartition F
X
(x) =
_
_
_
0 si x 0
1 e
x
si x > 0
E[X] =
1

V ar[X] =
1

2
fonction caracteristique
X
(t) = E[e
i tX
] =
1
1
i t

.
Proprit
Si X est une variable alatoire de loi U(]a, b[), alors les variables alatoires
1

log
_
X a
b a
_
et
1

log
_
b X
b a
_
suivent la mme loi Exp().
1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 lambda=1/4;
5 nb=1000;
6 R = exprnd(lambda,nb,1);
7 hist(R)
8 x=min(R):0.01:max(R);
9 p1=130
*
exppdf(x,lambda);
10 hold on
11 plot(x,p1,k,linewidth,2);
12 box off
13 hold off
rhexp.m
K D.GHORBANZADEH
14/25 Simulation des lois usuelles avec Matlab
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
0
100
200
300
400
500
600

D
.
G
h
o
r
b
a
n
z
a
d
e
h

(
1
9
9
7
)
FIG. 8 simulation de la loi Exp()
2.5 Loi Gamma de paramtres (a, b), note (a, b)
densite f
X
(x) =
b
a
(a)
x
a1
e
b x
l 1
]0,[
(x)
k N E[X
k
] =
(a + k)
b
k
(a)
, E[X] =
a
b
V ar[X] =
a
b
2
fonction caracteristique
X
(t) = E[e
i tX
] =
1
_
1
i t
b
_
a
.
Proprits
O.O.0. Exp() (1, ).
O.O.O. Si X suit une loi (a, b), alors > 0 , X suit une loi (a,
b

).
K D.GHORBANZADEH
Simulation des lois usuelles avec Matlab 15/25
O.O.O. Si X suit une loi (a, b), alors la densit de la loi de
1
X
est dnie par :
f 1
X
(x) =
b
a
(a)
e

b
x
x
a+1
l 1
]0,[
(x).
O.O.O. Si X suit une loi (a, b), alors pour a > 2 on a :
E[
1
X
] =
b
a 1
V ar[
1
X
] =
b
2
(a 1)
2
(a 2)
.
O.O.O. Si X suit une loi (a, b), alors pour > 0, la densit de la loi de X
1

est
dnie par :
f
X
1

(x) =
b
a
(a)
x
a1
e
b x

l 1
]0,[
(x).
O.O.O. Si X
1
, . . . , X
n
sont des variables alatoires indpendantes de lois respec-
tives : (a
1
, b), . . . , (a
n
, b), alors S
n
= X
1
+ . . . + X
n
suit une loi (
n

k=1
a
k
, b).
O.O.6. Si X
1
, . . . , X
n
sont des variables alatoires indpendantes suivant la mme
loi Exp(), alors
1
n
n

k=1
X
k
suit une loi (n, n).
1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 a=3;
5 b=1/2;
6 nb=1000;
7 R = gamrnd(a,b,nb,1);
8 hist(R)
9 x=0.00001:0.01:max(R);
10 p1=(nb/2)
*
gampdf(x,a,b);
11 hold on
12 plot(x,p1,k,linewidth,2);
13 box off
14 hold off
rhgamma.m
K D.GHORBANZADEH
16/25 Simulation des lois usuelles avec Matlab
0 1 2 3 4 5 6 7
0
50
100
150
200
250
300
350

D
.
G
h
o
r
b
a
n
z
a
d
e
h

(
1
9
9
7
)
FIG. 9 simulation de la loi (a, b)
2.6 Loi Beta de paramtres (a, b), note eta(a, b)
densite f
X
(x) =
1
(a, b)
x
a1
(1 x)
b1
l 1
]0,1[
(x)
o (a, b) dsigne la fonction Beta dnie par :
(a, b) = (b, a) =
_
1
0
x
a1
(1 x)
b1
dx =
(a) (b)
(a + b)
.
k N E[X
k
] =
(a + b) (a + k)
(a) (a + b + k)
E[X] =
a
a + b
V ar[X] =
a b
(a + b + 1) (a + b)
2
.
Proprits
O.O.0. Soit F
a,b
la fonction de rpartition de la loi eta(a, b) et F
1
a,b
la fonction
K D.GHORBANZADEH
Simulation des lois usuelles avec Matlab 17/25
rciproque de F
a,b
. Alors, elles vrient les relations suivantes :
x ]0, 1[ , F
a,b
(x) = 1 F
b,a
(1 x)
]0, 1[ , F
1
a,b
() + F
1
b,a
(1 ) = 1.
O.O.O. Si X et Y sont deux variables altoires indpendantes de lois respectives :
(a
1
, b) et (a
2
, b), alors
X
X + Y
suit une loi eta(a
1
, a
2
).
1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 a=4; b=3;
5 nb=1200;
6 R = betarnd(a,b,nb,1);
7 hist(R)
8 x=0:0.01:1;
9 p1=100
*
betapdf(x,a,b);
10 hold on
11 plot(x,p1,k,linewidth,2);
12 box off
13 hold off
rhbeta.m
2.7 Loi Beta de deuxime espce de paramtres (a, b), note

II
(a, b)
densite f
X
(x) =
1
(a, b)
x
a1
(1 +x)
a+b
l 1
]0,[
(x)
k < b E[X
k
] =
(a + k) (b k)
(a) (b)
E[X] =
a
b 1
V ar[X] =
a (a + b 1)
(b 2) (b 1)
2
.
Proprits
K D.GHORBANZADEH
18/25 Simulation des lois usuelles avec Matlab
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
50
100
150
200
250

D
.
G
h
o
r
b
a
n
z
a
d
e
h

(
1
9
9
7
)
FIG. 10 simulation de la loi eta(a, b)
O.6.0. Soit F
a,b
la fonction de rpartition de la loi
II
(a, b) et F
1
a,b
la fonction
rciproque de F
a,b
. Alors, elles vrient les relations suivantes :
x ]0, [ , F
a,b
(x) = 1 F
b,a
(
1
x
)
]0, 1[ , F
1
a,b
() =
1
F
1
b,a
(1 )
.
O.6.O. Si X suit une loi eta(a, b), alors
X
1 X
suit une loi
II
(a, b).
K D.GHORBANZADEH
Simulation des lois usuelles avec Matlab 19/25
2.8 Loi Chi-deux m degrs de libert note
2
m
densite f
X
(x) =
1
2
m/2
(
m
2
)
x
m/21
e

x
2
l 1
]0,[
(x)
k N E[X
k
] = 2
k
(
m
2
+ k)
(
m
2
)
E[X] = m V ar[X] = 2 m.
K D.GHORBANZADEH
20/25 Simulation des lois usuelles avec Matlab
Proprits
O.O.0. Si X
1
, . . . , X
n
sont des variables alatoires indpendantes de lois respec-
tives :
2
m
1
, . . . ,
2
mn
, alors S
n
= X
1
+. . . +X
n
suit une loi
2
m
avec m =
n

k=1
m
k
.
O.O.O. Si X
1
, . . . , X
n
sont des variables alatoires indpendantes de lois respec-
tives : N(
1
,
2
1
), . . . , N(
n
,
2
n
), alors
n

k=1
_
X
k

k

k
_
2
suit une loi
2
n
.
O.O.O. Si X
1
, . . . , X
n
sont des variables alatoires indpendantes suivant la mme
loi N(,
2
), alors
n

k=1
_
X
k
X
n

_
2
suit une loi
2
n1
o X
n
=
1
n
n

k=1
X
k
.
1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 m=6;
5 nb=1000;
6 R = chi2rnd(m,nb,1);
7 hist(R)
8 x=0.0001:0.01:max(R);
9 p1=2
*
nb
*
chi2pdf(x,m);
10 hold on
11 plot(x,p1,k,linewidth,2);
12 box off
13 hold off
rhchi2.m
K D.GHORBANZADEH
Simulation des lois usuelles avec Matlab 21/25
0 5 10 15 20 25 30
0
50
100
150
200
250
300
350

D
.
G
h
o
r
b
a
n
z
a
d
e
h

(
1
9
9
7
)
FIG. 11 simulation de la loi
2
m
2.9 Loi de Student m degrs de libert note T
m
densite f
X
(x) =
1

m (
m
2
,
1
2
)
_
1 +
x
2
m
_

m+1
2
E[X] = 0 m > 2 , V ar[X] =
m
m2
.
Proprits
O.O.0. Si X et Y sont des variables alatoires indpendantes de loi respectives :
N(0, 1) et
2
m
, alors
X
_
Y/m
suit une loi T
m
.
O.O.O. Si X
1
, . . . , X
n
sont des variables alatoires indpendantes suivant la mme
loi N(,
2
), alors

n(X
n
)
S
n
suit une loi T
n1
o X
n
=
1
n
n

k=1
X
k
et S
2
n
=
1
n 1
n

k=1
(X
k
X
n
)
2
.
K D.GHORBANZADEH
22/25 Simulation des lois usuelles avec Matlab
1 clear all
2 map(1,:) = [rand rand rand];
3 colormap(map)
4 m=19;
5 nb=1700;
6 R = trnd(m,nb,1);
7 hist(R)
8 x=-1+min(R):0.01:max(R)+1;
9 p1=.7
*
nb
*
tpdf(x,m);
10 hold on
11 plot(x,p1,k,linewidth,2);
12 box off
13 hold off
rhstud.m
6 4 2 0 2 4 6
0
50
100
150
200
250
300
350
400
450
500

D
.
G
h
o
r
b
a
n
z
a
d
e
h

(
1
9
9
7
)
FIG. 12 simulation de la loi T
m
K D.GHORBANZADEH
Simulation des lois usuelles avec Matlab 23/25
2.10 Loi de Fisher (m, n) degrs de libert, note F
m,n
densite f
X
(x) =
_
m
n
_m
2
(
m
2
,
n
2
)
_
1 +
m
n
x
_

m+n
2
x
m
2
1
l 1
]0,
(x)
si n > 2 : E[X] =
n
n 2
si n > 4 : V ar[X] =
2n
2
(m + n 2)
m(n 4)(n 2)
2
.
Proprits
O.G.0. Soit F
m,n
la fonction de rpartition de la loi F
m,n
et F
1
m,n
la fonction
rciproque de F
m,n
. Alors, elles vrient les relations suivantes :
x ]0, [ , F
m,n
(x) = 1 F
n,m
(
1
x
)
]0, 1[ , F
1
m,n
() =
1
F
1
n,m
(1 )
.
O.G.O. Si X suit une loi F
m,n
, alors
1
X
suit une F
n,m
.
O.G.O. Si X suit une loi T
m
, alors X
2
suit une F
1,m
.
O.G.O. Si X et Y sont des variables alatoires indpendantes de lois respectives :

2
m
et
2
n
, alors
X/m
Y/n
suit une loi F
m,n
.
O.G.O. Si X suit une loi
II
(a, b), alors
b
a
X suit une F
2a,2b
.
K D.GHORBANZADEH
24/25 Simulation des lois usuelles avec Matlab
3 Quelques relations entre les lois usuelles
3.1 Binomiale et Poisson
La loi Binomiale de paramtres (n, p) est approxime par la loi de Poisson de
paramtre , pour n , p 0 avec np .
En pratique, cette approximation est faite si p < 0, 5 et n > 20.
3.2 Binomiale et Normale
La loi Binomiale de paramtres (n, p) est approxime par la loi normale de moyenne
np et varaince np(1 p), pour n avec 0 < p < 1.
En pratique, cette approximation est faite si np(1 p) > 9.
Si X est une varaible alatoire de loi Binomiale de paramtres (n, p), avec
np(1 p) > 9 ; alors, on a lapproximation suivante :
P(a X b)
n>36

_
b np
_
np(1 p)
_

_
a np
_
np(1 p)
_
o dsigne la fonction de rpartition de la loi normale de moyenne 0 et variance
1.
3.3 Poisson et Normale
La loi de Poisson de paramtre est approxime par la loi normale de moyenne
et varaince , pour .
En pratique, cette approximation est faite si 20.
Si X est une varaible alatoire de loi Poisson de paramtre , avec 20 ;
alors, on a lapproximation suivante :
P(a X b)
20

_
b

_
a

_
3.4 Khi-deux et Normale
La loi de Khi-deux m degrs de libet est approxime par la loi normale de
moyenne m et varaince 2m, pour m > 30.
K D.GHORBANZADEH
Simulation des lois usuelles avec Matlab 25/25
Rsum des commandes MATLAB
Lois Discrtes
loi P(X = x) simulation de X F
X
(x) F
1
X
()
Ber() binopdf(x, 1, ) X = binornd(1, , N, M) binocdf(x, 1, ) binoinv(, 1, )
Bin(n, ) binopdf(x, n, ) X = binornd(n, , N, M) binocdf(x, n, ) binoinv(, n, )
G eo() geopdf(x, ) X = geornd(, N, M) geocdf(x, ) geoinv(, )
BN(n, ) nbincdf(x, n, ) X = nbinrnd(n, , N, M) nbincdf(x, n, ) nbininv(, n, )
P() poisspdf(x, ) X = poissrnd(, N, M) poisscdf(x, ) poissinv(, )
U({1, . . . , n}) unidpdf(x, n) X = unidrnd(n, N, M) unidcdf(x, n) unidinv(, n)
Lois Continues
loi f
X
(x) simulation de X F
X
(x) F
1
X
()
U(a, b) unifpdf(x,a,b) X = unifrnd(a, b, N, M) unifcdf(x, a, b) unifinv(, a, b)
N(,
2
) normpdf(x, , ) X = normrnd(, , N, M) normcdf(x, , ) norminv(, , )
Exp() exppdf(x,
1

) X = exprnd(
1

, N, M) expcdf(x,
1

) expinv(,
1

)
(a, b) gampdf(x, a,
1
b
) X = gamrnd(a,
1
b
, N, M) gamcdf(x, a,
1
b
) gaminv(, a,
1
b
)
eta(a, b) betapdf(x, a, b) X = betarnd(a, b, N, M) betacdf(x, a, b) betainv(, a, b)

2
m
chi2pdf(x, m) X = chi2rnd(m, N, M) chi2cdf(x, m) chi2inv(, m)
T
m
tpdf(x, m) X = trnd(m, N, M) tcdf(x, m) tinv(, m)
F
m,n
fpdf(x, m, n) X = frnd(m, n, N, M) fcdf(x, m, n) finv(, m, n)
K D.GHORBANZADEH