Vous êtes sur la page 1sur 177

Mod

elisation
Generalites: abstraction, simplification, validation, recommendations.
Choix des lois de probabilite.
Differents types de distributions standard univariees et multivariees.
Lois empiriques. Dependence.
Processus stochastiques: processus de Poisson, Brownien, ...
Estimation.
Mesures de performance sur horizon fini et infini. Actualisation.

Mod
elisation: principes de base
Validation: Le mod`ele est-t-il assez precis pour lapplication visee?
Verification: Le programme implante-t-il le mod`ele correctement?
Credibilite: Les utilisateurs potentiels ont-ils suffisamment confiance dans le
mod`ele pour lutiliser?

Mod
elisation: principes de base
Validation: Le mod`ele est-t-il assez precis pour lapplication visee?
Verification: Le programme implante-t-il le mod`ele correctement?
Credibilite: Les utilisateurs potentiels ont-ils suffisamment confiance dans le
mod`ele pour lutiliser?
La validite est relative, jamais absolue.
Elle depend de lobjectif du mod`ele.
` qui servira ce mod`ele?
Question numero 1: A
Le niveau de detail approprie en depend.

Mod
elisation: principes de base
Validation: Le mod`ele est-t-il assez precis pour lapplication visee?
Verification: Le programme implante-t-il le mod`ele correctement?
Credibilite: Les utilisateurs potentiels ont-ils suffisamment confiance dans le
mod`ele pour lutiliser?
La validite est relative, jamais absolue.
Elle depend de lobjectif du mod`ele.
` qui servira ce mod`ele?
Question numero 1: A
Le niveau de detail approprie en depend.
Principe: minimiser la complexite du mod`ele sous la contrainte quil donne une
assez bonne approximation pour nos besoins.

R`egle generale: regarder la foret avant de regarder les arbres.

R`egle generale: regarder la foret avant de regarder les arbres.


Commencer par un mod`ele plus simple, approximatif, moins co
uteux.
Un mod`ele simple et realiste lorsquil existe) apporte beaucoup: il nous fait
comprendre ce qui est le plus important.

R`egle generale: regarder la foret avant de regarder les arbres.


Commencer par un mod`ele plus simple, approximatif, moins co
uteux.
Un mod`ele simple et realiste lorsquil existe) apporte beaucoup: il nous fait
comprendre ce qui est le plus important.
Soyons parcimonieux dans les hypoth`eses et les param`etres.

R`egle generale: regarder la foret avant de regarder les arbres.


Commencer par un mod`ele plus simple, approximatif, moins co
uteux.
Un mod`ele simple et realiste lorsquil existe) apporte beaucoup: il nous fait
comprendre ce qui est le plus important.
Soyons parcimonieux dans les hypoth`eses et les param`etres.
On raffinera le mod`ele seulement lorsque necessaire (et profitable).
Ne pas construire un mod`ele trop raffine compte tenu des donnees disponibles.

R`egle generale: regarder la foret avant de regarder les arbres.


Commencer par un mod`ele plus simple, approximatif, moins co
uteux.
Un mod`ele simple et realiste lorsquil existe) apporte beaucoup: il nous fait
comprendre ce qui est le plus important.
Soyons parcimonieux dans les hypoth`eses et les param`etres.
On raffinera le mod`ele seulement lorsque necessaire (et profitable).
Ne pas construire un mod`ele trop raffine compte tenu des donnees disponibles.
Important: une bonne connaissance du syst`eme `a modeliser et du probl`eme `a
resoudre.

R`egle generale: regarder la foret avant de regarder les arbres.


Commencer par un mod`ele plus simple, approximatif, moins co
uteux.
Un mod`ele simple et realiste lorsquil existe) apporte beaucoup: il nous fait
comprendre ce qui est le plus important.
Soyons parcimonieux dans les hypoth`eses et les param`etres.
On raffinera le mod`ele seulement lorsque necessaire (et profitable).
Ne pas construire un mod`ele trop raffine compte tenu des donnees disponibles.
Important: une bonne connaissance du syst`eme `a modeliser et du probl`eme `a
resoudre.
Le mod`ele et le programme doivent etre flexibles, faciles `a modifier. Modularite.
La modelisation/simulation est un processus iteratif.

R`egle generale: regarder la foret avant de regarder les arbres.


Commencer par un mod`ele plus simple, approximatif, moins co
uteux.
Un mod`ele simple et realiste lorsquil existe) apporte beaucoup: il nous fait
comprendre ce qui est le plus important.
Soyons parcimonieux dans les hypoth`eses et les param`etres.
On raffinera le mod`ele seulement lorsque necessaire (et profitable).
Ne pas construire un mod`ele trop raffine compte tenu des donnees disponibles.
Important: une bonne connaissance du syst`eme `a modeliser et du probl`eme `a
resoudre.
Le mod`ele et le programme doivent etre flexibles, faciles `a modifier. Modularite.
La modelisation/simulation est un processus iteratif.
Et cela demeure en grande partie un art: pas de recette universelle.

Si le mod`ele sert `a repondre `a plusieurs questions, la validite se pose pour chacune


de ces questions.

Si le mod`ele sert `a repondre `a plusieurs questions, la validite se pose pour chacune


de ces questions.

La validation co
ute cher. Plus on veut valider, plus ca co
ute cher.
Aussi, plus on veut un mod`ele realiste, plus ca co
ute cher.

Si le mod`ele sert `a repondre `a plusieurs questions, la validite se pose pour chacune


de ces questions.

La validation co
ute cher. Plus on veut valider, plus ca co
ute cher.
Aussi, plus on veut un mod`ele realiste, plus ca co
ute cher.
On doit faire un compromis entre dune part les co
uts de modelisation et de
validation, et dautre part les co
uts associes aux consequences dun mod`ele non
valide (ou pas suffisamment realiste).

Techniques de validation
Validation `a vue.
Est-ce que tout semble raisonnable?

Techniques de validation
Validation `a vue.
Est-ce que tout semble raisonnable?
Montrer aux experts ou aux clients. Experience, intuition.

Techniques de validation
Validation `a vue.
Est-ce que tout semble raisonnable?
Montrer aux experts ou aux clients. Experience, intuition.
Animation graphique.

Techniques de validation
Validation `a vue.
Est-ce que tout semble raisonnable?
Montrer aux experts ou aux clients. Experience, intuition.
Animation graphique.
Essayez des situations extremes.

Techniques de validation
Validation `a vue.
Est-ce que tout semble raisonnable?
Montrer aux experts ou aux clients. Experience, intuition.
Animation graphique.
Essayez des situations extremes.
Tests statistiques des hypoth`eses.
Testez les approximations, les lois de probabilite, les hypoth`eses, etc.

Techniques de validation
Validation `a vue.
Est-ce que tout semble raisonnable?
Montrer aux experts ou aux clients. Experience, intuition.
Animation graphique.
Essayez des situations extremes.
Tests statistiques des hypoth`eses.
Testez les approximations, les lois de probabilite, les hypoth`eses, etc.
Comparaisons graphiques, intervalles de confiance, tests dhypoth`eses.

Techniques de validation
Validation `a vue.
Est-ce que tout semble raisonnable?
Montrer aux experts ou aux clients. Experience, intuition.
Animation graphique.
Essayez des situations extremes.
Tests statistiques des hypoth`eses.
Testez les approximations, les lois de probabilite, les hypoth`eses, etc.
Comparaisons graphiques, intervalles de confiance, tests dhypoth`eses.
Attention: les tests formels ne sont pas necessairement appropries.

Techniques de validation
Validation `a vue.
Est-ce que tout semble raisonnable?
Montrer aux experts ou aux clients. Experience, intuition.
Animation graphique.
Essayez des situations extremes.
Tests statistiques des hypoth`eses.
Testez les approximations, les lois de probabilite, les hypoth`eses, etc.
Comparaisons graphiques, intervalles de confiance, tests dhypoth`eses.
Attention: les tests formels ne sont pas necessairement appropries.
Analyse de sensibilite.
Exemple 2.1: centre dappels.

Techniques de validation
Validation `a vue.
Est-ce que tout semble raisonnable?
Montrer aux experts ou aux clients. Experience, intuition.
Animation graphique.
Essayez des situations extremes.
Tests statistiques des hypoth`eses.
Testez les approximations, les lois de probabilite, les hypoth`eses, etc.
Comparaisons graphiques, intervalles de confiance, tests dhypoth`eses.
Attention: les tests formels ne sont pas necessairement appropries.
Analyse de sensibilite.
Exemple 2.1: centre dappels.
Validation Operationnelle (comportement du mod`ele).
Comparer avec un syst`eme existant. Calibration.
Valider ensuite avec un ensemble independant de donnees.

Techniques de validation
Validation `a vue.
Est-ce que tout semble raisonnable?
Montrer aux experts ou aux clients. Experience, intuition.
Animation graphique.
Essayez des situations extremes.
Tests statistiques des hypoth`eses.
Testez les approximations, les lois de probabilite, les hypoth`eses, etc.
Comparaisons graphiques, intervalles de confiance, tests dhypoth`eses.
Attention: les tests formels ne sont pas necessairement appropries.
Analyse de sensibilite.
Exemple 2.1: centre dappels.
Validation Operationnelle (comportement du mod`ele).
Comparer avec un syst`eme existant. Calibration.
Valider ensuite avec un ensemble independant de donnees.
Hypoth`ese `a tester: le mod`ele est valide pour le niveau de precision acceptable,
sous les conditions experimentales.

Techniques de validation
Validation `a vue.
Est-ce que tout semble raisonnable?
Montrer aux experts ou aux clients. Experience, intuition.
Animation graphique.
Essayez des situations extremes.
Tests statistiques des hypoth`eses.
Testez les approximations, les lois de probabilite, les hypoth`eses, etc.
Comparaisons graphiques, intervalles de confiance, tests dhypoth`eses.
Attention: les tests formels ne sont pas necessairement appropries.
Analyse de sensibilite.
Exemple 2.1: centre dappels.
Validation Operationnelle (comportement du mod`ele).
Comparer avec un syst`eme existant. Calibration.
Valider ensuite avec un ensemble independant de donnees.
Hypoth`ese `a tester: le mod`ele est valide pour le niveau de precision acceptable,
sous les conditions experimentales.
Est-ce que le mod`ele predit bien lavenir ? Validation prospective.

Techniques de validation
Validation `a vue.
Est-ce que tout semble raisonnable?
Montrer aux experts ou aux clients. Experience, intuition.
Animation graphique.
Essayez des situations extremes.
Tests statistiques des hypoth`eses.
Testez les approximations, les lois de probabilite, les hypoth`eses, etc.
Comparaisons graphiques, intervalles de confiance, tests dhypoth`eses.
Attention: les tests formels ne sont pas necessairement appropries.
Analyse de sensibilite.
Exemple 2.1: centre dappels.
Validation Operationnelle (comportement du mod`ele).
Comparer avec un syst`eme existant. Calibration.
Valider ensuite avec un ensemble independant de donnees.
Hypoth`ese `a tester: le mod`ele est valide pour le niveau de precision acceptable,
sous les conditions experimentales.
Est-ce que le mod`ele predit bien lavenir ? Validation prospective.
Tests de Turing. Credibilite.

Qualit
e des donn
ees
Il faut de linformation claire et fiable sur le syst`eme.
Des donnees pertinentes, correctes, et en quantite suffisante.

Qualit
e des donn
ees
Il faut de linformation claire et fiable sur le syst`eme.
Des donnees pertinentes, correctes, et en quantite suffisante.
On a rarement les donnees que lon veut!

Qualit
e des donn
ees
Il faut de linformation claire et fiable sur le syst`eme.
Des donnees pertinentes, correctes, et en quantite suffisante.
On a rarement les donnees que lon veut!
Peu de donnees:

Echantillon
trop petit.

Qualit
e des donn
ees
Il faut de linformation claire et fiable sur le syst`eme.
Des donnees pertinentes, correctes, et en quantite suffisante.
On a rarement les donnees que lon veut!
Peu de donnees:

Echantillon
trop petit.
Seulement des resumes (moyenne, variance, etc.).

Qualit
e des donn
ees
Il faut de linformation claire et fiable sur le syst`eme.
Des donnees pertinentes, correctes, et en quantite suffisante.
On a rarement les donnees que lon veut!
Peu de donnees:

Echantillon
trop petit.
Seulement des resumes (moyenne, variance, etc.).
Pas assez precis (e.g., durees des appels telephoniques...).

Qualit
e des donn
ees
Il faut de linformation claire et fiable sur le syst`eme.
Des donnees pertinentes, correctes, et en quantite suffisante.
On a rarement les donnees que lon veut!
Peu de donnees:

Echantillon
trop petit.
Seulement des resumes (moyenne, variance, etc.).
Pas assez precis (e.g., durees des appels telephoniques...).
Information indirecte, par ex. des entrevues.

Qualit
e des donn
ees
Il faut de linformation claire et fiable sur le syst`eme.
Des donnees pertinentes, correctes, et en quantite suffisante.
On a rarement les donnees que lon veut!
Peu de donnees:

Echantillon
trop petit.
Seulement des resumes (moyenne, variance, etc.).
Pas assez precis (e.g., durees des appels telephoniques...).
Information indirecte, par ex. des entrevues.
Des donnees venant dune loi reliee mais pas la bonne.
Trop daggregation (e.g., mensuel au lieu de quotidien).

Qualit
e des donn
ees
Il faut de linformation claire et fiable sur le syst`eme.
Des donnees pertinentes, correctes, et en quantite suffisante.
On a rarement les donnees que lon veut!
Peu de donnees:

Echantillon
trop petit.
Seulement des resumes (moyenne, variance, etc.).
Pas assez precis (e.g., durees des appels telephoniques...).
Information indirecte, par ex. des entrevues.
Des donnees venant dune loi reliee mais pas la bonne.
Trop daggregation (e.g., mensuel au lieu de quotidien).
Mauvaise periode (e.g., on a il y a 3 ans, mais on voudrait lan prochain).

Qualit
e des donn
ees
Il faut de linformation claire et fiable sur le syst`eme.
Des donnees pertinentes, correctes, et en quantite suffisante.
On a rarement les donnees que lon veut!
Peu de donnees:

Echantillon
trop petit.
Seulement des resumes (moyenne, variance, etc.).
Pas assez precis (e.g., durees des appels telephoniques...).
Information indirecte, par ex. des entrevues.
Des donnees venant dune loi reliee mais pas la bonne.
Trop daggregation (e.g., mensuel au lieu de quotidien).
Mauvaise periode (e.g., on a il y a 3 ans, mais on voudrait lan prochain).
Mauvais endroit (e.g., Toronto au lieu de Montreal).

Qualit
e des donn
ees
Il faut de linformation claire et fiable sur le syst`eme.
Des donnees pertinentes, correctes, et en quantite suffisante.
On a rarement les donnees que lon veut!
Peu de donnees:

Echantillon
trop petit.
Seulement des resumes (moyenne, variance, etc.).
Pas assez precis (e.g., durees des appels telephoniques...).
Information indirecte, par ex. des entrevues.
Des donnees venant dune loi reliee mais pas la bonne.
Trop daggregation (e.g., mensuel au lieu de quotidien).
Mauvaise periode (e.g., on a il y a 3 ans, mais on voudrait lan prochain).
Mauvais endroit (e.g., Toronto au lieu de Montreal).
Distributions censurees (e.g., on veut les demandes, on a les ventes).

Qualit
e des donn
ees
Il faut de linformation claire et fiable sur le syst`eme.
Des donnees pertinentes, correctes, et en quantite suffisante.
On a rarement les donnees que lon veut!
Peu de donnees:

Echantillon
trop petit.
Seulement des resumes (moyenne, variance, etc.).
Pas assez precis (e.g., durees des appels telephoniques...).
Information indirecte, par ex. des entrevues.
Des donnees venant dune loi reliee mais pas la bonne.
Trop daggregation (e.g., mensuel au lieu de quotidien).
Mauvaise periode (e.g., on a il y a 3 ans, mais on voudrait lan prochain).
Mauvais endroit (e.g., Toronto au lieu de Montreal).
Distributions censurees (e.g., on veut les demandes, on a les ventes).
Le processus de validation doit inclure la validation des donnees.
Si les donnees sont incertaines, faire de lanalyse de sensibilite,
pas seulement p.r. aux param`etres, mais aussi p.r. aux types de lois.

Hypoth`
eses simplificatrices
Logique du mod`ele.

Hypoth`
eses simplificatrices
Logique du mod`ele.
Lois de probabilite simplifiees: exponentielle, normale, etc.

Hypoth`
eses simplificatrices
Logique du mod`ele.
Lois de probabilite simplifiees: exponentielle, normale, etc.
Aggregation du temps, des objets, des ressources, etc.

Hypoth`
eses simplificatrices
Logique du mod`ele.
Lois de probabilite simplifiees: exponentielle, normale, etc.
Aggregation du temps, des objets, des ressources, etc.
Hypoth`eses dindependance et de stationarite.

Robustesse.

Analyse de sensibilite.

Robustesse.
Analyse de sensibilite.
Exemple: File M/G/1 `a letat stationnaire.
= taux darrivee,
, 2 =

moyenne et variance des durees de service,

= = facteur dutilisation,
q

2
2
(1
+

/
)
2
= +
2(1 )

w =

q
( 2 + 2)
=

2(1 )

ne dependent que de , , et .

(Pollaczek-Khintchine)

Robustesse.
Analyse de sensibilite.
Exemple: File M/G/1 `a letat stationnaire.
= taux darrivee,
, 2 =

moyenne et variance des durees de service,

= = facteur dutilisation,
q

2
2
(1
+

/
)
2
= +
2(1 )

w =

(Pollaczek-Khintchine)

q
( 2 + 2)
=

2(1 )

ne dependent que de , , et .
Mais si les interarrivees ne sont pas exponentielles, ou pour dautres mesures de
performance, ce nest plus vrai.

Robustesse.
Analyse de sensibilite.
Exemple: File M/G/1 `a letat stationnaire.
= taux darrivee,
, 2 =

moyenne et variance des durees de service,

= = facteur dutilisation,
q

2
2
(1
+

/
)
2
= +
2(1 )

w =

(Pollaczek-Khintchine)

q
( 2 + 2)
=

2(1 )

ne dependent que de , , et .
Mais si les interarrivees ne sont pas exponentielles, ou pour dautres mesures de
performance, ce nest plus vrai.
Et quelle est lerreur si on approxime la file M/G/1 par M/M/1?

Robustesse.
Analyse de sensibilite.
Exemple: File M/G/1 `a letat stationnaire.
= taux darrivee,
, 2 =

moyenne et variance des durees de service,

= = facteur dutilisation,
q

2
2
(1
+

/
)
2
= +
2(1 )

w =

(Pollaczek-Khintchine)

q
( 2 + 2)
=

2(1 )

ne dependent que de , , et .
Mais si les interarrivees ne sont pas exponentielles, ou pour dautres mesures de
performance, ce nest plus vrai.
Et quelle est lerreur si on approxime la file M/G/1 par M/M/1?
Depend de /.

Types de m
ethodes pour choisir les lois
A. Parametrique.
Choisir une loi standard compacte et estimer les param`etres.
Types de lois: expon., normale, gamma, etc.; estimer; test dajustement.
Variables dependantes: lois multivariees.

Types de m
ethodes pour choisir les lois
A. Parametrique.
Choisir une loi standard compacte et estimer les param`etres.
Types de lois: expon., normale, gamma, etc.; estimer; test dajustement.
Variables dependantes: lois multivariees.
B. Loi quasi-empirique ou non parametrique.
Construire une variante de la fonction de repartition empirique et lutiliser pour
generer les variables. Methodes destimation de densite.

Types de m
ethodes pour choisir les lois
A. Parametrique.
Choisir une loi standard compacte et estimer les param`etres.
Types de lois: expon., normale, gamma, etc.; estimer; test dajustement.
Variables dependantes: lois multivariees.
B. Loi quasi-empirique ou non parametrique.
Construire une variante de la fonction de repartition empirique et lutiliser pour
generer les variables. Methodes destimation de densite.
C. Simulation par retracage.
Rejouer simplement lhistoire (le log) dun syst`eme reel, en changeant seulement
les decisions et leurs consequences. Peut etre partiel.

Types de m
ethodes pour choisir les lois
A. Parametrique.
Choisir une loi standard compacte et estimer les param`etres.
Types de lois: expon., normale, gamma, etc.; estimer; test dajustement.
Variables dependantes: lois multivariees.
B. Loi quasi-empirique ou non parametrique.
Construire une variante de la fonction de repartition empirique et lutiliser pour
generer les variables. Methodes destimation de densite.
C. Simulation par retracage.
Rejouer simplement lhistoire (le log) dun syst`eme reel, en changeant seulement
les decisions et leurs consequences. Peut etre partiel.
Exemples: patients dans un h
opital, United Airlines.

Types de m
ethodes pour choisir les lois
A. Parametrique.
Choisir une loi standard compacte et estimer les param`etres.
Types de lois: expon., normale, gamma, etc.; estimer; test dajustement.
Variables dependantes: lois multivariees.
B. Loi quasi-empirique ou non parametrique.
Construire une variante de la fonction de repartition empirique et lutiliser pour
generer les variables. Methodes destimation de densite.
C. Simulation par retracage.
Rejouer simplement lhistoire (le log) dun syst`eme reel, en changeant seulement
les decisions et leurs consequences. Peut etre partiel.
Exemples: patients dans un h
opital, United Airlines.
Gros defaut: on ne verra jamais dautres combinaisons que ce qui se trouve dans
les donnees.
Solution: il faut modeliser les dependences complexes! Difficile...

10

Recommendations:
A sil y a une certaine justification pour une loi particuli`ere
(important de comprendre les principes sous-jacents aux differentes lois);
B si on a vraiment beaucoup de donnees;
C sil y a beaucoup de donnees et des dependences trop difficiles `a modeliser.

10

Recommendations:
A sil y a une certaine justification pour une loi particuli`ere
(important de comprendre les principes sous-jacents aux differentes lois);
B si on a vraiment beaucoup de donnees;
C sil y a beaucoup de donnees et des dependences trop difficiles `a modeliser.
Arguments favorisant lapproche parametrique A:
A est appropriee si on a des raisons physiques de choisir une loi particuli`ere.

10

Recommendations:
A sil y a une certaine justification pour une loi particuli`ere
(important de comprendre les principes sous-jacents aux differentes lois);
B si on a vraiment beaucoup de donnees;
C sil y a beaucoup de donnees et des dependences trop difficiles `a modeliser.
Arguments favorisant lapproche parametrique A:
A est appropriee si on a des raisons physiques de choisir une loi particuli`ere.
Cest une facon compacte de representer les donnees.

10

Recommendations:
A sil y a une certaine justification pour une loi particuli`ere
(important de comprendre les principes sous-jacents aux differentes lois);
B si on a vraiment beaucoup de donnees;
C sil y a beaucoup de donnees et des dependences trop difficiles `a modeliser.
Arguments favorisant lapproche parametrique A:
A est appropriee si on a des raisons physiques de choisir une loi particuli`ere.
Cest une facon compacte de representer les donnees.
Procedures disponibles pour generer les v.a. (moins de programmation).

10

Recommendations:
A sil y a une certaine justification pour une loi particuli`ere
(important de comprendre les principes sous-jacents aux differentes lois);
B si on a vraiment beaucoup de donnees;
C sil y a beaucoup de donnees et des dependences trop difficiles `a modeliser.
Arguments favorisant lapproche parametrique A:
A est appropriee si on a des raisons physiques de choisir une loi particuli`ere.
Cest une facon compacte de representer les donnees.
Procedures disponibles pour generer les v.a. (moins de programmation).
Les valeurs que lon peut generer ne sont pas limitees `a letendue de
lechantillon (important si on veut pouvoir generer des evenements extremes).
Cela lisse (regularise) les donnees.

10

Recommendations:
A sil y a une certaine justification pour une loi particuli`ere
(important de comprendre les principes sous-jacents aux differentes lois);
B si on a vraiment beaucoup de donnees;
C sil y a beaucoup de donnees et des dependences trop difficiles `a modeliser.
Arguments favorisant lapproche parametrique A:
A est appropriee si on a des raisons physiques de choisir une loi particuli`ere.
Cest une facon compacte de representer les donnees.
Procedures disponibles pour generer les v.a. (moins de programmation).
Les valeurs que lon peut generer ne sont pas limitees `a letendue de
lechantillon (important si on veut pouvoir generer des evenements extremes).
Cela lisse (regularise) les donnees.
Arguments contre A:
Souvent tr`es difficile, parfois impossible, de connatre le bon type de loi.
Parfois, les donnees ne sajustent `a aucune des lois disponibles.

10

Recommendations:
A sil y a une certaine justification pour une loi particuli`ere
(important de comprendre les principes sous-jacents aux differentes lois);
B si on a vraiment beaucoup de donnees;
C sil y a beaucoup de donnees et des dependences trop difficiles `a modeliser.
Arguments favorisant lapproche parametrique A:
A est appropriee si on a des raisons physiques de choisir une loi particuli`ere.
Cest une facon compacte de representer les donnees.
Procedures disponibles pour generer les v.a. (moins de programmation).
Les valeurs que lon peut generer ne sont pas limitees `a letendue de
lechantillon (important si on veut pouvoir generer des evenements extremes).
Cela lisse (regularise) les donnees.
Arguments contre A:
Souvent tr`es difficile, parfois impossible, de connatre le bon type de loi.
Parfois, les donnees ne sajustent `a aucune des lois disponibles.
Lestimation des param`etres nest pas toujours robuste.

10

Recommendations:
A sil y a une certaine justification pour une loi particuli`ere
(important de comprendre les principes sous-jacents aux differentes lois);
B si on a vraiment beaucoup de donnees;
C sil y a beaucoup de donnees et des dependences trop difficiles `a modeliser.
Arguments favorisant lapproche parametrique A:
A est appropriee si on a des raisons physiques de choisir une loi particuli`ere.
Cest une facon compacte de representer les donnees.
Procedures disponibles pour generer les v.a. (moins de programmation).
Les valeurs que lon peut generer ne sont pas limitees `a letendue de
lechantillon (important si on veut pouvoir generer des evenements extremes).
Cela lisse (regularise) les donnees.
Arguments contre A:
Souvent tr`es difficile, parfois impossible, de connatre le bon type de loi.
Parfois, les donnees ne sajustent `a aucune des lois disponibles.
Lestimation des param`etres nest pas toujours robuste.
Lors de lajustement, il y a perte ou distorsion dinformation.

10

Recommendations:
A sil y a une certaine justification pour une loi particuli`ere
(important de comprendre les principes sous-jacents aux differentes lois);
B si on a vraiment beaucoup de donnees;
C sil y a beaucoup de donnees et des dependences trop difficiles `a modeliser.
Arguments favorisant lapproche parametrique A:
A est appropriee si on a des raisons physiques de choisir une loi particuli`ere.
Cest une facon compacte de representer les donnees.
Procedures disponibles pour generer les v.a. (moins de programmation).
Les valeurs que lon peut generer ne sont pas limitees `a letendue de
lechantillon (important si on veut pouvoir generer des evenements extremes).
Cela lisse (regularise) les donnees.
Arguments contre A:
Souvent tr`es difficile, parfois impossible, de connatre le bon type de loi.
Parfois, les donnees ne sajustent `a aucune des lois disponibles.
Lestimation des param`etres nest pas toujours robuste.
Lors de lajustement, il y a perte ou distorsion dinformation.
Pour certaines lois, la generation de v.a. est difficile ou lente.

Lapproche param
etrique
Recommandee seulement si lajustement est bon, et sur la base de justifications
theoriques.

11

Lapproche param
etrique
Recommandee seulement si lajustement est bon, et sur la base de justifications
theoriques.
Encyclopedie des lois de probabilite: Johnson and Kotz (19691972), Johnson,
Kotz, et Balakrishnan (1995).

11

Lapproche param
etrique
Recommandee seulement si lajustement est bon, et sur la base de justifications
theoriques.
Encyclopedie des lois de probabilite: Johnson and Kotz (19691972), Johnson,
Kotz, et Balakrishnan (1995).
Types de param`
etres:
Localisation: specifie lorigine sur laxe horizontal.

Echelle:
etire ou contracte laxe horizontal, determine lechelle sans changer la
forme de la courbe.
Forme: modifie plus en profondeur la forme de la fonction de densite ou de masse,
et les propriete de la loi.

11

Lapproche param
etrique
Recommandee seulement si lajustement est bon, et sur la base de justifications
theoriques.
Encyclopedie des lois de probabilite: Johnson and Kotz (19691972), Johnson,
Kotz, et Balakrishnan (1995).
Types de param`
etres:
Localisation: specifie lorigine sur laxe horizontal.

Echelle:
etire ou contracte laxe horizontal, determine lechelle sans changer la
forme de la courbe.
Forme: modifie plus en profondeur la forme de la fonction de densite ou de masse,
et les propriete de la loi.
Une transformation affine (Y = aX + b) suffit pour contr
oler la localisation et
lechelle.

11

12

Exemple: La loi normale.


X N (, 2) ssi Z = (X )/ N (0, 1).
X = Z + .
........................................
.........
.......
.......
......
......
......
.....
......
.
.
.
.
.....
...
.
.
.....
.
.
.....
...
.
.
.
.
.....
....
.
.....
.
.
..
.
.....
.
.
.
.....
....
.
.
.
.....
...
.
.....
.
.
..
.
.....
.
.
.
.....
....
.
.
.
.....
...
.
.....
.
.
...
.....
.
.
.
....
..
.
.
.
.....
..
.
.
.
.....
.
....
.....
.
.
.
.....
...
.
.
.
.....
...
.
.
.....
.
..
.
.....
.
.
.
.....
...
.
.
.
.
.....
....
.
.....
.
.
..
.
.....
.
.
.
.....
....
.
.
.
.....
...
.
.....
.
.
.
.....
...
.
.
.
.
.....
...
.
.
.....
.
.
.....
....
.
.
.
......
.
...
.
.
......
.
.
.
......
....
.
.
.
.
.
......
...
.
.
.......
.
.
.
.
........
....
.
.
.
.
.
.
.
........
......
.
.
.........
.
.
.
.
.
...........
.....
.
.
.
.
.
.
.
.
.
.
..............
........
.
.
.
.
.
.
....................
.
.
.
.
.
.
.
.
.
.
...
.......................
..............................

f (x)

&

2
x

13

Quelques caract
erisations des distributions.
Soit X une v.a. univariee.
Moyenne = E[X];

Ecart-type
Variance 2 = E[(X )2];
;

13

Quelques caract
erisations des distributions.
Soit X une v.a. univariee.
Moyenne = E[X];

Ecart-type
Variance 2 = E[(X )2];
;
Coefficient de variation /;

13

Quelques caract
erisations des distributions.
Soit X une v.a. univariee.
Moyenne = E[X];

Ecart-type
Variance 2 = E[(X )2];
;
Coefficient de variation /;
Coefficient dasymetrie = E[(X )3]/ 3

13

Quelques caract
erisations des distributions.
Soit X une v.a. univariee.
Moyenne = E[X];

Ecart-type
Variance 2 = E[(X )2];
;
Coefficient de variation /;
Coefficient dasymetrie = E[(X )3]/ 3
Coefficient daplatissement = E[(X )4]/ 4.

13

Quelques caract
erisations des distributions.
Soit X une v.a. univariee.
Moyenne = E[X];

Ecart-type
Variance 2 = E[(X )2];
;
Coefficient de variation /;
Coefficient dasymetrie = E[(X )3]/ 3
Coefficient daplatissement = E[(X )4]/ 4.
= 0: loi symetrique.
> 0: asymetrique `a droite.

/2
0

...
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
......
......
......
......
......
.......
.......
.......
........
........
.........
..........
...........
............
.............
..................
.....................
............................
.................................
................................

. f (x)

1/

2/

3/
x

13

Quelques caract
erisations des distributions.
Soit X une v.a. univariee.
Moyenne = E[X];

Ecart-type
Variance 2 = E[(X )2];
;
Coefficient de variation /;
Coefficient dasymetrie = E[(X )3]/ 3
Coefficient daplatissement = E[(X )4]/ 4.
= 0: loi symetrique.
> 0: asymetrique `a droite.

/2
0

...
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
......
......
......
......
......
.......
.......
.......
........
........
.........
..........
...........
............
.............
..................
.....................
............................
.................................
................................

. f (x)

1/

2/

3/
x

Pour certaines familles de loi (e.g., Johnson), on peut choisir les param`etres pour
obtenir des valeurs arbitraires de ces 4 coefficients.

14

Fonction de repartition:
Px
j=0 pj
F (x) = P [X x] = R
x f (y)dy

(cas discret),
(cas continu).

14

Fonction de repartition:
Px
j=0 pj
F (x) = P [X x] = R
x f (y)dy

Fonction de survie:
F (x) = P [X > x].

(cas discret),
(cas continu).

14

Fonction de repartition:
Px
j=0 pj
F (x) = P [X x] = R
x f (y)dy

(cas discret),
(cas continu).

Fonction de survie:
F (x) = P [X > x].
Taux de panne:
r(x) = f (x)/(1 F (x))
On a
P [x < X < x + ]
f (x)
P [X < x + |X > x] =

= r(x).
P [X > x]
(1 F (x))

14

Fonction de repartition:
Px
j=0 pj
F (x) = P [X x] = R
x f (y)dy

(cas discret),
(cas continu).

Fonction de survie:
F (x) = P [X > x].
Taux de panne:
r(x) = f (x)/(1 F (x))
On a
P [x < X < x + ]
f (x)
P [X < x + |X > x] =

= r(x).
P [X > x]
(1 F (x))

Taux de panne croissant vs decroissant.


Taux de panne en baignoire.

15

Quelques lois de probabilit


e discr`
etes
Loi uniforme discr`
ete (i, j)
P [X = x] = 1/(j i + 1)

pour x = i, i + 1, . . . , j.

16

Quelques lois de probabilit


e discr`
etes
Loi uniforme discr`
ete (i, j)
P [X = x] = 1/(j i + 1)

pour x = i, i + 1, . . . , j.

Loi binomiale (n, p)


 
n x
P [X = x] =
p (1 p)1x
x
On a E[X] = np et Var[X] = np(1 p).

pour x = 0, . . . , n.

16

17

Loi g
eom
etrique (p)
P [X = x] = p(1 p)x

pour x = 0, 1, . . . .

Elle est sans memoire: P [X = y + x|X y] = P [X = x].

17

Loi g
eom
etrique (p)
P [X = x] = p(1 p)x

pour x = 0, 1, . . . .

Elle est sans memoire: P [X = y + x|X y] = P [X = x].


Loi binomiale n
egative (n, p)
(n + x)
P [X = x] =
pn(1 p)x
(n)(x + 1)
On a E[X] = n(1 p)/p et Var[X] = n(1 p)/p2.

pour x = 0, 1, . . . .

17

Loi g
eom
etrique (p)
P [X = x] = p(1 p)x

pour x = 0, 1, . . . .

Elle est sans memoire: P [X = y + x|X y] = P [X = x].


Loi binomiale n
egative (n, p)
(n + x)
P [X = x] =
pn(1 p)x
(n)(x + 1)
On a E[X] = n(1 p)/p et Var[X] = n(1 p)/p2.
Pour n = 1: loi geometrique.

pour x = 0, 1, . . . .

17

Loi g
eom
etrique (p)
P [X = x] = p(1 p)x

pour x = 0, 1, . . . .

Elle est sans memoire: P [X = y + x|X y] = P [X = x].


Loi binomiale n
egative (n, p)
(n + x)
P [X = x] =
pn(1 p)x
(n)(x + 1)

pour x = 0, 1, . . . .

On a E[X] = n(1 p)/p et Var[X] = n(1 p)/p2.


Pour n = 1: loi geometrique.
Pour n entier: nombre dechecs avant un premier succ`es...

18

Loi de Poisson ()
xe
P [X = x] =
x!
E[X] = Var[X] = .

pour x = 0, 1, 2, . . . .

18

Loi de Poisson ()
xe
P [X = x] =
x!

pour x = 0, 1, 2, . . . .

E[X] = Var[X] = .
Si X1, . . . , Xq indep., Xi Poisson(i), alors X = X1 + + Xq Poisson()
o`
u = 1 + + q .

18

Loi de Poisson ()
xe
P [X = x] =
x!

pour x = 0, 1, 2, . . . .

E[X] = Var[X] = .
Si X1, . . . , Xq indep., Xi Poisson(i), alors X = X1 + + Xq Poisson()
o`
u = 1 + + q .
Si (n, np) (, ), alors X Poisson(). Convergence en O(1/n).

18

Loi de Poisson ()
xe
P [X = x] =
x!

pour x = 0, 1, 2, . . . .

E[X] = Var[X] = .
Si X1, . . . , Xq indep., Xi Poisson(i), alors X = X1 + + Xq Poisson()
o`
u = 1 + + q .
Si (n, np) (, ), alors X Poisson(). Convergence en O(1/n).
Th
eor`
eme. (Bornes explicites.) Soient X1, . . . , Xn indep.,
Xj Binomiale(1, pj ), X = X1 + + Xn et = p1 + + pn.
Alors, pour tout x,


n
x
X

e
2
P [X = x]

p
j.


x!
j=1

18

Loi de Poisson ()
xe
P [X = x] =
x!

pour x = 0, 1, 2, . . . .

E[X] = Var[X] = .
Si X1, . . . , Xq indep., Xi Poisson(i), alors X = X1 + + Xq Poisson()
o`
u = 1 + + q .
Si (n, np) (, ), alors X Poisson(). Convergence en O(1/n).
Th
eor`
eme. (Bornes explicites.) Soient X1, . . . , Xn indep.,
Xj Binomiale(1, pj ), X = X1 + + Xn et = p1 + + pn.
Alors, pour tout x,


n
x
X

e
2
P [X = x]

p
j.


x!
j=1
Exemples: nombre derreurs typographiques dans un livre, nombre de personnes
achetant des actions de Bombardier un jour donne, etc.

19

Loi de Zipf ()
P [X = x] = x/()
o`
u () =

pour x = 1, 2, . . .

.
x=1 x

Particularite et interet: decroissance non exponentielle.

19

Loi de Zipf ()
P [X = x] = x/()
o`
u () =

pour x = 1, 2, . . .

.
x=1 x

Particularite et interet: decroissance non exponentielle.


Loi multinomiale

19

Loi de Zipf ()
P [X = x] = x/()
o`
u () =

pour x = 1, 2, . . .

.
x=1 x

Particularite et interet: decroissance non exponentielle.


Loi multinomiale
Loi multinomiale n
egative

Lois continues univari


ees
Loi uniforme (a, b)
f (x) = 1/(b a)

pour a < x < b.

E[X] = (b a)/2 et Var[X] = (b a)2/12.


.......................................................................................................................................................................................................................................................................................................................................................................................................................

f (x)

b
x

20

21

Loi triangulaire (a, m, b)

f (x)

....
..... ................
.....
........
........
.....
........
.....
.
.
.
........
.
...
.
........
.
.
.
........
...
.
.
.
........
.
...
.
........
.
.
.
........
...
.
.
.
........
.
...
........
.
.
.
.
........
...
.
.
.
........
.
...
........
.
.
.
.
........
...
.
.
........
.
.
...
........
.
.
.
.
........
...
.
.
........
.
.
........
...
.
.
.
.
........
...
.
.
........
.
.
........
...
.
.
.
.
........
...
.
........
.
.
.
........
...
.
.
.
.
........
...
.
........
.
.
.
........
...
.
.
.
.
........
...
.
........
.
.
.
........
...
.
.
.
........
.
...
.
........
.
.
.
........
...
.
.
.
........
.
...
........
.
.
.
.
........
...
.
.
.
........
.
...
........
.
.
.
.
........
...
.
.
........
.
.
...
........
.
.
.
.
........
...
.
.
........
.
.
...
........
.
.
.
.
........
.
..
.....

b
x

Souvent utilisee en labsence de donnees...

22

Loi normale (, )
X N (, 2). Densite:

1
f (x) = exp{(x )2/(2 2)}
2

pour x R.

.....................................
.........
.......
......
.......
......
......
.
.
.
.
.
......
....
.
.
.....
.
.
...
.....
.
.
.
.
.....
....
.
.....
.
.
..
.....
.
.
.
.
.....
....
.
.
.....
.
..
.
.
.....
.
.
.....
....
.
.
.
.....
...
.
.
.....
.
...
.
.....
.
.
.....
...
.
.
.
.....
..
.
.
.
.
....
...
.
.....
.
.
...
.....
.
.
.
.....
...
.
.
.
.....
..
.
.
.
.....
.
....
.....
.
.
.
.....
..
.
.
.
.
.....
....
.
.....
.
.
..
.
.....
.
.
.
.....
...
.
.
.
.
.....
....
.
.....
.
.
.....
...
.
.
.
.
.....
...
.
.
.....
.
.
.....
...
.
.
.
.
.....
....
.
......
.
.
.
......
...
.
.
.
.
.
......
....
.
.
......
.
.
.
.......
.....
.
.
.
.
.
........
.....
.
.
.
........
.
.
.
.........
.....
.
.
.
.
.
.
.
.
...........
......
.
.
.
.
.
..............
.
.
.
.
.
.
....................
.........
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.......................
.......................

f (x)

&

2
x

22

Loi normale (, )
X N (, 2). Densite:

1
f (x) = exp{(x )2/(2 2)}
2

pour x R.

.....................................
.........
.......
......
.......
......
......
.
.
.
.
.
......
....
.
.
.....
.
.
...
.....
.
.
.
.
.....
....
.
.....
.
.
..
.....
.
.
.
.
.....
....
.
.
.....
.
..
.
.
.....
.
.
.....
....
.
.
.
.....
...
.
.
.....
.
...
.
.....
.
.
.....
...
.
.
.
.....
..
.
.
.
.
....
...
.
.....
.
.
...
.....
.
.
.
.....
...
.
.
.
.....
..
.
.
.
.....
.
....
.....
.
.
.
.....
..
.
.
.
.
.....
....
.
.....
.
.
..
.
.....
.
.
.
.....
...
.
.
.
.
.....
....
.
.....
.
.
.....
...
.
.
.
.
.....
...
.
.
.....
.
.
.....
...
.
.
.
.
.....
....
.
......
.
.
.
......
...
.
.
.
.
.
......
....
.
.
......
.
.
.
.......
.....
.
.
.
.
.
........
.....
.
.
.
........
.
.
.
.........
.....
.
.
.
.
.
.
.
.
...........
......
.
.
.
.
.
..............
.
.
.
.
.
.
....................
.........
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.......................
.......................

f (x)

&

2
x

2 2

Si X N (, ) alors Y = aX + b N (a + b, a ).

23

23

2 2

Si X N (, ) alors Y = aX + b N (a + b, a ).
1
(x) = P [Z x] =
2

s2 /2

ds.

Motivation: theor`emes de la limite centrale (TLC).


X normale si X est une somme de nombreux petits effets independants.
Plusieurs versions: Xi de lois differentes, dependence, TLCs multivaries, TLC
fonctionnels, etc.

24

Motivation: theor`emes de la limite centrale (TLC).


X normale si X est une somme de nombreux petits effets independants.
Plusieurs versions: Xi de lois differentes, dependence, TLCs multivaries, TLC
fonctionnels, etc.
Par exemple: Th
eor`
eme.
Soient X1, X2, . . . indep., E[Xi] = i et Var[Xi] = i2.
Posons s2n = 12 + + n2 ,
Yn =

(X1 1) + + (Xn n)
,
sn

et Fn(x) = P [Yn x]. Alors, E[Yn] = 0, Var[Yn] = 1, et


E(|X1 1|3) + + E(|Xn n|3)
sup |Fn(x) (x)|
s3n
n1, xR
o`
u = 3 si les Xi sont i.i.d. et = 6 sinon.

24

Motivation: theor`emes de la limite centrale (TLC).


X normale si X est une somme de nombreux petits effets independants.
Plusieurs versions: Xi de lois differentes, dependence, TLCs multivaries, TLC
fonctionnels, etc.
Par exemple: Th
eor`
eme.
Soient X1, X2, . . . indep., E[Xi] = i et Var[Xi] = i2.
Posons s2n = 12 + + n2 ,
Yn =

(X1 1) + + (Xn n)
,
sn

et Fn(x) = P [Yn x]. Alors, E[Yn] = 0, Var[Yn] = 1, et


E(|X1 1|3) + + E(|Xn n|3)
sup |Fn(x) (x)|
s3n
n1, xR
o`
u = 3 si les Xi sont i.i.d. et = 6 sinon.
La borne sur lerreur depend de lasymetrie.

24

Loi lognormale (, )
Au lieu dune somme, on a un produit de petits effets: Yn = Z1 Z2 Zn.

25

Loi lognormale (, )
Au lieu dune somme, on a un produit de petits effets: Yn = Z1 Z2 Zn.
On a ln Yn = ln Z1 + + ln Zn.

25

25

Loi lognormale (, )
Au lieu dune somme, on a un produit de petits effets: Yn = Z1 Z2 Zn.
On a ln Yn = ln Z1 + + ln Zn.
Sous les conditions du TLC:
ln Yn E[ln Yn]
N (0, 1)
(Var[ln Yn])1/2
On dit que X lognormale si ln X normale.

pour n .

25

Loi lognormale (, )
Au lieu dune somme, on a un produit de petits effets: Yn = Z1 Z2 Zn.
On a ln Yn = ln Z1 + + ln Zn.
Sous les conditions du TLC:
ln Yn E[ln Yn]
N (0, 1)
(Var[ln Yn])1/2
On dit que X lognormale si ln X normale.
Cette loi apparait souvent en economie et finance.

pour n .

25

Loi lognormale (, )
Au lieu dune somme, on a un produit de petits effets: Yn = Z1 Z2 Zn.
On a ln Yn = ln Z1 + + ln Zn.
Sous les conditions du TLC:
ln Yn E[ln Yn]
N (0, 1)
(Var[ln Yn])1/2

pour n .

On dit que X lognormale si ln X normale.


Cette loi apparait souvent en economie et finance.
Si ln X N (, 2), X lognormale(, 2) a la densite
1
(ln x)2 /(2 2 )
f (x) =
e
2x
+ 2 /2

On a E[X] = e

2+ 2

et Var[X] = e

(e

pour x > 0.

1).

25

Loi lognormale (, )
Au lieu dune somme, on a un produit de petits effets: Yn = Z1 Z2 Zn.
On a ln Yn = ln Z1 + + ln Zn.
Sous les conditions du TLC:
ln Yn E[ln Yn]
N (0, 1)
(Var[ln Yn])1/2

pour n .

On dit que X lognormale si ln X normale.


Cette loi apparait souvent en economie et finance.
Si ln X N (, 2), X lognormale(, 2) a la densite
1
(ln x)2 /(2 2 )
f (x) =
e
2x
+ 2 /2

2+ 2

pour x > 0.

On a E[X] = e
et Var[X] = e
(e 1).
Attention: E[ln X] = 6= + 2/2 = ln E[X].

Exemple. On place I0 dollars dans un fond mutuel, pour un an.

26

Exemple. On place I0 dollars dans un fond mutuel, pour un an.


Divisons lannee en n periodes egales.

26

Exemple. On place I0 dollars dans un fond mutuel, pour un an.


Divisons lannee en n periodes egales.
Soit Rj le taux de croissance (aleatoire et annuel) pour la periode j.
La valeur finale sera:
Yn = I0(1 + R1)1/n(1 + R2)1/n (1 + Rn)1/n.

26

Exemple. On place I0 dollars dans un fond mutuel, pour un an.


Divisons lannee en n periodes egales.
Soit Rj le taux de croissance (aleatoire et annuel) pour la periode j.
La valeur finale sera:
Yn = I0(1 + R1)1/n(1 + R2)1/n (1 + Rn)1/n.

Si les Rj sont i.i.d., ou encore si ln(1 + R1), . . . , ln(1 + Rn) obeissent au TLC,
alors
n
1X
ln Yn = ln I0 +
ln(1 + Rj ) normal
n j=1
pour n grand. Donc Yn lognormal.

26

27

Loi exponentielle ()
f (x) = ex

pour x > 0,

F (x) = 1 ex,
r(x) = .
E[X] = 1/ et Var[X] = 1/2.

/2
0

CV = 1.

.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
......
......
......
......
......
......
......
......
.......
.......
.......
.......
........
........
........
.........
.........
..........
..........
...........
...........
............
.............
...............
..................
........................
.....................
..................................
...................................
.....................................
............................

. f (x)

1/

2/

3/
x

27

Loi exponentielle ()
f (x) = ex

pour x > 0,

F (x) = 1 ex,
r(x) = .
E[X] = 1/ et Var[X] = 1/2.

/2
0

CV = 1.

.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
......
......
......
......
......
......
......
......
.......
.......
.......
.......
........
........
........
.........
.........
..........
..........
...........
...........
............
.............
...............
..................
........................
.....................
..................................
...................................
.....................................
............................

. f (x)

1/

2/

3/
x

Seule loi continue qui est sans memoire:


P [X > t + x]
P [X > t + x | X > t] =
P [X > t]

28

Seule loi continue qui est sans memoire:


P [X > t + x] e(t+x)
P [X > t + x | X > t] =
=
P [X > t]
et

28

Seule loi continue qui est sans memoire:


P [X > t + x] e(t+x)
x
P [X > t + x | X > t] =
=
=
e
= P [X > x].
P [X > t]
et

28

Seule loi continue qui est sans memoire:


P [X > t + x] e(t+x)
x
P [X > t + x | X > t] =
=
=
e
= P [X > x].
P [X > t]
et
Cette propriete simplifie beaucoup lanalyse mathematique et lexplique la grande
popularite de la loi exponentielle.

28

Seule loi continue qui est sans memoire:


P [X > t + x] e(t+x)
x
P [X > t + x | X > t] =
=
=
e
= P [X > x].
P [X > t]
et
Cette propriete simplifie beaucoup lanalyse mathematique et lexplique la grande
popularite de la loi exponentielle.
Exemple: duree de vie. Taux de panne constant.

28

Seule loi continue qui est sans memoire:


P [X > t + x] e(t+x)
x
P [X > t + x | X > t] =
=
=
e
= P [X > x].
P [X > t]
et
Cette propriete simplifie beaucoup lanalyse mathematique et lexplique la grande
popularite de la loi exponentielle.
Exemple: duree de vie. Taux de panne constant.
Exemple. Programmation de levenement NextPeriod dans CallEv.

28

Seule loi continue qui est sans memoire:


P [X > t + x] e(t+x)
x
P [X > t + x | X > t] =
=
=
e
= P [X > x].
P [X > t]
et
Cette propriete simplifie beaucoup lanalyse mathematique et lexplique la grande
popularite de la loi exponentielle.
Exemple: duree de vie. Taux de panne constant.
Exemple. Programmation de levenement NextPeriod dans CallEv.
Le taux darrivee passe de j1 `a j .
Suffit de multiplier la duree residuelle jusqu`a la prochaine arrivee par j1/j .

28

Si X1, . . . , Xk indep., Xj exponentielle(j ),


alors X = min(X1, . . . , Xk ) exponentielle() o`
u = 1 + + k .

29

Si X1, . . . , Xk indep., Xj exponentielle(j ),


alors X = min(X1, . . . , Xk ) exponentielle() o`
u = 1 + + k .
Exemple. File M/M/1, taux darrivee , taux de service .

29

Si X1, . . . , Xk indep., Xj exponentielle(j ),


alors X = min(X1, . . . , Xk ) exponentielle() o`
u = 1 + + k .
Exemple. File M/M/1, taux darrivee , taux de service .
Soit X = duree jusquau prochain evenement.

29

Si X1, . . . , Xk indep., Xj exponentielle(j ),


alors X = min(X1, . . . , Xk ) exponentielle() o`
u = 1 + + k .
Exemple. File M/M/1, taux darrivee , taux de service .
Soit X = duree jusquau prochain evenement.
Serveur libre: X exponentielle().

29

Si X1, . . . , Xk indep., Xj exponentielle(j ),


alors X = min(X1, . . . , Xk ) exponentielle() o`
u = 1 + + k .
Exemple. File M/M/1, taux darrivee , taux de service .
Soit X = duree jusquau prochain evenement.
Serveur libre: X exponentielle().
Serveur occupe: X exponentielle( + );

29

Si X1, . . . , Xk indep., Xj exponentielle(j ),


alors X = min(X1, . . . , Xk ) exponentielle() o`
u = 1 + + k .
Exemple. File M/M/1, taux darrivee , taux de service .
Soit X = duree jusquau prochain evenement.
Serveur libre: X exponentielle().
Serveur occupe: X exponentielle( + );
cest une arrivee avec prob. p = /( + ),
une fin de service avec probabilite 1 p.

29

Si X1, . . . , Xk indep., Xj exponentielle(j ),


alors X = min(X1, . . . , Xk ) exponentielle() o`
u = 1 + + k .
Exemple. File M/M/1, taux darrivee , taux de service .
Soit X = duree jusquau prochain evenement.
Serveur libre: X exponentielle().
Serveur occupe: X exponentielle( + );
cest une arrivee avec prob. p = /( + ),
une fin de service avec probabilite 1 p.
Facile `a implanter sans liste devenement!

29

Si X1, . . . , Xk indep., Xj exponentielle(j ),


alors X = min(X1, . . . , Xk ) exponentielle() o`
u = 1 + + k .
Exemple. File M/M/1, taux darrivee , taux de service .
Soit X = duree jusquau prochain evenement.
Serveur libre: X exponentielle().
Serveur occupe: X exponentielle( + );
cest une arrivee avec prob. p = /( + ),
une fin de service avec probabilite 1 p.
Facile `a implanter sans liste devenement!
Generalisations: reseau de files dattentes; chanes de Markov en temps continu.

29

30

Loi de Weibull (, )
f (x) = (x )1 exp[((x ))]

pour x > ,

F (x) = 1 exp[((x ))].


Param`etres: R (localisation), > 0 (forme), > 0 (echelle).

30

Loi de Weibull (, )
f (x) = (x )1 exp[((x ))]

pour x > ,

F (x) = 1 exp[((x ))].


Param`etres: R (localisation), > 0 (forme), > 0 (echelle).
Souvent utilise (avec = 0) pour modeliser les durees de vie.
Pour = 1: loi exponentielle.
Pour > 1: taux de panne croissant, CV > 1.
Pour < 1: taux de panne decroissant, CV < 1.

31
.................
....
...
...
...
...
...
..
...
.
.
...
..
...
...
...
..
...
.
...
..
...
.
...
..
...
..
.
...
...
..
.
...
...
..
.
...
...
..
.
...
...
.
.
...
.
...
.
.
...
.
...
..
...
.
...
...
...
....
...
...
...
...
.
...
.
...
...
..
.
...
...
..
.
...
.
...
.
...
.
...
.
.
...
.
...
.
...
.
.
...
...
....
...
...
...
...
...
.
...
.
...
...
..
.
...
...
..
...
.
...
.
.
...
.
..
..
...
..
.
.
..
...
.
.
..
...
..
....
...
.
..
.
...
...
..
.
...
.
..
.
.
...
...
...
...
....
.
...
...
.
...
..
...
.
.
..
...
.
.
..
...
..
..
.
...
.
..
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..........
..
...
......
.
.
..
.
.
..
.
.
.
.
.
.
.
.
.
.......
...
..
....
.
.
.
.
.
.
.
.
.
...
.
.
.
..
......
.. ...........
..
.
...
.
.
.....
.
..
.
.
.
.
.
.
...
.
.
.
.
.....
..
....
...
..
.
.
.
.
.
.
.
.....
..
...
........
.
.
.
...
.
.....
...
.... ...
.
.
...
.
.
.
...
.
.. ...
.
.
...
.
.
.
... ....
.
...
....
.
.
.
.
.
.
.
... ....
..
.
...
.
.
.
.
.
.
.
... ...
...
.
...
.
.
.
.
.
......
...
.
....
...
...
...
..
...
.......
...
..
....
.
.
... ....
...
.
............
.
.
..
.
...........
.
... ...
.
.
.
.
.
.
.
...........
.
... ....
...
.
.
........... .....
.
.
.
... ....
..
.
.......... ...
.
.
.
.
.
.
..........
...
...
..
.
.
.
.............
.
.
...
.
.
...
.
... ...........
...
.
...
.
.
.
.
...
.
..........
.....
...
.
...
.
..........
.
...
.....
.
.
.
...
...........
..
.
.....
.
.
.
.
...
.
.
.
.
.
...........
.....
...
.
...
....
.
.
............
.....
.
.
.
...
...
..
.............
.
......
.
.
.
.
.
.
...
...
..............
......
.
....
.................
...
.
.
.
......
.
.
.
...
................ ......
...
.
......
.
.
.
...
...
.......
..........................
.
.
.
.
.
.......
...
.
.
.
................
...
.
...
........
.
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.................
...
........
....
...
.
.
.
.
.
.
.
.
.
.
.
.
.........
.
.
.
.
.
...................
.....
...
...
..
.
.........
.
.
.
.
.
.
.....
.
.
.
.
.
.
.
.
.
.
....................
.
...
...........
.
.....
.
.
.
.
.
.
.
.
............. .........
.
.
.
.
.
.
......................
...
.....
..
.................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.....
.........................
...
...............
.
.
...
.
.
.
.
.....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.................
........................... ..
.
..
....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
... ....................................... .........
....
.........................................
.
.
.
.
...................................
.
.
.
...
.................................
...... ......................................
...
....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
......................................
..........................................
......
...
..
...
.
.
.
.
.
.
.
.
.
...............................................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
......
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.......................................................
.
.
......................................................
..
..........................................................................
.......
......
.....................
.........................................................................................................
...
........
......
.
.
.
.
.
.
.
.
.
.
.
................................................................................................................................
.
.........
.
.
.....
......
.....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..............
......
......
........
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.............
..............................
..
..
..............................
............
................................. .........................................................................................

=8
.

= 1/2

=1

=4

1/

2/

Motivation: le minimum le plusieurs v.a. i.i.d. suit approx. une loi de Weibull.

32

Motivation: le minimum le plusieurs v.a. i.i.d. suit approx. une loi de Weibull.
Interpretation: la panne dun syst`eme survient lors de loccurence du premier
evenement parmi plusieurs evenements independants.

32

Motivation: le minimum le plusieurs v.a. i.i.d. suit approx. une loi de Weibull.
Interpretation: la panne dun syst`eme survient lors de loccurence du premier
evenement parmi plusieurs evenements independants.
Autre application: Pour une fonction ayant des millions de minima locaux, la
valeur retournee par un algorithme de recherche aleatoire qui trouve un minimum
local `a partir de chacun de n points de depart, puis retourne le meilleur, suit
souvent (approx.) une loi Weibull. Ici, est la valeur au minimum global.

32

Th
eor`
eme. Soient X1, . . . , Xn i.i.d., P [Xj x] = G(x),
= inf{x | G(x) > 0} > .

33

Th
eor`
eme. Soient X1, . . . , Xn i.i.d., P [Xj x] = G(x),
= inf{x | G(x) > 0} > .
Posons Wn = min(X1, X2, . . . , Xn) et dn tel que G( + dn) = 1/n. Si
G( + 1/(tx))
= x.
t G( + 1/t)
lim

pour > 0, alors



lim P [Wn < dnx] =

1 exp[x] si x > 0,
0
si x 0.

I.e., (Wn )/dn Weibull(, 1) pour n .


La valeur de depend de la forme de G pr`es de x = .

33

Loi de Gumbel (, )
Y Weibull(, ) ssi X = ln Y Gumbel(, ).

34

35

Loi gamma (, )
x1ex
f (x) =
()

pour x > 0,

o`
u
Z
(y) =

xy1exdx

pour y > 0

((k) = (k 1)! si k entier).


Souvent utilise pour modeliser des durees dactivites.

35

Loi gamma (, )
x1ex
f (x) =
()

pour x > 0,

o`
u
Z
(y) =

xy1exdx

pour y > 0

((k) = (k 1)! si k entier).


Souvent utilise pour modeliser des durees dactivites.
Pour k = 1: exponentielle.

35

Loi gamma (, )
x1ex
f (x) =
()

pour x > 0,

o`
u
Z
(y) =

xy1exdx

pour y > 0

((k) = (k 1)! si k entier).


Souvent utilise pour modeliser des durees dactivites.
Pour k = 1: exponentielle.
Pour 2 entier et = 1/2: chi-deux.

35

Loi gamma (, )
x1ex
f (x) =
()

pour x > 0,

o`
u
Z
(y) =

xy1exdx

pour y > 0

((k) = (k 1)! si k entier).


Souvent utilise pour modeliser des durees dactivites.
Pour k = 1: exponentielle.
Pour 2 entier et = 1/2: chi-deux.
Pour = k entier: gamma(, ) Erlang(k, ).

35

Loi gamma (, )
x1ex
f (x) =
()

pour x > 0,

o`
u
Z
(y) =

xy1exdx

pour y > 0

((k) = (k 1)! si k entier).


Souvent utilise pour modeliser des durees dactivites.
Pour k = 1: exponentielle.
Pour 2 entier et = 1/2: chi-deux.
Pour = k entier: gamma(, ) Erlang(k, ).
Cest une somme de k exponentielles() i.i.d.

35

Loi gamma (, )
x1ex
f (x) =
()

pour x > 0,

o`
u
Z
(y) =

xy1exdx

pour y > 0

((k) = (k 1)! si k entier).


Souvent utilise pour modeliser des durees dactivites.
Pour k = 1: exponentielle.
Pour 2 entier et = 1/2: chi-deux.
Pour = k entier: gamma(, ) Erlang(k, ).
Cest une somme de k exponentielles() i.i.d.
Si X Erlang(k, ) et Y Poisson(x), alors P [X x] = P [Y k].

0.5

= 1/2

...
...
..
...
.. ....
... ...
... ..
... ...
... ..
... ...
... ..
... ...
... ..
... ...
... ..
... ...
......
......
.....
......
..
....
......
.....
......
.. ...
... ..
... ...
... ..
... ...
... ...
... ...
... ...
... ...
... ...
... ...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
....
...
....
...
.....
...
.....
...
.....
...
.....
...
.....
.........................................................................
...
.....
.................
................
.....
.....
............
...............
.....
...... .................
..............
..............
.....
............
..............
.
.....
.
.
.
.
.
.
.
.
.......
..............
...................................................................................................................
...
.....
.......
.................................
.............. ..............................................................
...... ..............
.......
............................
.
.
.
.
.
.
.
........
...........................................
............................
..... ..........
.
.
..................
.
.
.................
...........................
.
.
.
.
.
.
.........
........
.................
..................
....
.
.............................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...........
....................
...............................
.........
..........
....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..................................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
................
..........................
............
...........................
....
..........
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..............................
...................
.....................................
.....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...............................................................................
.......
................. ...................................................................................................................................................................................................................................................................................................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.....
.............................................................................................................................................................................................................................................................................
................

=1

=4

4/

=8
.

8/

12/

36

37

Loi beta (, )
( + ) 1
f (x) =
x
(1 x)1
()()

pour 0 < x < 1.

Densite sur un intervalle borne, tr`es flexible.


On peut ajouter des param`etres dechelle et de localisation:
Y = a + (b a)X.

38
...
.
...
...
...
..
..
...
............................................
.
.
.
.
.
.
.
.
.
.
.
.
.........
...
........
.......
...
...
.......
.......
...
.......
...
......
..
......
......
...
.....
..
.
.
.
.
.
.
.
...
.
.
.
.
.....
.....
.....
...
...
.....
.....
...
...
.....
.....
...
.....
.....
..
...
.....
..
.....
.
.
.
.
.
.
.....
...
....
.....
...
...
.....
.....
...
...
.....
.....
....
..
...
.....
....
..
.
...
.
.
.
.
.
.
.
.....
...
....
...
...
...
...
...
...
...
...
...
..
...
...
...
..
...
.
.
.
...
.
.
.
...
.
..
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
.
.
.
.
.
.
...
...
..
..
...
.....
...
....
..
...
...
.....
..................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
.....
.
.
...
.
.
.
.
.
.
......
...
...
..
......
...
......
...
......
...
......
...
.......
...
.......
...
........
... ...............
......... .....
.
.
.
.
...........
..
............
... ....................
........... .....
...............
...
.............
...
...................
...
................
...
.........................
.....................
.
.
...
.
.
.
.
.
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..................................................................................................................................
...
...
...
...
.
...
.
..
...
.
.
...
..
.
...
.
..
...
.
.
...
..
.
.
...
..
.
....
.
.....
...
.
.
.
.....
...
.
.
.
.....
...
.
.....
.
.
..
.
.....
.
.
.
.....
...
.
.
.
.
.....
....
.
.....
.
.
.....
...
.
.
.
.
.....
...
.
.
......
.
.
.
......
....
.
.
.
.
.
.......
....
.
.
.
.........
.
.
.
.
.
............
...............

= 1/2

=3

=1

1/2

...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
.....................................
...
.............
.........
...
.........
.......
..........
........
...
......
..........
........
......
...
..........
.......
.
.....
.
.
...
.
..........
.
.....
....
.
.......... ..
.
.
.
.
.....
............
.....
.
.
.....
.
.
... .............
....
....
.
..........
.
..
.
.
....
..........
...
...
.
.
.
...
.
.
.
.
..........
...
...
...
.
.
..........
.
.
...
.
...
..........
...
.
.
.
...
...
.
.
.
.
..........
...
.
...
...
.
..........
.
.
.
...
..........
...
...
.
.
.
.
.
.
...
..........
...
....
.
..........
...
.
.
...
.
..........
...
...
.
.
...
.
.
.
.
.
..........
...
...
...
.
.
.
.
.
.
.
.
.
...
.
.
..........
....
...
.
..........
.
...
.
....
.
..........
...
.
...
....
.
.
.
.
.
.
..........
.....
...
.......... .........
.....
...
.............
.....
.
.
...
......
... ...............
.
.
.
.
...
.
.
......
..........
....
.
......
.
.
...
.
.
.
.
.
.
.
..........
......
...
.
...
.
.
.
.
.
.
.
.
.
.
......
..........
...
...
.
.
......
.
.
.
.
.
.
.
.
..........
.......
...
....
.
.
.
.
.
.
.
.
.
.
.......
..........
...
....
.
........
.
.
.
.
.
.
.
.
.
..........
...
........
...
.
.
.
.
.
.
.
.
...
.
.
.
.........
..........
....
.
.
.........
.
.
.
...
.
.
.
.
.
.
..........
.......... ........
...
..........
..............
..........
...
.
.
.
.
.
.
.
.
.
.
.
.
.
............
..........
...
....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..........
..............
...
.....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
................
..........
...
....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...
.
.
.
..................
..........
....
.
.
.
.
.
.
.
.
.
.
.
.
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.....................
..........
.....
.
.
.
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.........................
..........
......
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..............................
..........
...
.......
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...................................
..........
..
........
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...........................................
.......... .....
............
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.......
.
.
.
.
.
.
.
.
.
.
.
.....................

= 0.3, = 2

= 1, = 2

1/2

= 4, = 2

39

...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
.....................................
...
.............
.........
...
.........
.......
..........
........
...
......
..........
........
......
...
..........
.......
.
.....
.
.
...
.
..........
.
.....
....
.
.......... ..
.
.
.
.
.....
............
.....
.
.
.....
.
.
... .............
....
....
.
..........
.
..
.
.
....
..........
...
...
.
.
.
...
.
.
.
.
..........
...
...
...
.
.
..........
.
.
...
.
...
..........
...
.
.
.
...
...
.
.
.
.
..........
...
.
...
...
.
..........
.
.
.
...
..........
...
...
.
.
.
.
.
.
...
..........
...
....
.
..........
...
.
.
...
.
..........
...
...
.
.
...
.
.
.
.
.
..........
...
...
...
.
.
.
.
.
.
.
.
.
...
.
.
..........
....
...
.
..........
.
...
.
....
.
..........
...
.
...
....
.
.
.
.
.
.
..........
.....
...
.......... .........
.....
...
.............
.....
.
.
...
......
... ...............
.
.
.
.
...
.
.
......
..........
....
.
......
.
.
...
.
.
.
.
.
.
.
..........
......
...
.
...
.
.
.
.
.
.
.
.
.
.
......
..........
...
...
.
.
......
.
.
.
.
.
.
.
.
..........
.......
...
....
.
.
.
.
.
.
.
.
.
.
.......
..........
...
....
.
........
.
.
.
.
.
.
.
.
.
..........
...
........
...
.
.
.
.
.
.
.
.
...
.
.
.
.........
..........
....
.
.
.........
.
.
.
...
.
.
.
.
.
.
..........
.......... ........
...
..........
..............
..........
...
.
.
.
.
.
.
.
.
.
.
.
.
.
............
..........
...
....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..........
..............
...
.....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
................
..........
...
....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...
.
.
.
..................
..........
....
.
.
.
.
.
.
.
.
.
.
.
.
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.....................
..........
.....
.
.
.
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.........................
..........
......
...
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..............................
..........
...
.......
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...................................
..........
..
........
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...........................................
.......... .....
............
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.......
.
.
.
.
.
.
.
.
.
.
.
.....................

= 0.3, = 2

= 1, = 2

= 4, = 2

1/2

Voir Law et Kelton (2000) pour dautres figures.

39

40

Loi du chi-deux (n)


x(n/2)1ex/2
f (x) = n/2
2 (n/2)
Cas particulier de la loi gamma.
E[X] = n et Var[X] = 2n.

pour x > 0.

40

Loi du chi-deux (n)


x(n/2)1ex/2
f (x) = n/2
2 (n/2)

pour x > 0.

Cas particulier de la loi gamma.


E[X] = n et Var[X] = 2n.
Si X1, . . . , Xn i.i.d. N (0, 1), alors X = X1 + + Xn chi-deux(n).

40

Loi du chi-deux (n)


x(n/2)1ex/2
f (x) = n/2
2 (n/2)

pour x > 0.

Cas particulier de la loi gamma.


E[X] = n et Var[X] = 2n.
Si X1, . . . , Xn i.i.d. N (0, 1), alors X = X1 + + Xn chi-deux(n).
Utilise dans les tests de chi-deux et pour calculer un intervalle de confiance pour la
variance.

.2

.1

41

n=4
.

.............
... .......
...
...
..
...
.
.
...
...
...
...
....
...
...
...
...
...
...
...
...
....
...
..
...
...
...
...
...
... ................................
...
.......
...
.......
......
..... ...
.
...
......
.... .....
.
.....
.
...
...
..
.....
.
.
...
.....
...
..
.
.....
...
.
.
...
.....
...
...
.
.
.....
...
.
.
.....
...
.
.
...
.....
...
...
.
.
.....
...
..
.....
.
.
...
...
.....
.
.
.
.
.
......
....
.....
......
...
.
..................................................................................
..
.
.
.....
......
......................
...................
..
.
...
.
.....
......
...............
.................
..
.....
......
.............
................
...
.
......
.......
.
............
.
...............
.
.
.
.
.
.
.
.
.
.
.
...
.......
......
................
.......
.
.
.
.
.
........
...
.
......
................
.
.
.
.
.
...
......
.........
.
.
.................
.......
.
.
.
.
.
.
.
.
.
.
.
.
...
...................
..........
........
.......
.
..
.
.
.
.
.
.....................
.
.
.
.
.
.
.
.
.
.
.
.
.
...
.
.
.
.
.............
..........
.........................
........
.
.
..
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...
.................................
.
.
.
.
.
.
................
...........................
..
.
.
.........................
.
.
.
...........................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.... ...........
.
.
...........
.......
............................................................ ...................................................................................... .......................................................
........

n=8

n = 32

16

24

32

40

Loi de Pareto (, )
Il y en a plusieurs types.
Propriete: F (x) cx.

42

42

Loi de Pareto (, )
Il y en a plusieurs types.
Propriete: F (x) cx.
Par exemple:
f (x) = x(+1)
F (x) = 1 (/x).

pour x > ,

42

Loi de Pareto (, )
Il y en a plusieurs types.
Propriete: F (x) cx.
Par exemple:
f (x) = x(+1)

pour x > ,

F (x) = 1 (/x).
E[X] = /( 1) pour > 1, infini sinon.
Var[X] = 2/[( 2)( 1)] pour > 2, infini sinon.

42

Loi de Pareto (, )
Il y en a plusieurs types.
Propriete: F (x) cx.
Par exemple:
f (x) = x(+1)

pour x > ,

F (x) = 1 (/x).
E[X] = /( 1) pour > 1, infini sinon.
Var[X] = 2/[( 2)( 1)] pour > 2, infini sinon.
Utilise pour modeliser la taille des reclamations en assurance, et la taille des
messages en dans les reseaux de communication.

43

....
......
.....
.....
... ..
... ...
... ...
... ...
... ....
... ...
... ...
... ...
... ....
... ...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
.....
.....
...
.....
...
.....
...
.....
...
.....
...
.....
...
.....
...
.....
...
.....
...
.....
....
.....
....
.....
.....
.....
.....
.....
.....
.....
......
.....
......
.....
......
.....
......
.....
.....
......
.....
......
......
......
......
......
.......
......
.......
......
.......
.......
.......
.......
........
........
........
........
........
........
.........
.........
..........
.........
..........
.........
...........
..........
.............
...........
..............
........
...............
................. .........................
....................
....................................................
.........................................
.................................
............................................................
..................................................................................
..
..................................
.................................................................................................................................................................................................................................................
..
...................................................................
...............................................................................................................................................................

Exp

= 1

44

Familles de Johnson
Tr`es flexibles, grande variete de formes.
Peut imiter la plupart des lois standard.
Forme generale:
F (x) = [ + g((x )/)],

for x R.

Param`etres: et > 0 (forme), (localisation), > 0 (echelle).


Transformation g choisie parmi:

ln y

1
sinh (y) = ln(y + y 2 + 1)
g(y) =
ln(y/(1 y))

famille
famille
famille
famille

lognormale,
non bornee,
bornee,
normale.

44

Familles de Johnson
Tr`es flexibles, grande variete de formes.
Peut imiter la plupart des lois standard.
Forme generale:
F (x) = [ + g((x )/)],

for x R.

Param`etres: et > 0 (forme), (localisation), > 0 (echelle).


Transformation g choisie parmi:

ln y

1
sinh (y) = ln(y + y 2 + 1)
g(y) =
ln(y/(1 y))

famille
famille
famille
famille

Dans chaque cas, Z = + g((X )/) N (0, 1).

lognormale,
non bornee,
bornee,
normale.

Ainsi X = + g

45

((Z )/) o`
u

z
e

z
(e ez )/2
1
g (z) =
1/(1 + ez )

pour
pour
pour
pour

la
la
la
la

famille
famille
famille
famille

lognormale,
non bornee,
bornee,
normale.

Densite:



0
2
f (x) = f (x )/) exp ( + f ((x )/)) /2
2
H = (, ) pour normale et non bornee,
H = [, + ] pour bornee,
H = [, ) pour lognormale.

pour x H,

Lois `
a phases exponentielles
Approxime une loi quelconque par une somme ou un melange dexponentielles.
Motivation: avantages de la propriete sans memoire de lexponentielle.

46

Lois `
a phases exponentielles
Approxime une loi quelconque par une somme ou un melange dexponentielles.
Motivation: avantages de la propriete sans memoire de lexponentielle.
A. Somme de k exponentielles
i.i.d.: Erlang.
Coefficient de variation 1/ k.

46

Lois `
a phases exponentielles
Approxime une loi quelconque par une somme ou un melange dexponentielles.
Motivation: avantages de la propriete sans memoire de lexponentielle.
A. Somme de k exponentielles
i.i.d.: Erlang.
Coefficient de variation 1/ k.
B. Somme de k exponentielles de taux 1, . . . , k : hypoexponentielle(1, . . . , k ).
Coefficient de variation < 1.
Idee: decompose une duree en une somme de durees plus courtes, indep.

46

Lois `
a phases exponentielles
Approxime une loi quelconque par une somme ou un melange dexponentielles.
Motivation: avantages de la propriete sans memoire de lexponentielle.
A. Somme de k exponentielles
i.i.d.: Erlang.
Coefficient de variation 1/ k.
B. Somme de k exponentielles de taux 1, . . . , k : hypoexponentielle(1, . . . , k ).
Coefficient de variation < 1.
Idee: decompose une duree en une somme de durees plus courtes, indep.
C. Melange de k exponentielles (i.e., en parall`ele).
X exponentielle(j ) avec probabilite pj , 1 j k:
X hyperexponentielle(p1, 1, . . . , pk , k ).

46

Lois `
a phases exponentielles
Approxime une loi quelconque par une somme ou un melange dexponentielles.
Motivation: avantages de la propriete sans memoire de lexponentielle.
A. Somme de k exponentielles
i.i.d.: Erlang.
Coefficient de variation 1/ k.
B. Somme de k exponentielles de taux 1, . . . , k : hypoexponentielle(1, . . . , k ).
Coefficient de variation < 1.
Idee: decompose une duree en une somme de durees plus courtes, indep.
C. Melange de k exponentielles (i.e., en parall`ele).
X exponentielle(j ) avec probabilite pj , 1 j k:
X hyperexponentielle(p1, 1, . . . , pk , k ).
Pk
Pk
E[X] = j=1 pj /j et Var[X] = 2 j=1 pj /2j E[X]2.
Coefficient de variation > 1, augmente avec k (en gros).

46

Lois `
a phases exponentielles
Approxime une loi quelconque par une somme ou un melange dexponentielles.
Motivation: avantages de la propriete sans memoire de lexponentielle.
A. Somme de k exponentielles
i.i.d.: Erlang.
Coefficient de variation 1/ k.
B. Somme de k exponentielles de taux 1, . . . , k : hypoexponentielle(1, . . . , k ).
Coefficient de variation < 1.
Idee: decompose une duree en une somme de durees plus courtes, indep.
C. Melange de k exponentielles (i.e., en parall`ele).
X exponentielle(j ) avec probabilite pj , 1 j k:
X hyperexponentielle(p1, 1, . . . , pk , k ).
Pk
Pk
E[X] = j=1 pj /j et Var[X] = 2 j=1 pj /2j E[X]2.
Coefficient de variation > 1, augmente avec k (en gros).
Exemple: temps de CPU consomme par un programme.

46

47

D. Loi `a phases exponentielles.


X = X1 + XR o`
u X1, . . . , Xk , R v.a. indep., Xj exponentielle(j ),

if r = 1,
1 p1
P [R = r] = p1 pr1(1 pr ) if 2 r k 1,

p1 pk1
if r = k.
p1

p2

p3

pk1

X
Xk
1 +X2 +X3 +

1p1 y
1p2 y
1p3 y
1y

47

D. Loi `a phases exponentielles.


X = X1 + XR o`
u X1, . . . , Xk , R v.a. indep., Xj exponentielle(j ),

if r = 1,
1 p1
P [R = r] = p1 pr1(1 pr ) if 2 r k 1,

p1 pk1
if r = k.
p1

p2

p3

pk1

X
Xk
1 +X2 +X3 +

1p1 y
1p2 y
1p3 y
1y

Th
eor`
eme. Si F est une fonction de repartition continue sur [0, ), pour tout
 > 0, il existe une loi exponentielle `a phases H telle que |H(t) F (t)| <  pour
tout t > 0.

47

D. Loi `a phases exponentielles.


X = X1 + XR o`
u X1, . . . , Xk , R v.a. indep., Xj exponentielle(j ),

if r = 1,
1 p1
P [R = r] = p1 pr1(1 pr ) if 2 r k 1,

p1 pk1
if r = k.
p1

p2

p3

pk1

X
Xk
1 +X2 +X3 +

1p1 y
1p2 y
1p3 y
1y

Th
eor`
eme. Si F est une fonction de repartition continue sur [0, ), pour tout
 > 0, il existe une loi exponentielle `a phases H telle que |H(t) F (t)| <  pour
tout t > 0.
Application. Dans une simulation, si on approxime les lois de toutes les durees par
des lois `a phases exponentielles, alors plus besoin de liste devenements!

48

Lois tronqu
ees
........................................
.........
.......
.......
......
......
......
......
.....
.
.
.
.
.....
...
.
.
.....
.
.
.....
...
.
.
.
.
.....
...
.
.
.....
.
.
.....
....
.
.
.
.....
...
.
.
.
.....
..
.
.
.
.....
.
.....
....
.
.
.
.....
...
.
.
.
.....
...
.
.....
.
.
..
.
.....
.
.
.
..
....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
......
......
......
......
.......
........
........
.........
...........
..............
....................
.......................

3 2

+ + 2 + 3
x

48

Lois tronqu
ees
........................................
.........
.......
.......
......
......
......
......
.....
.
.
.
.
.....
...
.
.
.....
.
.
.....
...
.
.
.
.
.....
...
.
.
.....
.
.
.....
....
.
.
.
.....
...
.
.
.
.....
..
.
.
.
.....
.
.....
....
.
.
.
.....
...
.
.
.
.....
...
.
.....
.
.
..
.
.....
.
.
.
..
....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
......
......
......
......
.......
........
........
.........
...........
..............
....................
.......................

3 2

+ + 2 + 3
x

Pour tronquer f (x) sur un intervalle (a, b):


f(x) =

o`
uK=

Rb
a

f (u)du.

f (x)/K
0

pour a < x < b,


ailleurs,

48

Lois tronqu
ees
........................................
.........
.......
.......
......
......
......
......
.....
.
.
.
.
.....
...
.
.
.....
.
.
.....
...
.
.
.
.
.....
...
.
.
.....
.
.
.....
....
.
.
.
.....
...
.
.
.
.....
..
.
.
.
.....
.
.....
....
.
.
.
.....
...
.
.
.
.....
...
.
.....
.
.
..
.
.....
.
.
.
..
....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
......
......
......
......
.......
........
........
.........
...........
..............
....................
.......................

3 2

+ + 2 + 3
x

Pour tronquer f (x) sur un intervalle (a, b):


f(x) =

o`
uK=

Rb
a

f (x)/K
0

pour a < x < b,


ailleurs,

f (u)du.

Pour generer des v.a. selon f:

U Uniforme(F (a), F (b)) et X = F 1(U ).

Lois d
ecal
ees
X = X0 + a o`
u X0 a une loi standard.
Exemples: exponentielle, gamma, lognormale, ...

49

Lois d
ecal
ees
X = X0 + a o`
u X0 a une loi standard.
Exemples: exponentielle, gamma, lognormale, ...
Estimer le param`etre a `a partir des donnees est parfois difficile!

49

M
elanges de lois

f (x) =

wj fj (x),

j=1

o`
u chaque fj est une densite et les poids wj somment `a 1.

50

M
elanges de lois

f (x) =

wj fj (x),

j=1

o`
u chaque fj est une densite et les poids wj somment `a 1.
Population divisee en sous-ensembles, chaque sous-ensemble a sa propre
distribution.

50

M
elanges de lois

f (x) =

wj fj (x),

j=1

o`
u chaque fj est une densite et les poids wj somment `a 1.
Population divisee en sous-ensembles, chaque sous-ensemble a sa propre
distribution.
Melange non denombrable:
Z
f (x) =

f (x)w()d,

o`
u Rd, et w une densite sur .

50

M
elanges de lois

f (x) =

wj fj (x),

j=1

o`
u chaque fj est une densite et les poids wj somment `a 1.
Population divisee en sous-ensembles, chaque sous-ensemble a sa propre
distribution.
Melange non denombrable:
Z
f (x) =

f (x)w()d,

o`
u Rd, et w une densite sur .
Pour generer X, generer dabord Y selon les poids, puis X sous la densite fY .

50

M
elanges de lois

f (x) =

wj fj (x),

j=1

o`
u chaque fj est une densite et les poids wj somment `a 1.
Population divisee en sous-ensembles, chaque sous-ensemble a sa propre
distribution.
Melange non denombrable:
Z
f (x) =

f (x)w()d,

o`
u Rd, et w une densite sur .
Pour generer X, generer dabord Y selon les poids, puis X sous la densite fY .
Example: X binomiale(n, p) o`
u p beta(, ).

50