Académique Documents
Professionnel Documents
Culture Documents
A. Latouche
aurelien.latouche@cnam.fr
STA103
1 / 19
Propriétés de la distribution exponentielle
2 / 19
Autour de la loi Exponentielle
3 / 19
Démonstration de la propriété
I ← évident
I → : f (Z ) et f (Z ) indépendants donc
I ⇒ cov (f (Z ), f (Z )) = 0 et
I E ([f (Z ) − E (f (Z ))]2 ) = 0
d’où f (Z ) = E (f (Z )) donc f(Z) constante
4 / 19
Astuce :
On peut décomposer
min(X , Y ) = X I{X < Y } + Y (1 − I{X < Y })
L’indépendance n’est pas évidente
5 / 19
P(min(X , Y ) > t, X ≤ Y ) = P(X > t, X ≤ Y )
I or P(X > t, X ≤ Y ) = E (I{X > t, X ≤ Y })
R∞R∞
I P(min(X , Y ) > t, X ≤ Y ) = 0 0
I{x > t, x ≤ y }
λ exp(−λx) γ exp(−γy )dxdy
R∞
I P(min(X , Y ) > t, X ≤ Y ) = 0 I{x > t}
R∞
λ exp(−λx) x γ exp(−γy )dydx
R∞
I P(min(X , Y ) > t, X ≤ Y ) = 0
I{x > t}λ exp(−λx) exp(−γx)dx
R∞
I P(min(X , Y ) > t, X ≤ Y ) == t
λ exp(−(λ + γ)x)dx
λ
I P(min(X , Y ) > t, X ≤ Y ) = exp −(λ + γ)t
λ+γ
γ
I Par symétrie P(min(X , Y ) > t, X ≥ Y ) = exp −(λ + γ)t
λ+γ
En faisant la somme, on obtient P(min(X , Y ) > t) = exp −(λ + γ)t
6 / 19
Loi Géométrique et Loi exponentielle
On veut déterminer la loi de la variable T = “temps d’attente entre la
réalisation de deux événements successifs”
où le nombre moyen de réalisations de l’événement par unité de temps
est λ.
Si t est la longueur de l’intervalle de temps sur lequel dure notre étude,
nous le divisons en n petits intervalles de longueur t/n.
I Appelons X la variable aléatoire représentant le nombre d’intervalles
de temps que l’on doit laisser s’écouler pour obtenir la réalisation de
l’événement suivant.
I Chaque intervalle possédant la même probabilité λt/n de voir
l’événement se produire,
I X suit, par définition, la loi géométrique de paramètre λt/n.
7 / 19
Loi géometrique et Loi exponentielle
X ∼ G (λt/n)
On cherche P(T > t0 ) = P(X > nt0 /t)
I Si Y ∼ Geo(p) alors P(Y > k) = q k
8 / 19
Loi normale
9 / 19
Définition
Une variable aléatoire continue suit une loi normale si l’expression
de sa fonction de densité de probabilités est de la forme :
1 1 x−m 2
f (x) = √ e − 2 ( σ ) , x ∈ R.
σ 2π
E (X ) = m, Var (X ) = σ 2 , σ(X ) = σ.
10 / 19
La distribution du χ2 de Pearson
Définition
Si X1 , X2 , . . . , Xn sont n variables aléatoires indépendantes qui
suivent toute la loi normale centrée réduite, alors la quantité
X = X12 + X22 + · · · + Xn2 est une variable aléatoire distribuée selon
la loi du χ2 à n degrés de liberté.
On note X * χ2n .
11 / 19
Somme de deux lois du χ2
12 / 19
Loi de Fisher–Snedecor
X /n
I Alors U = Y /m suit une loi de Fisher Snedecor F(n,m)
13 / 19
Propriétés de F
Y /m
Soit V = X /n
I V ∼ F (m, n)
(n,m) (n,m)
I Soit fα tel que P(U < fα ) = α alors
(m,n)
f1−α = 1/fα(n,m)
(8,5) (5,8)
Exemple : f0.95 = 1/f0.05
(5,8)
I f0.05 = 0.207
(8,5)
I f0.95 = 4.82
I On vérifie que qf(0.05,5,8)= 1/qf(0.95,8,5)
14 / 19
Loi de Student
Définition
Soient X et Y deux variables aléatoires indépendantes, la première
étant distribuée selon une loi normale centrée réduite N (0, 1) et la
deuxième selon une√ loi de khi-deux à n degrés de liberté. La
X n
quantité T = √ est une variable aléatoire qui suit une loi de
Y
Student à n degrés de liberté.
On écrit T * Tn .
n
On a E (Tn ) = 0 si n > 1 et Var (Tn ) = n−2 si n > 2.
15 / 19