Académique Documents
Professionnel Documents
Culture Documents
| Loi uniforme
Plan du chapitre
1 Loi uniforme
2 Loi exponentielle
3 Loi Normale ou Gaussienne
Loi Normale
Loi du khi-deux
Loi de Soudent
Loi de Fisher-Snedecor
Loi uniforme
4 Convergences
Convergence en probabilité
Convergence en loi
Convergence presque sûre
5 Théorèmes importants
Loi faible des grands nombres
Théorème central-imite
6 Approximation
Pr. A. IFZARNE | cbna 3 / 51 Pr. A. IFZARNE | cbna 4 / 51
Lois à densité classiques : Loi uniforme Lois à densité classiques : Loi uniforme - suite 1
Moments
L’espérance et la variance de 𝑋 ≍ 𝒰([Ð, Ñ]) sont :
Domaine d’application
Cette loi modélise un phénomène uniforme (équipartition) sur un
intervalle donné.
Lois à densité classiques : Loi exponentielle Lois à densité classiques : Loi exponentielle - suite 1
Moments
L’espérance et la variance de 𝑋 ≍ ℰ(Ú) sont :
1 1
𝐸(𝑋) = et 𝑉 (𝑋) = 2
Ú Ú
Loi Normale ou Gaussienne
Domaine d’application
Les lois exponentielles sont souvent utilisées pour modéliser des
temps d’attente ou des durées de vie.
Par exemple, les temps d’attente à partir de maintenant du prochain
tremblement de terre, de la prochaine panne d’un appareil, de la
prochaine désintégration dans un réacteur nucléaire.
Lois à densité classiques : Loi Normale Lois à densité classiques : Loi Normale - suite 1
| Loi Normale ou Gaussienne | Loi Normale | Loi Normale ou Gaussienne | Loi Normale
Lois à densité classiques : Loi Normale - suite 2 Lois à densité classiques : Loi Normale - suite 3
Proposition 3.1 x
0,0
0.00
0.50000
0.01
0.50399
0.02
0.50798
0.03
0.51197
0.04
0.51595
0.05
0.51994
0.06
0.52392
0.07
0.52790
0.08
0.53188
0.09
0.53586
0,1 0.53983 0.54380 0.54776 0.55172 0.55567 0.55962 0.56356 0.56749 0.57142 0.57535
Soit 𝑋 ≍ 𝒩 (𝑚, à 2 ),
Lorsque 𝑚 = 0 et à2
= 1 on lŠappelle la loi normale 0,2 0.57926 0.58317 0.58706 0.59095 0.59483 0.59871 0.60257 0.60642 0.61026 0.61409
0,3 0.61791 0.62172 0.62552 0.62930 0.63307 0.63683 0.64058 0.64431 0.64803 0.65173
standard ou loi normale centré réduite 𝑋 ≍ 𝒩 (0, 1). La densité de 𝑋 est 0,4 0.65542 0.65910 0.66276 0.66640 0.67003 0.67364 0.67724 0.68082 0.68439 0.68793
0,5 0.69146 0.69497 0.69847 0.70194 0.70540 0.70884 0.71226 0.71566 0.71904 0.72240
donnée par : 0,6 0.72575 0.72907 0.73237 0.73565 0.73891 0.74215 0.74537 0.74857 0.75175 0.75490
0,7 0.75804 0.76115 0.76424 0.76730 0.77035 0.77337 0.77637 0.77935 0.78230 0.78524
⎟ ⟨ 0,8 0.78814 0.79103 0.79389 0.79673 0.79955 0.80234 0.80511 0.80785 0.81057 0.81327
1 𝑡2 0,9 0.81594 0.81859 0.82121 0.82381 0.82639 0.82894 0.83147 0.83398 0.83646 0.83891
𝜙(𝑡) = √ exp ⊗ , ∀𝑡 ∈ R 1,0
1,1
0.84134
0.86433
0.84375
0.86650
0.84614
0.86864
0.84849
0.87076
0.85083
0.87286
0.85314
0.87493
0.85543
0.87698
0.85769
0.87900
0.85993
0.88100
0.86214
0.88298
2Þ 2 1,2 0.88493 0.88686 0.88877 0.89065 0.89251 0.89435 0.89617 0.89796 0.89973 0.90147
1,3 0.90320 0.90490 0.90658 0.90824 0.90988 0.91149 0.91309 0.91466 0.91621 0.91774
et sa fonction de répartition Φ est donnée par la formule : 1,4
1,5
0.91924
0.93319
0.92073
0.93448
0.92220
0.93574
0.92364
0.93699
0.92507
0.93822
0.92647
0.93943
0.92785
0.94062
0.92922
0.94179
0.93056
0.94295
0.93189
0.94408
1,6 0.94520 0.94630 0.94738 0.94845 0.94950 0.95053 0.95154 0.95254 0.95352 0.95449
⎟ ⟨ 1,7 0.95543 0.95637 0.95728 0.95818 0.95907 0.95994 0.96080 0.96164 0.96246 0.96327
𝑡2
∫︁ 𝑥
1 1,8 0.96407 0.96485 0.96562 0.96638 0.96712 0.96784 0.96856 0.96926 0.96995 0.97062
Φ(𝑥) = √ exp ⊗ 𝑑𝑡, ∀𝑥 ∈ R. 1,9 0.97128 0.97193 0.97257 0.97320 0.97381 0.97441 0.97500 0.97558 0.97615 0.97670
2Þ −∞ 2 2,0 0.97725 0.97778 0.97831 0.97882 0.97932 0.97982 0.98030 0.98077 0.98124 0.98169
2,1 0.98214 0.98257 0.98300 0.98341 0.98382 0.98422 0.98461 0.98500 0.98537 0.98574
2,2 0.98610 0.98645 0.98679 0.98713 0.98745 0.98778 0.98809 0.98840 0.98870 0.98899
et on a lŠidentité : Φ(⊗𝑥) = 1 ⊗ Φ(𝑥), ∀𝑥 ∈ R. 2,3 0.98928 0.98956 0.98983 0.99010 0.99036 0.99061 0.99086 0.99111 0.99134 0.99158
2,4 0.99180 0.99202 0.99224 0.99245 0.99266 0.99286 0.99305 0.99324 0.99343 0.99361
2,5 0.99379 0.99396 0.99413 0.99430 0.99446 0.99461 0.99477 0.99492 0.99506 0.99520
2,6 0.99534 0.99547 0.99560 0.99573 0.99585 0.99598 0.99609 0.99621 0.99632 0.99643
La table suivante donne pour tout 𝑥 de 0 jusqu’à 2.99 par pas de 0.01, la 2,7 0.99653 0.99664 0.99674 0.99683 0.99693 0.99702 0.99711 0.99720 0.99728 0.99736
2,8 0.99744 0.99752 0.99760 0.99767 0.99774 0.99781 0.99788 0.99795 0.99801 0.99807
valeur de Φ(𝑥). L’entrée en ligne donne les deux premiers chiffres de 𝑥. 2,9 0.99813 0.99819 0.99825 0.99831 0.99836 0.99841 0.99846 0.99851 0.99856 0.99861
| Loi Normale ou Gaussienne | Loi Normale | Loi Normale ou Gaussienne | Loi Normale
Lois à densité classiques : Loi Normale - suite 4 Lois à densité classiques : Loi Normale - suite 5
x 3,0 3,1 3,2 3,3 3,4 3,5 3,6 3,8 4,0 4,5 Propriété 3.1
Φ(x) 0.99865 0.99903 0.99931 0.99952 0.99966 0.99977 0.99984 0.99993 0.99996 0.99999
Soient 𝑋 ≍ 𝒩 (𝑚, à 2 ) et 𝑎, 𝑏 ∈ R alors on a :
≈ 𝑌 = 𝑎𝑋 + 𝑏 ≍ 𝒩 (𝑎𝑚 + 𝑏, 𝑎2 à 2 ).
Exemple 3.1
≈ Si 𝑋 ≍ 𝒩 (𝑚, à 2 ) alors 𝑍 = 𝑋−𝑚
≍ 𝒩 (0, 1).
Φ(1, 73) = 𝑃 (𝑋 ⊘ 1, 73) = 0.95818, à
≈ Si 𝑍 ≍ 𝒩 (0, 1) alors 𝑋 = à𝑍 + 𝑚 ≍ 𝒩 (𝑚, à 2 ).
Φ(1, 96) = 𝑃 (𝑋 ⊘ 1, 96) = 0.975,
Φ(⊗1, 54) = 1 ⊗ Φ(1, 54) = 1 ⊗ 0.93822 = 0.06178.
Lois à densité classiques : Loi Normale - suite 6 Lois à densité classiques : Loi Normale - Manipulation
de la loi normale
Exemple 3.2
Considérons 𝑋 une v. a. qui suit une loi 𝒩 (6, 2). Et soit 𝑍 une v.a. de
loi 𝒩 (0, 1), on a par exemple :
𝑋 ⊗6 7⊗6
⎤ ⎣
𝑃 (𝑋 ⊘ 7) = 𝑃 ⊘
2 2
1
= 𝑃 (𝑍 ⊘ ) = 0.6915
2
| Loi Normale ou Gaussienne | Loi Normale | Loi Normale ou Gaussienne | Loi Normale
Lois à densité classiques : Loi Normale - Manipulation Lois à densité classiques : Loi Normale
de la loi normale - suite 1
Proposition 3.2
La somme de deux v.a. indépendantes suivant les lois Normales
𝒩 (𝑚1 , à12 ) et 𝒩 (𝑚2 , à22 ) suit la loi Normale 𝒩 (𝑚1 + 𝑚2 , à12 + à22 ).
Autrement dit, lorsque l’on a une variable aléatoire qui suit une loi normale
𝑋 ≍ 𝒩 (𝑚, à 2 ), on est "pratiquement sûr" que la valeur se situera entre
𝑚 ⊗ 3à et 𝑚 + 3à.
Pr. A. IFZARNE | cbna 21 / 51 Pr. A. IFZARNE | cbna 22 / 51
| Loi Normale ou Gaussienne | Loi Normale | Loi Normale ou Gaussienne | Loi du khi-deux
Lois à densité classiques : Loi Normal - Exemple Lois à densité classiques : Loi khi-deux
Lois à densité classiques : Loi khi-deux - suite 1 Lois à densité classiques : Loi de Student
Définition 3.3 (Loi de Student)
Soient 𝑋1 une v.a normale standard (𝑋1 ≍ 𝒩 (0, 1)) et 𝑋2 une v.a
indépendante de 𝑋1 et qui suit une loi de khi-deux à 𝑛 degrés de liberté
(𝑋2 ≍ 𝒳2 (𝑛)). La v.a 𝑇 déĄnie par
𝑋1
𝑋 = √︁ suit la loi de student à 𝑛 degrés de liberté
𝑋2
𝑛
Figure – Courbe de la densité de la loi 𝒳2 (𝑛).
sa densité de probabilité est déĄnie par :
Moments 1 Γ( 𝑛+1 𝑥2 n+1
2 )
𝑓 (𝑥) = √ (1 + )− 2 , 𝑥 ∈ R.
L’espérance et la variance de 𝑋 ≍ 𝒳2 (𝑛) sont : 𝑛Þ Γ( 𝑛2 ) 𝑛
𝐸(𝑋) = 𝑛 et 𝑉 𝑎𝑟(𝑋) = 2𝑛.
Et on écrit 𝑋 ≍ 𝒯 (𝑛). Γ est la fonction gamma qui prolonge la fonction
factorielle à lŠensemble des nombres complexes (à lŠexception des entiers
négatifs).
Pr. A. IFZARNE | cbna 25 / 51 Pr. A. IFZARNE | cbna 26 / 51
| Loi Normale ou Gaussienne | Loi de Soudent | Loi Normale ou Gaussienne | Loi de Soudent
Lois à densité classiques : Loi de Student - suite 1 Lois à densité classiques : Loi de Student - suite 2
Proposition 3.3
Soit 𝑋 une v.a. qui suit la loi de Student, 𝑋 est symétrique.
Plus 𝑛 est grand et plus sa distribution se confond avec celle de la
Figure – Courbe de la densité de la loi Student. loi normale standard.
Moments
L’espérance et la variance de 𝑋2 ≍ 𝒳2 (𝑛) sont :
𝑛
𝐸(𝑋) = 0 et 𝑉 𝑎𝑟(𝑋) = .
𝑛⊗2
| Loi Normale ou Gaussienne | Loi de Fisher-Snedecor | Loi Normale ou Gaussienne | Loi de Fisher-Snedecor
Lois à densité classiques : Loi de Fisher-Snedecor Lois à densité classiques : Loi de Fisher-Snedecor - suite
1
Définition 3.4 (Loi de Fisher-Snedecor)
Soient 𝑋 et 𝑌 deux v.a indépendantes ayant la loi de khi-deux à
respectivement 𝑛 et 𝑚 degrés de liberté (𝑋 ≍ 𝒳2 (𝑛), 𝑌 ≍ 𝒳2 (𝑚)). La
v.a 𝐹 déĄnie par
𝑋
𝑛
𝐹 = 𝑌
suit la loi de Fisher-Snedecor à (𝑛, 𝑚) degrés de liberté
𝑚
sa densité de probabilité est déĄnie par : Figure – Courbe de la densité de la loi 𝒳2 (𝑛).
Moments
∏︁ n
⨄︁ 𝑛 n2 𝑚 m Γ( n+m ) 𝑥 2 −1
2
Γ( n
2
)Γ( m ) n+m si 𝑥 ⊙ 0
𝑓 (𝑥) = 2 2 (𝑛𝑥+𝑚) 2
L’espérance et la variance de 𝐹 ≍ ℱ(𝑛, 𝑚) sont :
0 si 𝑥 < 0
⋃︁
𝑚 2𝑚2 (𝑛 + 𝑚 ⊗ 2)
𝐸(𝐹 ) = si 𝑚 > 2 et 𝑉 (𝐹 ) = si 𝑚 > 4
et on écrit 𝐹 ≍ ℱ(𝑛, 𝑚). 𝑚⊗2 𝑛(𝑚 ⊗ 2)2 (𝑚 ⊗ 4)
Domaine d’application
Ces trois derniéres lois seront utiles dans la théorie des tests. L’expression
explicite des densités de ces lois n’est pas à connaître (sauf pour la loi
Convergences
normale). Des tables statistiques et des logiciels permettent de les
manipuler.
Les lois du Chi-Deux, de Student et de Fisher ne servent pas à des fins
de modélisation mais sont tabulées dans tout logiciel de statistique en
raison de leur grande utilité dans le cadre des tests.
Convergence en probabilité
Ou encore :
Soit (𝑋𝑛 ) une suite de variables aléatoires. ∀𝜖 > 0, ∀Ö > 0, ∃𝑛0 > 0 tel que 𝑛 > 𝑛0 =⇒ 𝑃 (♣𝑋𝑛 ⊗ 𝑎♣ ⊙ 𝜖) < Ö
On dit aussi que la suite (𝑋𝑛 ) converge en probabilité vers une variable
Définition 4.1 (Convergence en probabilité)
aléatoire 𝑋, qu’on note :
𝑝
On dit que la suite (𝑋𝑛 ) converge en probabilité vers une constante a, 𝑋𝑛 ⊗⊃ 𝑋,
𝑝
quŠon note 𝑋𝑛 ⊗⊃ 𝑎, si : si et seulement si la variable aléatoire 𝑋𝑛 ⊗ 𝑋 converge vers la constante
0:
∀𝜖 > 0 lim 𝑃 (♣𝑋𝑛 ⊗ 𝑎♣ ⊙ 𝜖) = 0
𝑛→+∞ 𝑝 𝑝
𝑋𝑛 ⊗⊃ 𝑋 ⇔ 𝑋𝑛 ⊗ 𝑋 ⊗⊃ 0.
Exemple
Remarque 4.1
Soit 𝑛 un entier naturel non-nul et soit 𝑎 un réel. On considère la fonction
On dit que deux variables 𝑋et 𝑌 sont équivalantes si :
𝑓𝑛 définie sur R par
𝑎𝑛
𝑃 (𝑋 ̸= 𝑌 ) = 0 𝑓𝑛 (𝑥) = .
Þ(1 + 𝑛2 𝑥2 )
Proposition 4.1 1 Déterminer 𝑎 pour que 𝑓𝑛 soit une densité de variable aléatoire.
Soit (𝑋𝑛 ) une suite de variables aléatoires telle que chaque 𝑋𝑛 admet
On a :
pour densité 𝑓𝑛 .
convergence p.s ⇒ convergence en probabilité ⇒ convergence en loi 2 Etudier la convergence en loi de la suite (𝑋𝑛 ).
3 Etudier la convergence en probabilité de la suite (𝑋𝑛 ).
Théorèmes importants Soit (𝑋𝑛 ) une suite de v.a. deux à deux indépendants, telles que
𝑛
1 ∑︁
à 2 = 𝑉 (𝑋𝑖 ) et 𝑚 = 𝐸(𝑋𝑖 ) soient Ąnies. posons 𝑋 𝑛 = 𝑋𝑖 , alors :
𝑛 𝑖=1
𝑝
𝑋 𝑛 ⊗⊃ 𝑚
Théorème central-limite
Introduction
| Approximation | Approximation
Hypergéométrique Binomiale
| Approximation | Approximation
Binomiale Poisson
La loi ℬinomiale ℬ(𝑛, 𝑝) converge, pour 𝑛 assez grand, et 𝑝 faible (ou La loi de 𝑃 oisson de paramètre Ú converge, pour 𝑛 assez grand, vers
voisin de 1) vers la loi de 𝑃 oisson de paramètre Ú = 𝑛.𝑝. la loi normale 𝒩 (𝑚 = Ú, à 2 = Ú).
Au plan pratique, on peut citer, entre autres, la condition 𝑛 ⊙ 30 et Au plan pratique, la convergence en question devient satisfaisante dès
𝑝 ⊘ 0, 1 et 𝑛.𝑝 < 15. que Ú > 15.
Student Khi-deux
La loi de Student, 𝑇 (𝑛), converge, pour n assez grand, vers la loi La loi de Khi-deux, ä2 (𝑛), converge, pour 𝑛 assez grand, vers la loi
normale centrée réduite 𝒩 (0, 1). normale 𝒩 (𝑛, 2𝑛).
Au plan pratique, cette approximation devient satisfaisante dès que Ici encore, cette approximation est vérifiée à partir de 𝑛 = 30.
𝑛 ⊙ 30.
| Approximation
Conclusion
Le schéma ci-dessous résume les propriétés de convergence
susmentionnées :