Distributions de fonctions non-linéaires :

𝒏 𝟏
1- Distribution du Khi-deux 𝝌𝟐𝒏 = 𝜸( , ) , 𝒏 = 𝒏𝒐𝒎𝒓𝒆 𝒅𝒆 𝒅𝒅𝒍
𝟐 𝟐
𝑛 1
1
Sa densité est : 𝑓(𝑥) = 𝑛
𝑛
. 𝑥 2 −1 . 𝑒 −2.𝑥 , 𝑥 > 0
2 2 .Γ( )
2

𝒏 𝒏
𝑬(𝑿) = 𝟐 = 𝒏 , 𝑽(𝑿) = 𝟐 = 𝟐𝒏
𝟏 𝟏
𝟐 𝟒

Théorème 1 :
Soient 𝑋1 , 𝑋2 , . , 𝑋𝑛 , 𝑛 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑎𝑙é𝑎𝑡𝑜𝑖𝑟𝑒𝑠 𝑖𝑛𝑑é𝑝𝑒𝑛𝑑𝑎𝑛𝑡𝑒𝑠 𝑑𝑒 𝑚ê𝑚𝑒 𝑙𝑜𝑖 𝑁(𝑚, 𝜎 2 )
(iid)

𝑋𝑖 −𝑚𝑖 2
∀ 𝑖 , 𝑋𝑖 ↝ 𝑁(𝑚𝑖 , 𝜎 2 𝑖 ) 𝑎𝑙𝑜𝑟𝑠: ∑𝑛𝑖=1 ( ) ↝ 𝝌𝟐𝒏
𝜎𝑖

Théorème 2 : (stabilité de 𝝌𝟐 )
Soient 𝑋1 , 𝑋2 deux variables aléatoires indépendantes et suivent la même loi :

∀ 𝑖 , 𝑋𝑖 ↝ 𝝌𝟐(𝒏 )
𝒊

𝑎𝑙𝑜𝑟𝑠: 𝑋1 + 𝑋2 ↝ 𝝌𝟐(𝒏 +𝒏 )
𝟏 𝟐

Lecture de Table 𝝌𝟐 :

Exercice : Soit 𝑿 ↝ 𝝌𝟐𝟑

1- Calculer les probabilités suivantes : 𝑃(𝑋 < 11.3) , 𝑃(𝑋 > 4.6), 𝑃(−2.7 ≤ 𝑋 ≤ 11.3)
2- Déterminer a et b tel que : 𝑃(𝑋 > 𝑎) = 0.05 .

Corrigé :

1- : 𝑃(𝑋 < 11.3) = 0.99 ; 𝑃(𝑋 > 4.6) = 1 − 𝑃(𝑋 < 4.6) = 1 − 0.750 = 0.25 ;
𝑃(−2.7 ≤ 𝑋 ≤ 11.3) = 𝑃(𝑋 ≤ 11.3) − 0 = 0.99
2- 𝑃(𝑋 > 𝑎) = 0.05 = 1 − 𝑃(𝑋 < 𝑎) = 0.05 ⟹ 𝑃(𝑋 < 𝑎) = 0.95 ⟹ 𝑎 = 7.81

2-Distribution de Student (𝑺𝒕(𝒏))

Définition : Soient 𝑋 et 𝑌 deux variables aléatoires indépendantes tel que :

K.ZERFAOUI Page 1
 𝑋 ↝ 𝑁(0,1) 𝑒𝑡 𝑌 ↝ 𝝌𝟐𝒏

𝑿 √𝒏.𝑿
On définit la variable : 𝑻= =
𝒀 √𝒀
√
𝒏

On dit que : 𝑻 ↝ 𝑺𝒕(𝒏) ; 𝒏 = 𝒅𝒅𝒍

Remarques :
𝑛+1
Γ( 2 )
1- 𝑓𝑇 (𝑡) = 𝑛+1) , 𝑡∈ℝ
(
𝑛 1 𝑡² 2
√ 𝑛 . Γ (2 ). Γ(2).(1+ 𝑛 )

𝑛
𝐸(𝑇) = 0 , 𝑉(𝑇) =
𝑛−2
2- [𝑳𝒂 𝒅𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒕𝒊𝒐𝒏 𝒅𝒆 𝑺𝒕𝒖𝒅𝒆𝒏𝒕 𝒆𝒔𝒕 𝒔𝒚𝒎é𝒕𝒓𝒊𝒒𝒖𝒆 𝒑𝒂𝒓 𝒓𝒂𝒑𝒑𝒐𝒓𝒕 à 𝒕 = 𝟎]
⟺ [𝒇(−𝒕) = 𝒇(𝒕) 𝒆𝒕 𝑭(−𝒕) = 𝟏 − 𝑭(𝒕)]

Lecture de la Table de Student 𝑺𝒕 (𝒏)

le tableau donne les quantiles d’ordre 𝛼 ; tel que :𝑃(𝑇 ≤ 𝑡) = 𝛼

𝑒𝑡 𝑑 ′ 𝑜𝑟𝑑𝑟𝑒 1 − 𝛼 ∶ 𝑃(𝑇 > 𝛼) = 1 − 𝛼

si 𝛼 < 0.5 (n’existe pas sur la table) on utilise la symétrie de la distribution (Voir exemple)

Exemple : 𝑇 ↝ 𝑺𝒕(𝟐𝟎)
1- Calculer les probabilités suivantes :
𝑃(𝑇 > 3.55) , 𝑃(−0.86 ≤ 𝑇 ≤ 2.53)
2- Trouver a et b tel que :𝑃(𝑇 > 𝑎) = 0.99 𝑒𝑡 𝑃(𝑏 ≤ 𝑇 ≤ 1.725) = 0.15

Corrigé : 1-
- 𝑃(𝑇 > 3.55) = 1 − 𝑃(𝑇 ≤ 3.55) = 1 − 0.999 = 0.001
- 𝑃(−0.86 ≤ 𝑇 ≤ 2.53) = 𝑃(𝑇 ≤ 2.53) − 𝑃(𝑇 ≤ −0.86) =

= 𝑃(𝑇 ≤ 2.53) − 1 + 𝑃(𝑇 ≤ 0.86) = 0.99 − 1 + 0.80 = 0.78

2-

- 𝑃(𝑇 > 𝑎) = 0.99 ⟺ 1 − 𝑃(𝑇 ≤ 𝑎) = 0.99 ⟹ 𝑃(𝑇 ≤ 𝑎) = 0.01 < 0.5

𝑃(𝑇 ≤ −𝑎) = 1 − 𝑃(𝑇 ≤ 𝑎) = 0.99 ⟹ −𝑎 = 2.528

K.ZERFAOUI Page 2
 𝑃(𝑏 ≤ 𝑇 ≤ 1.725) = 0.15 ⟺ 𝑃(𝑇 < 1.725) − 𝑃(𝑇 < 𝑏) = 0.15

⟹ 𝑃(𝑇 < 𝑏) = 𝑃(𝑇 < 1.725) − 0.15 = 0.95 − 0.15 = 0.86

3- Distribution de Fisher : 𝑭(𝒏𝟏 , 𝒏𝟐 )

Définition : Soient 𝑋 et 𝑌 deux variables aléatoires indépendantes tel que :

𝑋 ↝ 𝝌𝟐𝒏 𝑒𝑡 𝑌 ↝ 𝝌𝟐𝒏
𝟏 𝟐

𝑿
𝒏𝟏 𝒏𝟐 𝑿
On définit la variable aléatoire : 𝑭= 𝒀 = . ↝ 𝑭(𝒏𝟏 , 𝒏𝟐 ) ;
𝒏𝟏 𝒀
𝒏𝟐

(𝒏𝟏 , 𝒏𝟐 = 𝒅𝒅𝒍 )
Remarques : si 𝑋 ↝ 𝑭(𝒏𝟏 , 𝒏𝟐 ) 𝒂𝒍𝒐𝒓𝒔 ∶

𝑛 +𝑛 𝑛1
Γ( 1 2 2 ) 𝑛1 𝑛2
𝑥2
−1
𝑓𝑋 (𝑥) = 𝑛 𝑛 (𝑛
12 𝑛2 2 )( 𝑛1 +𝑛2 ) , 𝑥∈ℝ
Γ( 21 ). Γ( 22 )
(𝑛1 𝑥+𝑛2 ) 2

𝑛2 2(𝑛2 )²(𝑛1 + 𝑛2 − 2)
𝐸(𝑋) = , (𝑛2 > 2) 𝑒𝑡 𝑉(𝑋) = , (𝑛2 > 4 )
𝑛2 − 2 𝑛1 (𝑛2 − 4)(𝑛2 − 2)2
𝟏
Résultat : si 𝑿 ↝ 𝑭(𝒏𝟏 , 𝒏𝟐 ) alors : ↝ 𝑭(𝒏𝟐 , 𝒏𝟏 )
𝑿

Lecture de la Table de Fisher

Exemple : 𝑋 ↝ 𝑭(𝟏𝟎, 𝟑)
Calculer : 𝑃(𝑋 > 43.5), 𝑃(𝑋 < 8.8), 𝑃(𝑋 > 0.15)

Corrigé :
𝑃(𝑋 > 43.5) = 0.005.
𝑃(𝑋 < 8.8) = 1 − 𝑃(𝑋 ≥ 8.8) = 1 − 0.05 = 0.95.
1
𝑃(𝑋10,3 > 0.15) = 𝑃 ( < 6,6) = 𝑃(𝑋3,10 < 6.6) = 1 − 𝑃(𝑋3,10 > 6.6)
𝑋10,3
= 1 − 0.01 = 0.99
Exercice :
On considère les variables aléatoires suivantes :,
𝑋 ↝ 𝑁(0, 𝜎 = 2), 𝑌 ↝ 𝑁(0,1) , 𝑍 ↝ 𝜒32 , 𝑇 ↝ 𝑆𝑡(3), 𝐹 ↝ 𝐹(4,3)
𝐷é𝑡𝑒𝑟𝑚𝑖𝑛𝑒𝑟 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑡𝑖𝑜𝑛 𝑑𝑒𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑎𝑙é𝑎𝑡𝑜𝑖𝑟𝑠 𝑠𝑢𝑖𝑣𝑎𝑛𝑡𝑒𝑠:

K.ZERFAOUI Page 3
 𝑋² 1 4𝑌² 𝑋
𝑉1 = +𝑍 , 𝑉2 = , 𝑉3 = 𝑇² , 𝑉4 = , 𝑉5 =
4 𝐹 𝑉1 2|𝑌|
Corrigé :
Rappel :
𝑿 ↝ 𝑵(𝟎, 𝟏) ⟹ 𝑿² ↝ 𝝌𝟐𝟏
𝑿 ↝ 𝑵(𝒎, 𝝈𝟐 ) ⟹ 𝒂𝑿 ↝ 𝑵(𝒂𝒎, 𝒂𝟐 𝝈𝟐 )

𝑿 √𝒏. 𝑿
𝑿 ↝ 𝑵(𝟎, 𝟏) 𝒆𝒕 𝒀 ↝ 𝝌𝟐𝒏 ⟹ = ↝ 𝐒𝐭(𝐧) ,𝑿 ⊥ 𝒀
√𝒀
√𝒀
𝒏
𝑿
𝒏 𝒏𝟐 𝑿
𝑿 ↝ 𝝌𝟐𝒏𝟏 𝒆𝒕 𝒀 ↝ 𝝌𝟐𝒏𝟐 ⟹ 𝟏 = . ↝ 𝑭(𝒏𝟏 , 𝒏𝟐 ); 𝑿 ⊥ 𝒀
𝒀 𝒏𝟏 𝒀
𝒏𝟐

𝑋²
1- Loi de 𝑉1 = +𝑍 ∶
4

1 1 𝑋²
𝑋 ↝ 𝑁(0,4) ⟹ 2 𝑋 ↝ 𝑁(0,1) ⟹ 4 𝑋 2 ↝ 𝜒21 𝑒𝑡 𝑐𝑜𝑚𝑚𝑒 𝑍 ↝ 𝜒32 𝑑𝑜𝑛𝑐 + 𝑍 ↝ 𝜒24
4

1
2- Loi de 𝑉2 = 𝐹 ∶
1
𝐹 ↝ 𝐹(4,3) ⟹ ↝ 𝐹(3,4)
𝐹

3- Loi de 𝑉3 = 𝑇² : 𝑇 ↝ 𝑆𝑡(3)
𝑌 2 𝑌2
𝑇= ⟹𝑇 = , 𝑝𝑢𝑖𝑠𝑞𝑢𝑒 𝑌2 ↝ 𝜒21 𝑒𝑡 𝑍 ↝ 𝜒23
𝑍 𝑍
√ 3
3
2
𝑌
𝑝𝑎𝑟 𝑐𝑜𝑛𝑠é𝑞𝑢𝑒𝑛𝑡: ↝ 𝐹(1,3)
𝑍
3
4𝑌²
4- Loi de 𝑉4= :
𝑉1

𝑌 ↝ 𝑁(0,1) ⟹ 𝑌 2 ↝ 𝜒12 𝑒𝑡 𝑉1 ↝ 𝜒42

K.ZERFAOUI Page 4
 4𝑌² 𝑌²⁄
Donc : 𝑉4= = 𝑉1 1 ↝ 𝐹(1,3)
𝑉1 ⁄4

𝑋
5- Loi de 𝑉5 = 2|𝑌| :

1
𝑋 ↝ 𝑁(0,1) 𝑒𝑡 𝑌 ↝ 𝑁(0,1)
2
𝑋
𝑋
2
Mais : 𝑌 ↝ 𝜒12 𝑑𝑜𝑛𝑐 ∶ 2
2
= 2|𝑌| ↝ 𝑆𝑡(1)
√𝑌
1

K.ZERFAOUI Page 5