Chap 2 Lois de Proba Et CVG 2022-23

27/10/2022
La statistique pour les sciences de l’ingénieur

Niveau 3ème année cycle ingénieur – ENSAM-Meknès
Présenté par : Mohammed DOUIMI
Département Mathématiques Informatiques – ENSAM-Meknès
Version 02, 2021-22

1
Année Universitaire 2018-2019
Convergence des variables aléatoires

et théorème central limite
Plan du cours
1) Présentation du contexte et des variables aléatoires

2) Lois de probabilités usuelles
 Cas discret
 Cas continu
3) Convergence des variables aléatoires
2
27/10/2022
Convergence Théorie
1
Introduction
générale 2
La statistique
descriptive 3 des VA & TLC 4 d’échantillonnage
5 Estimation
Présentation du contexte : Introduction
Expérience aléatoire Ensemble des issues possibles (résultats ou éventualités)
On considère l’univers  = { des issues possibles}
On munit l’univers  d’une tribu T (un ensemble non vide de parties de , stable par passage au complémentaire et
par union dénombrable ) et d’une mesure de probabilité P
On obtient un espace probabilisé ( , T, P )
Une variable aléatoire réelle est une application
X : ( , T, P) ( ℝ, 𝔹ℝ , 𝑃 )
𝜔 𝑋(𝜔)
A chaque éventualité 𝜔, on associe un gain
La statistique Convergence Théorie

1
Introduction
générale 2 descriptive 3 des VA & TLC 4 d’échantillonnage
5 Estimation
On considère une roue circulaire avec 5 sections de même taille
Il y a deux possibilités S5 S1
S2
1ère Possibilité : Considérant w le secteur où la roue s’arrête S4
On a l’univers  = {S1, S2, S3, S4, S5} S3
Si la roue n’est pas truquée alors on

suppose que la loi est uniforme P({𝑆1}) = P({𝑆2}) = P({𝑆3}) = P({𝑆4}) = P({𝑆5}) =
On définit X:  ’ = =X() ⊂ 𝐼𝑅 𝑃 ∶ P(’) [0, 1]

𝜔 𝑋 𝜔 𝐴 𝑃(𝑋𝐴)
w S1 S2 S3 S4 S5 A {1} {2} {3} {4} {5}

X(𝜔) 1 2 3 4 5 PX(A) 0,2 0,2 0,2 0,2 0,2
𝑃 ({1}) = P(X = 1) = 𝑃 ({2}) = P({X = 2}) = …………………… 𝑃 ({5}) = P({X = 5}) =
4
27/10/2022
1
Introduction
générale 2
La statistique
5 Estimation
On considère une roue circulaire avec 5 sections de même taille
Il y a deux possibilités S5 S1
S2
2ème Possibilité : Considérant w l’angle où la roue s’arrête, on a
S4
On a l’univers  = 0, 2𝜋 S3
Si la roue n’est pas truquée alors on
suppose que la loi est uniforme P( 0, 2𝜋 ⊂ ) ==
𝑃 ∶ P(’) [0, 1]
On définit X:  ’ = {1,2,3,4,5} 𝐴 𝑃(𝑋𝐴)
𝜔 𝑋 𝜔 A {1} {2} {3} {4} {5}
W- 𝟐𝝅 𝟐𝝅 𝟒𝝅 𝟒𝝅 𝟔𝝅 𝟔𝝅 𝟖𝝅 𝟖𝝅 PX(A) 0,2 0,2 0,2 0,2 0,2
𝟎, , , , , 2𝜋
𝟓 𝟓 𝟓 𝟓 𝟓 𝟓 𝟓 𝟓 𝟐𝝅
𝑃 ({1}) = P(X = 1) = P(𝑋 1 )=P( 0, )=
𝟓
………………………
X(𝜔) 1 2 3 4 5
𝟖𝝅
𝑃 ({5}) = P(X = 5) = P(𝑋 5 )=P( , 2𝜋 )=
𝟓
5

1
Introduction
5 Estimation
Les lois usuelles continues
Des données Série statistique L’effectif tend vers l’infini Suit une loi
statistiques
Moyenne = 0,040 Ecart-Type = 1,036 Moyenne = 0,040 Ecart-Type = 1,036 Moyenne = 0,002 Ecart-Type = 1,008
N=1000 N=10000
N=100
6
27/10/2022
1
Introduction
générale 2
La statistique
5 Estimation
Les lois usuelles continues : Loi normale
Une VA X suit une loi normale ou loi gaussienne ou loi de

Laplace Gausse d’espérance 𝜇 et de variance 𝜎 si cette VA X
admet pour densité de probabilité la fonction g(x) définie par
𝑔 𝑥 = exp −0,5
Une loi normale est notée N(𝜇, 𝜎) et donc X ~ N(𝜇, 𝜎)
μ = 𝔼(X)= ∫ℝ 𝑥 𝑔 𝑥 𝑑𝑥
et 𝜎 =𝕍 𝑋 = 𝑥 − 𝔼(𝑥) 𝑑𝑥
ℝ
7

1
Introduction
5 Estimation
La fonction de répartition
Problème : Il n’existe pas
𝐹 𝑥 =𝑃 𝑋<𝑥 = 𝑔 𝑡 𝑑𝑡 d’expression analytique de 𝐹
Pour détourner ce problème, il y a au moins trois issus
1) Appréhender le lien entre la moyenne et la dispersion
P(𝜇 − 𝜎 ≤ 𝑋 ≤ 𝜇 + 𝜎) = 0,68
P(𝜇 − 2𝜎 ≤ 𝑋 ≤ 𝜇 + 2𝜎) = 0,95

P(𝜇 − 3𝜎 ≤ 𝑋 ≤ 𝜇 + 3𝜎) = 0,997
8
27/10/2022
1
Introduction
générale 2
La statistique
5 Estimation
2) Utiliser une approximation si |x|< 2, on peut utiliser le développement limité à l’ordre 5 au voisinage de 0
On note par𝐹 la fonction de répartition de la 1 𝑡

𝐹 𝑥 = 𝑒𝑥𝑝 − 𝑑𝑡
loi normale centrée réduite (𝜇 = 0 𝑒𝑡 𝜎 = 1 )
2𝜋 2
Si |x|< 2 1 1 𝑥 𝑥
𝐹 𝑥 ≃ + 𝑥 − +−
2 2𝜋 6 40
3) Utiliser la table d’aires de la loi normale centré réduite La première colonne de la table indique les unités et les
dixièmes des valeurs de X alors les centièmes des valeurs de X
Il y a deux problèmes :
a) Connaissant t ≥ 0, trouver P(X≤ 𝑡) se lisent sur la ligne supérieure de la table.
b) Connaissant P(X≤ 𝑡), trouver t ≥ 0 En plus,
P(𝑋 = 𝑎) = 0, P(𝑋 < 𝑎) = P(X ≤ 𝑎), 𝐹 (-x) = 1 –𝐹 (x) et

P(-a ≤ 𝑋 ≤ 𝑎) = 2𝐹 (a)-1
P(𝑋 > 𝑎) = 1 - P(X ≤ 𝑎), P(X ≤ −𝑎) = P( X > a) = 1 - P(X ≤ 𝑎),
P(-a ≤ 𝑋 ≤ 𝑎) = 2 𝑃(𝑋 ≤ a) -1
9

1
Introduction
5 Estimation
Les lois usuelles continues : Loi normale centrée réduite
Définition
La loi normale centrée réduite est une la loi
continue, d’une v.a. X à valeurs dans X(Ω) = ℝ tout
entier, définie à partir de la densité
𝑓 𝑥 = exp −
Rmq :
 Il n’existe par contre pas d’expression simple de sa

fonction de répartition autre que la formule
intégrale
∀𝑥 ∈ ℝ, 𝐹 𝑥 = 𝑓 𝑡 𝑑𝑡
 Dans les pratiques, les probabilités d’événements de

v.a. suivant une loi normales sont répertoriées dans On lit par exemple 𝑃 𝑋 < 0,64 =0,7389
des tables facilement manipulables.
10
27/10/2022
1
Introduction
générale 2
La statistique
5 Estimation

Travaux dirigés
1) Calculer P(X < 1,56)
2) Calculer F(2,73)
Soit 𝑋 ~ 𝑁 0,1
3) Calculer P(X < -1,1)
4) Calculer F(-0,48)
11

1
Introduction
5 Estimation
Pour faire des calculs avec une N (µ; σ), on se ramène à la loi N (0; 1).
Théorème
Si 𝑋 ~ 𝑁 𝜇, 𝜎 alors Z = ~ 𝑁 0,1 On dit que l’on centre et réduit X.
Travaux dirigés
1) Calculer P( X ≤ 14 ) avec X ∼ N (11, 4)

2) Calculer P( X ≤ -3) avec X ∼ N (2, 9)
3) Calculer P(1≤ X ≤ 10 ) avec X ∼ N (3, 16)
4) Calculer le premier quartile Q1 est défini par P[X ≤ Q1] = 0.25 avec X ∼ N (3, 49)
5) Calculer la médiane de la variable aléatoire X ∼ N (3, 49)
12
27/10/2022
1
Introduction
générale 2
La statistique
5 Estimation
Les lois usuelles continues : Loi de Khi deux à 𝝂 degré de liberté
Définition : Soit 𝑍 ,… , une suite de variables aléatoires indépendantes de même loi N(0; 1).
Alors la variable aléatoire Q = ∑ 𝑍 suit une loi appelée loi du Khi-deux à 𝜈 degrés de liberté, notée χ2(𝜈).
Proposition :
1) La densité de la loi de la loi de Student à ν degrés de liberté est
𝑓 (x)= /
𝑒𝑥𝑝 − 𝑥 1 , 𝑥
Où Γ 𝑡 = ∫ 𝑥 𝑒𝑥𝑝 −𝑥 𝑑𝑥 est la fonction Gamma d’Euler
2) Q admet alors une espérance et une variance :

𝔼 𝜒 𝜈 = 𝜈 et 𝕍 𝜒 𝜈 = 2𝜈
3) Si 𝑋 ~ 𝜒 𝑛 et 𝑌 ~ 𝜒 𝑚 alors 𝑋 + 𝑌 ~ 𝜒 𝑛 + 𝑚
13

1
Introduction
5 Estimation
Les courbes des densités de probabilité pour 𝜈 = 1,2, … , 9
Les courbes des fonctions de répartition

pour 𝜈 = 1,2, … , 9
La fonction de répartition 𝐹 𝑥 = 𝑓 (t)𝑑𝑡
14
27/10/2022
1
Introduction
générale 2
La statistique
5 Estimation
Q étant une variable aléatoire de loi de 𝜒 𝑛 et 𝛼 un réel de 0, 1 . La table de

quantile donne la valeur de 𝑧 , =𝐹 1 − 𝛼 telle que 𝑃 𝑋 > 𝑧 , =𝛼
Travaux dirigés
1) Trouver le quantile d’ordre 0.975 de la loi du khi-deux avec 18 degrés de liberté
On pose 1 − 𝛼 = 0.975 d’où 𝛼 =0.025. Dans la table, le quantile d’ordre 0.975 de la loi du khi-deux avec
18 degrés de liberté se trouve donc à l’intersection de la ligne « k = 18 » avec la colonne « 𝛼 = 0.025 ».
On trouve 𝑧 , . = 31,53
2) On suppose que U suit la loi du khi-deux avec 15 degrés de liberté. Que vaut P 8,55 < 𝑋 < 25,0 ?
P 8,55 < 𝑋 < 25,0 = P 𝑋 < 25,0 - P 𝑋 < 8,55 = 0,95 – 0,1 = 0,85
15

1
Introduction
5 Estimation
Les lois usuelles continues : Loi de Student
Définition : Soient Z et Q deux variables aléatoires indépendantes telles Le calcul de la distribution de Student
que Z ~ N(0; 1) et Q ~ χ2(𝜈). Alors la variable aléatoire 𝑇 = a été publié en 1908 par William

Gosset pendant qu'il travaillait à la
suit une loi appelée loi de Student à 𝜈 degrés de liberté, notée St(𝜈). brasserie Guinness à Dublin
Proposition :
1) La densité de la loi de la loi de Student à ν degrés de liberté est
f 𝑥 = 1+
𝑛 𝑒𝑥𝑖𝑠𝑡𝑒 𝑝𝑎𝑠 𝑠𝑖 𝜈 = 1 𝑛 𝑒𝑥𝑖𝑠𝑡𝑒 𝑝𝑎𝑠 𝑠𝑖 𝜈 ≤ 2

2) 𝔼 𝑆𝑡 𝜈 = et 𝕍 𝑆𝑡 𝜈 =
0 𝑠𝑖 𝜈 ≥ 2 𝑠𝑖 𝜈 ≥ 3
3) La loi de Student converge en loi vers la loi normale centrée réduite
16
27/10/2022
1
Introduction
générale 2
La statistique
5 Estimation
Les courbes des densités de probabilité pour k= 1,2, 5, 10, ∞
Les courbes des fonctions de répartition

La fonction de répartition 𝐹 𝑥 = 𝑓 (t)𝑑𝑡 pour k= 1,2, 5, 10, ∞
17

1
Introduction
5 Estimation
La table de quantiles de la loi de Student donne pour un choix de probabilités q usuelles les valeurs des
réels 𝑡 tels que P (T > 𝑡 ) = q, où T suit la loi de Student à 𝜈 degrés de liberté.
Même utilisation que la table de Khi-deux
18
27/10/2022
1
Introduction
générale 2
La statistique
5 Estimation
Les lois usuelles continues : Loi de Fisher-Snedecor
Définition : Soient 𝑄 et 𝑄 deux variables aléatoires indépendantes telles que 𝑄 suit 𝜒 𝜈 et 𝑄 suit 𝜒 𝜈 alors la
variable aléatoire 𝐹 = suit une loi appelée Fisher-Snedecor à 𝜈 , 𝜈 degrés de liberté, notée 𝐹 𝜈 , 𝜈 .
Proposition :
1) La densité de la loi de la loi de Fisher-Snedecor à 𝜈 , 𝜈 degrés de liberté est
𝜈 +𝜈 /
Γ 𝜈 𝑥
𝐹 𝑥 = 𝜈 2 𝜈 1 ,
Γ Γ 𝜈
2 2 𝜈
1+ 𝑥
𝜈
𝑛 𝑒𝑥𝑖𝑠𝑡𝑒 𝑝𝑎𝑠 𝑠𝑖 𝜈 < 3 𝑛 𝑒𝑥𝑖𝑠𝑡𝑒 𝑝𝑎𝑠 𝑠𝑖 𝜈 < 5
2) 𝔼 𝐹 = 𝑠𝑖 𝜈 ≥ 3
et 𝕍 𝐹 =
𝑠𝑖 𝜈 ≥ 5
3) Si F suit une loi de Fisher 𝐹 𝜈 , 𝜈 alors suit une loi de Fisher 𝐹 𝜈 , 𝜈 .

4) Si T suit une loi de Student à 𝜈 degrés de liberté alors 𝑇 suit une loi de Fisher 𝐹 1, 𝜈 .
19

1
Introduction
5 Estimation
Les courbes des densités de probabilité Les courbes des fonctions de répartition
20
27/10/2022
1
Introduction
générale 2
La statistique
5 Estimation
La table de quantiles de la loi de Fisher Snedecor donne pour un choix de probabilités q usuelles les valeurs
des réels 𝑓 tels que P (F ≤ 𝑓 ) = q, où F suit la loi de Fischer Snedecor à 𝜈 , 𝜈 degrés de liberté.
Même utilisation que la table de la loi normale sachant

que pour chaque quantile correspond une table
Trouver 𝑓 / P (X ≤ 𝑓 . ) = 0.95 sachant que X ~ 𝐹 1,3 𝑓. = 10.13
21

1
Introduction
5 Estimation
Les lois de probabilité usuelles continues : conclusion
Ces trois dernières lois seront utiles dans la théorie des tests. L’expression
explicite des densités de ces lois n’est pas à connaitre (sauf pour la loi normale).
Des tables statistiques et des logiciels permettent de les manipuler.
22
27/10/2022
1
Introduction
générale 2
La statistique
5 Estimation
Convergence de variables aléatoires : Introduction et notations
 Cette section présente les éléments de calcul de probabilités dont l’application statistique est nombreuse.
 La partie fondamentale est le théorème central limite. Les éléments présentés permettent de préciser ce que
signifie l’ajustement d’une loi de probabilité par une autre (notion de convergence) et ainsi de justifier
l’approximation d’une distribution observée par une loi théorique.
Notations
 On considère 𝑋 ∈ℕ (éventuellement 𝑌 ∈ℕ ) une suite de variables aléatoires définies sur l’espace

probabilisé (Ω, T, P) et X (éventuellement Y ) une variable aléatoire définie sur le même espace.
 On note 𝐹 ∈ℕ la suite des fonctions de répartitions de 𝐹 ∈ℕ et F celle de X.
23

1
Introduction
5 Estimation
Convergence de variables aléatoires : Convergence en loi
Définition : On dit que 𝑋 ∈ℕ converge en loi vers la variable aléatoire X lorsqu on a lim 𝐹 𝑥 = 𝐹 𝑥 en tout
→
ℒ
point de continuité de F. Cette convergence est notée : 𝑋 X
ℒ n→
Lemme de Portmanteau : 𝑋 X ⟺ ∀𝑔 continue et bornée : 𝔼 𝑔 𝑋 𝔼 𝑔 𝑋
ℒ ℒ
Théorème de Slutsky : Si ∀𝑐 ∈ ℝ, 𝑌 c et 𝑋 X alors
ℒ
• 𝑋 +𝑌 X+c
ℒ
• 𝑋 ×𝑌 𝑐×X
ℒ
•
ℒ ℒ
Attention : 𝑌 Y et 𝑋 X n implique pas que 𝑋 + 𝑌
ℒ
Exemple : Soit 𝑋 ∈ℕ une suite de v.a. de loi B(n, λ/n). Alors, lorsque n tend vers l’infini, 𝑋 X , où X suit une loi P(λ).
24
27/10/2022
1
Introduction
générale 2
La statistique
5 Estimation
Convergence de variables aléatoires : Convergence en probabilité
Définition : On dit que 𝑋 ∈ℕ converge en probabilité vers la variable aléatoire X lorsqu on a :

P
∀𝜀 > 0, lim 𝑃 𝑋 − 𝑋 = 0. Cette convergence est notée : 𝑋 X
→
P
CS de convergence en probabilité : Si lim 𝔼 𝑋 = 𝑐 et lim 𝕍 𝑋 = 0 alors 𝑋 𝑐
→ →
P P P
Propriété : Si 𝑋 X et 𝑌 Y alors 𝑋 + 𝑌 X+Y
𝑃
Exemple : Soit 𝑄 ∈ℕ une suite de v.a. de loi 𝜒 𝑛 . Alors, lorsque n tend vers l’infini, 𝑄 1
25

1
Introduction
5 Estimation
Convergence de variables aléatoires : Convergence presque-sûre
Définition : On dit que 𝑋 ∈ℕ converge preque sûre vers la variable aléatoire X lorsqu on a :
𝑃 lim 𝑋 = 𝑋 = 1 ou 𝑃 𝜔 ∈ Ω, lim 𝑋 𝜔 = 𝑋 𝜔 = 1 ou 𝜔 ∈ Ω, lim 𝑋 𝜔 ≠ 𝑋 𝜔 =∅ presque partout.

→ → →
𝑝. .
Cette convergence est notée : 𝑋 X
p.s.
CS de convergence presque-sûre : Si ∀𝜀 > 0, ∑ 𝑃 𝑋 − 𝑋 > 𝜀 converge alors 𝑋 X
26
27/10/2022
1
Introduction
générale 2
La statistique
5 Estimation
Convergence de variables aléatoires : Convergence en moyenne quadratique
Définition :
• On dit que 𝑋 ∈ℕ converge dans 𝐿 (en moyenne) vers la variable aléatoire X lorsqu’on a : lim 𝔼 𝑋 − 𝑋 =0.
→
Cette convergence est notée : 𝑋 X
• On dit que 𝑋 ∈ℕ converge dans 𝐿 (en moyenne quadratique) vers la variable aléatoire X lorsqu’on a :
lim 𝔼 𝑋 − 𝑋 = 0 . Cette convergence est notée : 𝑋 X
→
• On dit que 𝑋 ∈ℕ converge dans 𝐿 vers la variable aléatoire X lorsqu’on a : lim 𝔼 𝑋 − 𝑋 = 0 . Cette
→
convergence est notée : 𝑋 X
27

1
Introduction
5 Estimation
Convergence de variables aléatoires : Hiérarchie des convergences
p.s. ℒ
⟹ P 𝑋 𝑋
𝑋 𝑋 𝑋 𝑋 ⟹
⟹
𝑋 𝑋
⟹
𝑋 𝑋
La convergence en loi est la convergence la plus faible
28

Chap 2 Lois de Proba Et CVG 2022-23

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chap 2 Lois de Proba Et CVG 2022-23

Transféré par

Droits d'auteur :

Formats disponibles

27/10/2022

La statistique pour les sciences de l’ingénieur

Présenté par : Mohammed DOUIMI

Département Mathématiques Informatiques – ENSAM-Meknès

Version 02, 2021-22

Convergence des variables aléatoires

1) Présentation du contexte et des variables aléatoires

Présentation du contexte : Introduction

Expérience aléatoire Ensemble des issues possibles (résultats ou éventualités)

On considère l’univers  = { des issues possibles}

On obtient un espace probabilisé ( , T, P )

Une variable aléatoire réelle est une application

A chaque éventualité 𝜔, on associe un gain

La statistique Convergence Théorie

Présentation du contexte : Introduction

On considère une roue circulaire avec 5 sections de même taille

Si la roue n’est pas truquée alors on

On définit X:  ’ = =X() ⊂ 𝐼𝑅 𝑃 ∶ P(’) [0, 1]

w S1 S2 S3 S4 S5 A {1} {2} {3} {4} {5}

𝑃 ({1}) = P(X = 1) = 𝑃 ({2}) = P({X = 2}) = …………………… 𝑃 ({5}) = P({X = 5}) =

Présentation du contexte : Introduction

On considère une roue circulaire avec 5 sections de même taille

La statistique Convergence Théorie

Les lois usuelles continues

Les lois usuelles continues : Loi normale

Une VA X suit une loi normale ou loi gaussienne ou loi de

Une loi normale est notée N(𝜇, 𝜎) et donc X ~ N(𝜇, 𝜎)

La statistique Convergence Théorie

Les lois usuelles continues : Loi normale

Pour détourner ce problème, il y a au moins trois issus

1) Appréhender le lien entre la moyenne et la dispersion

P(𝜇 − 2𝜎 ≤ 𝑋 ≤ 𝜇 + 2𝜎) = 0,95

Les lois usuelles continues : Loi normale

On note par𝐹 la fonction de répartition de la 1 𝑡

P(𝑋 = 𝑎) = 0, P(𝑋 < 𝑎) = P(X ≤ 𝑎), 𝐹 (-x) = 1 –𝐹 (x) et

La statistique Convergence Théorie

Les lois usuelles continues : Loi normale centrée réduite

 Il n’existe par contre pas d’expression simple de sa

 Dans les pratiques, les probabilités d’événements de

Les lois usuelles continues : Loi normale centrée réduite

La statistique Convergence Théorie

Les lois usuelles continues : Loi normale centrée réduite

1) Calculer P( X ≤ 14 ) avec X ∼ N (11, 4)

Les lois usuelles continues : Loi de Khi deux à 𝝂 degré de liberté

1) La densité de la loi de la loi de Student à ν degrés de liberté est

Où Γ 𝑡 = ∫ 𝑥 𝑒𝑥𝑝 −𝑥 𝑑𝑥 est la fonction Gamma d’Euler

2) Q admet alors une espérance et une variance :

La statistique Convergence Théorie

Les lois usuelles continues : Loi de Khi deux à 𝝂 degré de liberté

Les courbes des densités de probabilité pour 𝜈 = 1,2, … , 9

Les courbes des fonctions de répartition

Les lois usuelles continues : Loi de Khi deux à 𝝂 degré de liberté

Q étant une variable aléatoire de loi de 𝜒 𝑛 et 𝛼 un réel de 0, 1 . La table de

1) Trouver le quantile d’ordre 0.975 de la loi du khi-deux avec 18 degrés de liberté

La statistique Convergence Théorie

Les lois usuelles continues : Loi de Student

Où Γ 𝑡 = ∫ 𝑥 𝑒𝑥𝑝 −𝑥 𝑑𝑥 est la fonction Gamma d’Euler

𝑛 𝑒𝑥𝑖𝑠𝑡𝑒 𝑝𝑎𝑠 𝑠𝑖 𝜈 = 1 𝑛 𝑒𝑥𝑖𝑠𝑡𝑒 𝑝𝑎𝑠 𝑠𝑖 𝜈 ≤ 2

Les lois usuelles continues : Loi de Student

Les courbes des densités de probabilité pour k= 1,2, 5, 10, ∞

Les courbes des fonctions de répartition

La statistique Convergence Théorie

Les lois usuelles continues : Loi de Student