Résumé

Noureddine JILANI
November 13, 2018

1 VARIABLE ALÉATOIRE DISCRÈTE

Loi X Discreption E(X) V ar(X) p σ(X)
Loi Bernoulli La loi de Bernoulli la loi de succès et d’échec p p(1-p) p(1 − p)
X∼B(p)
p
Loi Binomiale Répétition de la loi Bernoulli n-fois np np(1-p) np(1 − p)
X∼B(n,p)
q
1 1−p 1−p
Loi Géométrique Répétition de la loi Bernoulli jusqu’à le premier succès p p2 p2
X∼G(p)
√
Loi Poisson Expérience aléatoire où il y a une fille d’attente λ λ λ
X∼P(λ)

2 VARIABLE ALÉATOIRE CONTINUE

Loi X ( Densité E(X) V ar(X) σ(X)
1
pour a ≤ x ≤ b,
q
a+b (b−a)2 (b−a)2
Loi Uniforme f (x) = b−a 2 12 12
X∼U [a,b] 0 sinon.
 −λx
λe si x > 0 1 1 1
Loi exponentiel f (x) = λ λ2 λ
X∼E(λ) 0 si x < 0
 2

(x−µ)
Loi Gaussienne √1 exp − ∀x ∈ R µ σ2 σ
σ 2π 2σ 2
X∼N (µ,σ)
√
Loi Khi-deux Xi ∼ N (0, 1) n 2n 2n
X∼Xn2 Xn2 =X12 +...+Xn2
n
p n
Loi de Student Z ∼ N (0, 1) n n−2 n−2
X∼Tn
Tn = r Z
Xn2
n

2.1 Fonction de répartition

On note La fonction de répartition de la loi X par F est on le définie par :

F (x) = P(X < x)

Fonction de répartition de la loi uniforme U[a, b]



 0 pour x < a
x − a
F (x) = pour a ≤ x < b

 b−a
1 pour x ≥ b


1
Fonction de répartition de la loi exponentielle E(λ)

1 − e−λx si x > 0

F (x) =
0 si x < 0

Fonction de répartition de la loi Normale N (0, 1)

Z x
1 1 2
F (x) = √ e− 2 t dt
2π −∞

Propriétés
P(a < X < b) = F (b) − F (a)
F (−a) = 1 − F (a)
P(−a < X < a) = 2F (a) − 1

3 DISTRIBUTIONS D’ÉCHANTILLONAGE
• On définit la variable aléatoire moyenne d’échantillon X̄
n
1 1X
X̄ = (X1 + . . . + Xn ) = Xi
n n i=1

2
σpop
E(X̄) = E(X1 ) = m, V ar(X̄) = .
n
• On définit la variable aléatoire variance d’échantillon S 2
n
2 1 X n
S = (Xi − X̄)2 = Sech
n − 1 i=1 n−1

4
σpop
E(S 2 ) = σpop
2
, V ar(S 2 ) ' .
n−1
n écart type σ Loi de distribution X̄ de S 2
Loi distributionq
n > 30 connu de loi X quelconque X̄ ∼ N (µ, √σn ) S 2 ∼ N (σ 2 , σ 2 2
n−1
)
√ √ n−1 S2 −σ2
Z= n X̄−µ
σ
∼N (0,1) Y= ∼N (0,1)
2 σ2

n > 30 inconnu de loi X quelconque X̄ ∼ N (µ, √Sn )

√
Z= n X̄−µ
S
∼N (0,1)
(n−1)S 2
n < 30 connu de loi X gaussien X̄ ∼ N (µ, √σn ) Y = σ2
2
∼ Xn−1
√
Z= n X̄−µ ∼N (0,1)
√ X̄−µσ
n < 30 inconnu de loi X gaussien Z= n S ∼ T (n − 1)

4 ESTIMATION PONCTUELLE
Un estimateur Tn = h(X1 , . . . , Xn ) est une statistique permettant d’évaluer un paramètre inconnu
θ

2
Sans biais Un estimateur sans biais si

E(Tn − θ) = 0

Si on particulier
lim E(Tn − θ) = 0
n→∞

On dit que l’estimateur est asymptotiquement sans biais.

Convergent Un estimateur est convergent si

lim E[(Tn − θ)2 ] = 0

n→∞

Si on particulier Tn est sans biais

EQM (Tn ) = E[(Tn − θ)2 ] = V ar(Tn )

4.1 Estimation par méthode de moment

Si E(X1 ) = ϕ(θ) ou ϕ est une fonction inversible, alors l’estimateur de θ par la méthode des
moments est Tn = ϕ−1 (X̄).

4.2 Estimateur de maximum de vraisemblance

Tn l’estimateur de maximum de vraisemblance de θ est solution de système
 ∂lnL
∂θ
=0
∂ 2 lnL
∂θ2
=0

Généralement en cherche la racine de la première equation du système, avec

 
lnL(x1 , . . . , xn , θ) = ln L(x1 , . . . , xn , θ)

et n
Y
L(x1 , . . . , xn , θ) = f (xi , θ)
i=1

Noter que

f (xi ) la denstié de probabilité de l’échatillon si on parle des variables aléatoires continue
f (xi , θ) =
P(Xi = xi ) la probabilité pour que Xi = xi si on parle des variables aléatoires discrète