Académique Documents
Professionnel Documents
Culture Documents
Chapitre 2 2 Echantillonnage Et Estimation
Chapitre 2 2 Echantillonnage Et Estimation
Mohamed Dakkon
F.S.J.E.S de Tétouan ,
Année universitaire 2020-2021.
Module:Echantillonnage et Estimation
Définition
Une variable aléatoire est une application de l’univers dans R
X:Ω→R
ω 7→ X(ω)
Définition
Une variable aléatoire est une application de l’univers dans R
X:Ω→R
ω 7→ X(ω)
P(X = x) = 0
Généralités
Une loi de probabilité continue est totalement définie soit par sa
fonction de répartition, soit par sa fonction densité de probabilité.
Fonction de répartition
Soit X une variable aléatoire. La fonction de répartition de X est une
fonction positive définie, pour toute valeur x de X par
FX (x) = P(X ≤ x)
Proposition
On a les propriétés suivantes :
1 F est une fonction continue,
2 limx→−∞ F(x) = 0 et limx→+∞ F(x) = 1,
3 F est une fonction croissante,
4 Pour tous a; b ∈ R et a < b,
Propriétés
1 P(X = x) = 0
2 P(X ≤ x) = P(X < x)
3 P(X ≥ b) = 1 − P(X ≤ b) = 1 − FX (b)
Fonction de densité
La fonction de répartition d’une variable aléatoire continue est
toujours dérivable et sa dérivé en point s’appelle fonction de densité :
dF(x) 0
f (x) = = F (x)
dx
Fonction de densité
La fonction de répartition d’une variable aléatoire continue est
toujours dérivable et sa dérivé en point s’appelle fonction de densité :
dF(x) 0
f (x) = = F (x)
dx
Définition
Une variable aléatoire possède une densité si sa fonction de
répartition F est dérivable. La dérivée notée f est appelée densité de
probabilité de la variable aléatoire X.
Proposition
1 ∀x ∈ R; f (x) ≥ 0.
2
Z +∞
f (x)dx = 1
−∞
3
Z x
FX (x) = P(X ≤ x) = P(X < x) = f (y)dy
−∞
4
Z b
P[a < X ≤ b] = FX (b) − FX (a) = f (x)dx
a
Proposition
Soit X une variable aléatoire continue de dans R de densité f .
L’espérance de X s’écrit :
Z
E(X) = xf (x)dx
R
et la variance de X :
Z
V(X) = (x − E(X))2 f (x)dx
R
Proposition
Soit X et Y deux variables aléatoires (discrètes ou continues).
Alors on a, pour tous réels a et b,
E(X + Y) = E(X) + E(Y)
Var(X + Y) = Var(X) + Var(Y) + 2Cov(X,Y)
Si X et Y sont indépendantes, alors :
Loi uniforme
Definition
On dit que la v.a. continue X suit la loi uniforme sur l’intervalle [a, b]
pour a et b deux réels quelconques si sa densité est :
1
f (x) = b−a , si x ∈ [a, b] ,
0, sinon,
Loi uniforme
Definition
On dit que la v.a. continue X suit la loi uniforme sur l’intervalle [a, b]
pour a et b deux réels quelconques si sa densité est :
1
f (x) = b−a , si x ∈ [a, b] ,
0, sinon,
Théorème
Soit X une v.a. telle que X ∼ U[a, b]. On a :
E[X] = (b + a)/2, V(X) = (b − a)2 /12
0, si x < a ,
x−a
F(x) = b−a , si x ∈ [a, b] ,
1, si x > b ,
Loi uniforme
Domaine d’utilisation
Cette loi modélise un phénomène uniforme sur un intervalle donné.
La loi uniforme sur [a, b] traduit l’hypothèse d’équirépartition,
ou répartition indifférente, sur [a, b].
La loi uniforme est utilisée en statistique bayésienne, pour
déterminer les lois de probabilité a priori.
Loi exponentielle
Définition :
On dit que la v.a. continue X suit une loi exponentielle de paramètre
α (α un réel strictement positif), notée par Exp(α), si elle admet pour
densité :
f (x) = αe−αx 1[0;+∞[ (x)
Loi exponentielle
Définition :
On dit que la v.a. continue X suit une loi exponentielle de paramètre
α (α un réel strictement positif), notée par Exp(α), si elle admet pour
densité :
f (x) = αe−αx 1[0;+∞[ (x)
Espérance et variance :
E(X) = 1/α
V(X) = 1/α2
Loi exponentielle
Domaine d’utilisation :
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 suivent des lois
exponentielles.
Le paramètreα désigne alors l’inverse du temps d’attente moyen.
Loi exponentielle
Exemple :
On suppose que le temps, en heures, nécessaire pour réparer une
machine est une variable aléatoire suivant une loi exponentielle de
paramètre λ = 0, 5.
La densité de probabilité est f (t) = 0, 5e−0,5t et la fonction de
répartition F(t) = 1 − e−0,5t .
Loi exponentielle
Exemple :
On suppose que le temps, en heures, nécessaire pour réparer une
machine est une variable aléatoire suivant une loi exponentielle de
paramètre λ = 0, 5.
La densité de probabilité est f (t) = 0, 5e−0,5t et la fonction de
répartition F(t) = 1 − e−0,5t .
La probabilité pour que le temps de réparation dépasse 2h est ? :
Loi exponentielle
Exemple :
On suppose que le temps, en heures, nécessaire pour réparer une
machine est une variable aléatoire suivant une loi exponentielle de
paramètre λ = 0, 5.
La densité de probabilité est f (t) = 0, 5e−0,5t et la fonction de
répartition F(t) = 1 − e−0,5t .
La probabilité pour que le temps de réparation dépasse 2h est ? :
Pr(T > 2) = 1 − Pr(T < 2) = 1 − F(2) = e−1 = 0, 368
Loi exponentielle
Exemple :
On suppose que le temps, en heures, nécessaire pour réparer une
machine est une variable aléatoire suivant une loi exponentielle de
paramètre λ = 0, 5.
La densité de probabilité est f (t) = 0, 5e−0,5t et la fonction de
répartition F(t) = 1 − e−0,5t .
La probabilité pour que le temps de réparation dépasse 2h est ? :
Pr(T > 2) = 1 − Pr(T < 2) = 1 − F(2) = e−1 = 0, 368
Sachant que la réparation a déjà dépassé 9 heures, quelle est la
probabilité qu’elle prenne au moins 10 heures ?
Loi exponentielle
Exemple :
On suppose que le temps, en heures, nécessaire pour réparer une
machine est une variable aléatoire suivant une loi exponentielle de
paramètre λ = 0, 5.
La densité de probabilité est f (t) = 0, 5e−0,5t et la fonction de
répartition F(t) = 1 − e−0,5t .
La probabilité pour que le temps de réparation dépasse 2h est ? :
Pr(T > 2) = 1 − Pr(T < 2) = 1 − F(2) = e−1 = 0, 368
Sachant que la réparation a déjà dépassé 9 heures, quelle est la
probabilité qu’elle prenne au moins 10 heures ?
La loi exponentielle étant une loi sans « mémoire », on obtient :
Pr(T > 10/T > 9) = Pr(T > 10 − 9 = 1) = e−0,5 = 0, 606
Définition
Une variable aléatoire réelle X, prenant ses valeurs dans R, suit une
loi normale, de paramètres µ et σ, si sa densité de probabilité est
donnée par :
1 1 2
f (x) = √ e− 2σ2 (x−µ)
σ 2π
Cette loi est notée, en général N(µ, σ).
Définition
Une variable aléatoire réelle X, prenant ses valeurs dans R, suit une
loi normale, de paramètres µ et σ, si sa densité de probabilité est
donnée par :
1 1 2
f (x) = √ e− 2σ2 (x−µ)
σ 2π
Cette loi est notée, en général N(µ, σ).
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 :
1 −x2
f (x) = √ e 2
2π
E[X] = 0
V(X) = 1
Théorème
1 Soit X une variable aléatoire de loi normale N(µ, σ) et Y la
variable aléatoire définie par :
X−µ
Y= ;
σ
alors Y suit une loi normale centrée réduite N(0, 1).
2 Si la loi de Y est la loi normale de moyenne 0 et d’écrat type 1
alors la loi de X = σY + µ est la loi normale de moyenne µ et
d’écrat type σ
Exemple 1
On lit par exemple :
u = 0 = 0, 0 + 0, 00 ⇒ P = P(N(0, 1) ≤ 0) = 0, 5
u = 1 = 1, 0 + 0, 00 ⇒ P = P(N(0, 1) ≤ 1) = 0, 8413
u = 1, 96 = 1, 9 + 0, 06 ⇒ P = P(N(0, 1) ≤ 1, 96) = 0, 9750
P = P(N(0, 1) ≤ −1) = 1 − P(N(0, 1) ≤ 1) = 1 − 0, 8413 = 0, 1587
Exemple 1
Considérons X une v. a. qui suit une loi N(6, 2) :
(σ(X) vaut donc ici 2 et E(X) = 6)
Et soit Y une v.a. de loi N(0, 1), on a par exemple :
P[X ≤ 7] = P[ X−6
2 ≤
7−6
2 ]
= P[Y ≤ 12 ]
= 0, 6915.
Exemple 1
Considérons X une v. a. qui suit une loi N(6, 2) :
(σ(X) vaut donc ici 2 et E(X) = 6)
Et soit Y une v.a. de loi N(0, 1), on a par exemple :
P[X ≤ 7] = P[ X−6
2 ≤
7−6
2 ]
= P[Y ≤ 12 ]
= 0, 6915.
Exemple 2
Si la loi de X est normale de moyenne 4 et d’écart type 2.
On pose : Y = X−4 2
P[X ≤ 6.5] = P[2Y + 4 ≤ 6.5] = P[Y ≤ 6.5−4
2 ] = P[Y ≤ 1.25] = 0.8943
P[m − σ ≤ X ≤ m + σ] = 0, 68
P[m − 3 ≤ X ≤ m + 3] = 0, 95
Autrement dit, lorsque l’on a une variable aléatoire qui suit une loi
normale N(m; σ) , on est "pratiquement sûr" que la valeur se situera
entre m − 3σ et m + 3σ.
Mohamed Dakkon Module:Echantillonnage et Estimation
Plan
Loi normale générale
Variables aléatoires continue,Densité
Loi Normale centrée réduité
Loi continue classique (autre que la loi Normale)
Quelques lois classiques dérivées de la loi normale : χ2 , Stud
Loi continue classique (Loi normale)
Loi du Khi-deux
Definition
Soient X1 , ....., Xn des v.a indépendantes de même loi N(0, 1). Posons :
X
Z= Xi2
i=1....n
Quelques Propriétés :
Z ≥ 0 ; cette loi n’est donc pas symétrique,
Z admet une densité,
E(Z) = n et Var (Z) = 2n
Loi de Student
Definition
Soient X ∼ N(0; 1) et Y ∼ χ2 (n). Posons T = √X . Alors T suit une
Y/n
loi de Student à n degré de liberté et on la note T (n) ou Student(n)
Loi de Fisher-Snedecor
Definition
Soient X et Y deux variables aléatoires indépendantes telles que
X ∼ χ2 (n) et Y ∼ χ2 (m). Alors, on dit que la variable
X/n
Z=
Y/m
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 normale). Des tables statistiques et des logiciels
permettent de les manipuler.
Fin