Chapitre 2 2 Echantillonnage Et Estimation

Plan
Variables aléatoires continue,Densité

Loi continue classique (autre que la loi Normale)
Loi continue classique (Loi normale)
Chapitre 1 : Rappels sur les probabilités

Cours 2 : Variables aléatoires continues,
Lois continues classique
Mohamed Dakkon
F.S.J.E.S de Tétouan ,
Année universitaire 2020-2021.
Module:Echantillonnage et Estimation
Mohamed Dakkon Module:Echantillonnage et Estimation

Plan
1 Variables aléatoires continue, Fonction de

répartition
Définition
Fonction de répartition et calcule de probabilité d’évenements
Paramètres d’une loi continue
2 Loi continue classique (autre que la loi Normale)
Loi Uniforme
Loi exponentielle
3 Loi continue classique (Loi Normale)
Loi Normale générale
Loi Normale centrée réduité
Quelques Lois classique dérivées de la loi Normale : Chi-deux ;
Student ; Fisher-Snedecor

Plan Définition d’une variables aléatoires continue
Variables aléatoires continue,Densité Fonction de répartition et densité
Loi continue classique (autre que la loi Normale) Paramètres d’une loi continue
Loi continue classique (Loi normale) Propriétés de l’espérance et de la variance
Définition d’une variables aléatoires continue
Définition
Une variable aléatoire est une application de l’univers dans R
X:Ω→R
ω 7→ X(ω)
Une variable aléatoire est généralement désignée par une lettre

majuscule X,Y, etc.

Définition d’une variables aléatoires continue
Définition
Une variable aléatoire est une application de l’univers dans R
X:Ω→R
ω 7→ X(ω)
Une variable aléatoire est généralement désignée par une lettre

majuscule X,Y, etc.
La variable aléatoire est dite continue si l’ensemble X(Ω) est un

intervalle (ou une réunion d’intervalles) de R.Autrement dit, la
probabilité d’apparition de (X = x) est nulle, i. e,
P(X = x) = 0

Fonction de répartition et densité
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)
Elle satisfait les propriétés suivantes :

- 0 ≤ FX (x) ≤ 1
- lim FX (x) = 0, lim FX (x) = 1
x→−∞ x→−+∞
- P(a < X ≤ b) = FX (b) − FX (a).

Quelques propriétés de la fonction de répartition
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,
FX (b) − FX (a) = P(X ≤ b) − P(X ≤ a) = P[a < X ≤ 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.

Quelques propriétés de la densité
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
et la probabilité de trouver X dans un intervalle [a, b] donné,

apparaît comme l’aire d’une partie du graphique située entre la
courbe de la densité f et l’axe des abscisses.

Densité et calcul de probabilité d’événements

Paramètres d’une loi continue
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
Comparer ces formules avec le cas discret.....

Propriétés de l’espérance et de la variance
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 :
Var(X + Y) = Var(X) + Var(Y)

Plan
Variables aléatoires continue,Densité Loi uniforme
Loi continue classique (autre que la loi Normale) Loi exponentielle
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,
Elle est notée U[a, b].

Plan
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,
Elle est notée U[a, b].
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 ,


Plan
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.

Plan
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)

Plan
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

Plan
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.

Plan
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 .

Plan
Loi exponentielle
Exemple :
La probabilité pour que le temps de réparation dépasse 2h est ? :

Plan
Loi exponentielle
Exemple :
Pr(T > 2) = 1 − Pr(T < 2) = 1 − F(2) = e−1 = 0, 368

Plan
Loi exponentielle
Exemple :
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 ?

Plan
Loi exponentielle
Exemple :
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

Plan
Loi normale générale
Quelques lois classiques dérivées de la loi normale : χ2 , Stud
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).

Plan
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).
Et La fonction de répartition est donnée par :

Z a
1 1 2
FX (a) = Pr(X < a) = √ e− 2σ2 (x−µ) dx
σ 2π −∞

Plan
Paramètres et Propriétés de la loi normale générale
Paramètres de la loi normale générale :

La loi normale est une des lois de probabilité la plus utilisée. Elle
dépend de deux paramètres, la moyenne µ, paramètre de position, et
l’écart-type σ, paramètre mesurant la dispersion de la variable
aléatoire autour de sa moyenne.

Plan
Paramètres et Propriétés de la loi normale générale
Paramètres de la loi normale générale :

La loi normale est une des lois de probabilité la plus utilisée. Elle
dépend de deux paramètres, la moyenne µ, paramètre de position, et
l’écart-type σ, paramètre mesurant la dispersion de la variable
aléatoire autour de sa moyenne.
Propriétés (Espérance et variance)

Soit X une variable aléatoire suit une N(µ, σ)
E(X) = µ, la moyenne
V(X) = σ 2 , la variance
σ, est l’écart type de X.

Plan
Loi normale centrée réduite : N(0, 1)
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
Et La fonction de répartition est donnée par :

Z a
FX (a) = Pr(X < a) = f (t)dt ∀a ∈ R;
−∞

Plan
Paramètres de la loi normale centrée réduite
Propriétés (Espérance et variance)

Soit X une variable aléatoire suit une N(0, 1), Alors :
E[X] = 0
V(X) = 1

Plan
Lien entre les Lois normale
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
Attention, certains auteurs utilisent la notation N(µ; σ 2 ) et pas

N(µ; σ).

Plan
Calcul pour la loi Normale N(µ; σ)

Soit X est une variable Normale de moyenne µ et d’écart type σ. Pour
calculer P(X ≤ x), on se ramène à un loi normale centrée réduite. On
pose
X−µ
Y= ⇔ X = σY + µ
σ
x−µ
P(X ≤ x) = P(σY + µ ≤ x) = P(Y ≤ )
σ
Comme la loi de Y est la loi normale centrée réduite, le dernier est
donnée par la table de la loi Normale .
x−µ
P(X ≤ x) = FY ( )
σ

Plan
Calcul pour la loi Normale N(µ; σ)

Soit X est une variable Normale de moyenne µ et d’écart type σ. Pour
calculer P(X ≤ x), on se ramène à un loi normale centrée réduite. On
pose
X−µ
Y= ⇔ X = σY + µ
σ
x−µ
P(X ≤ x) = P(σY + µ ≤ x) = P(Y ≤ )
σ
Comme la loi de Y est la loi normale centrée réduite, le dernier est
donnée par la table de la loi Normale .
x−µ
P(X ≤ x) = FY ( )
σ
Remarque :Dans les pratiques, les probabilités d’événements de v.a.

suivant une loi normales sont répertoriées dans des tables facilement
manipulables.

Plan
Utilisation des tables statistiques de N(0, 1)
La table 1 donne, pour différentes valeurs de u, les valeurs de

P = P(Y ≤ u) est jointe en annexe.C-à-d :P = P(N(0, 1) ≤ u)

Plan

La table 1 donne, pour différentes valeurs de u, les valeurs de
P = P(Y ≤ u) est jointe en annexe.C-à-d :P = P(N(0, 1) ≤ u)
On lit par exemple P(Y ≤ 0, 64) = 0, 7389.

Plan
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

Plan
Manipulation de la loi normale
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.

Plan
Manipulation de la loi normale
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

Plan
Concentration autour de la moyenne
Dans l’intervalle [m − σ, m + σ] de longueur 2σ et centré autour de la

moyenne, on peut calculer qu’il y a 68% des individus, lorsque
qu’une v.a. suit une loi N(m; σ) :
P[m − σ ≤ X ≤ m + σ] = 0, 68
On établit aussi que 95% d’un échantillon représentatif d’une loi

normale N(m, σ) est approximativement situé entre m − 2σ et m + 2σ.
Plus exactement,
P[m − 1.96σ ≤ X ≤ m + 1.96σ] = 0, 997

et on a mème 99, 7% des individus entre m − 3σ et m + 3σ :
P[m − 3 ≤ X ≤ m + 3] = 0, 95

Plan
Concentration autour de la moyenne
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.
Plan
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
par définition la v.a. Z suit une loi du khi-deux à n degré(s) de liberté

(abréviation d.d.l.). On la note χ2 (n).
Quelques Propriétés :
Z ≥ 0 ; cette loi n’est donc pas symétrique,
Z admet une densité,
E(Z) = n et Var (Z) = 2n

Plan
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)

Plan
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
suit une loi de Fisher-Snedecor(n,m). On la note F(n,m)

Plan
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.

Plan
Fin

Chapitre 2 2 Echantillonnage Et Estimation

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

Chapitre 2 2 Echantillonnage Et Estimation

Transféré par

Droits d'auteur :

Formats disponibles

Plan

Variables aléatoires continue,Densité

Chapitre 1 : Rappels sur les probabilités

Mohamed Dakkon Module:Echantillonnage et Estimation

1 Variables aléatoires continue, Fonction de

Mohamed Dakkon Module:Echantillonnage et Estimation

Définition d’une variables aléatoires continue

Une variable aléatoire est généralement désignée par une lettre

Mohamed Dakkon Module:Echantillonnage et Estimation

Définition d’une variables aléatoires continue

Une variable aléatoire est généralement désignée par une lettre

La variable aléatoire est dite continue si l’ensemble X(Ω) est un

Mohamed Dakkon Module:Echantillonnage et Estimation

Fonction de répartition et densité

Elle satisfait les propriétés suivantes :

Mohamed Dakkon Module:Echantillonnage et Estimation

Quelques propriétés de la fonction de répartition

FX (b) − FX (a) = P(X ≤ b) − P(X ≤ a) = P[a < X ≤ b]

Mohamed Dakkon Module:Echantillonnage et Estimation

Fonction de répartition et densité

Mohamed Dakkon Module:Echantillonnage et Estimation

Fonction de répartition et densité

Mohamed Dakkon Module:Echantillonnage et Estimation

Quelques propriétés de la densité

et la probabilité de trouver X dans un intervalle [a, b] donné,

Mohamed Dakkon Module:Echantillonnage et Estimation

Densité et calcul de probabilité d’événements

Mohamed Dakkon Module:Echantillonnage et Estimation

Paramètres d’une loi continue

Comparer ces formules avec le cas discret.....

Mohamed Dakkon Module:Echantillonnage et Estimation

Propriétés de l’espérance et de la variance

Var(X + Y) = Var(X) + Var(Y)

Mohamed Dakkon Module:Echantillonnage et Estimation

Elle est notée U[a, b].

Mohamed Dakkon Module:Echantillonnage et Estimation

Elle est notée U[a, b].

Mohamed Dakkon Module:Echantillonnage et Estimation

Mohamed Dakkon Module:Echantillonnage et Estimation

Mohamed Dakkon Module:Echantillonnage et Estimation

Mohamed Dakkon Module:Echantillonnage et Estimation

Mohamed Dakkon Module:Echantillonnage et Estimation

Mohamed Dakkon Module:Echantillonnage et Estimation

Mohamed Dakkon Module:Echantillonnage et Estimation

Mohamed Dakkon Module:Echantillonnage et Estimation

Mohamed Dakkon Module:Echantillonnage et Estimation

Mohamed Dakkon Module:Echantillonnage et Estimation

Loi normale générale

Mohamed Dakkon Module:Echantillonnage et Estimation

Loi normale générale

Et La fonction de répartition est donnée par :

Mohamed Dakkon Module:Echantillonnage et Estimation

Paramètres et Propriétés de la loi normale générale

Paramètres de la loi normale générale :

Mohamed Dakkon Module:Echantillonnage et Estimation

Paramètres et Propriétés de la loi normale générale

Paramètres de la loi normale générale :

Propriétés (Espérance et variance)

Mohamed Dakkon Module:Echantillonnage et Estimation

Loi normale centrée réduite : N(0, 1)

Et La fonction de répartition est donnée par :

Mohamed Dakkon Module:Echantillonnage et Estimation

Paramètres de la loi normale centrée réduite