Scribd Logo
Upload

Welcome to Scribd!

  • Quelques Modèles Continus Particuliers

    Uploaded by

    Cristian De Jesus Nuñez Garcia
    5 views14 pages

    Original Title

    Quelques modèles continus particuliers

    Copyright

    © © All Rights Reserved

    Available Formats

    PDF or read online from Scribd

    Did you find this document useful?

    Is this content inappropriate?

    Report this Document

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    5 views14 pages

    Quelques Modèles Continus Particuliers

    Uploaded by

    Cristian De Jesus Nuñez Garcia

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    of 14
    95 3.2. QUELQUES MODELES DISCRETS PARTICULIERS val@~1) = (2 X)E t fees! (@woap-x | anbugui095 psd Did = (2) Haro =dr0 . _ ey ty u)oayy-y. enous ea aw agp em et g)eou, (CNN WMEL-X. fonburpmopssads (2) Pe: woss10 x x arene ee ‘O (a-x Od (@- pau au anal =e = (2)4 uo} (ewe-x oreo (- pe a weer get pene {ro (@nmowog-x mnoweg (ora (oa @=xa= (xe xa saioap Rjgpowr sonbpnh sjorostp sojgpour sop sonbystugqoemwo sopsdjoung Tg AVETEVI, 96 CHAPITRE 3. VARIABLES ALEATOIRES 3.3 Quelques modéles continus particuliers 3.3.1 La loi uniforme Définition 3.14 Une variable aléatoire X est de loi uniforme sur l'intervalle (a, }] si sa densité est donnée par py sia0 fx(z) = 0 sinon Le support de X est noté Cx =0, o[ et on dit alors que X suit une loi exponentielle de paramitre 0. On utilise la notation, X ~ Bxp(0). ‘Voici A quoi ressemble le graphique d’une loi exponentielle pour quelques valeurs de 8. “4. Dire que la lol exponentielie est sans mémoire signifie que P(X > t+kIX > k) = P(X > ¢). Autrement dit, calculer Ia probabilité dattendre encore 5 minutes si jal déja attendu 10 minutes est la méme que de simplement calculer la probabilité d’attendre 5 minutes. 98 CHAPITRE 3. VARIABLES ALEATOIRES fx(z) 10 05 Ot gs GG Fic. 3.2 Loi exponentielle Propriétés de la loi exponentielle Si X ~ Exp(6), on a alors 1. Cx =, o0f { jee? siz>0 2. fx(a) = 0 sinon 3. B(X)=8 4. Var(X) 5. Ona aussi Fx(z) =1-e7*/* Exemple 3.12 Quelle est la probabilité que la durée de vie d’un atome de Césium soit supérieure & 10 jours si on se fie A une étude qui stipule que la durée de vie moyenne d'un atome de Césium est de 8 jours? Solution : Posons X = durée de vie d’un atome de Césium. On a done X ~ Eap(8) et ainsi, P(X > 10) = 1 - Fx(10) = e198 = 0.2865. De plus, on a E(X) = 8 et Var(X) = 8? = 64. ees 3.3. QUELQUES MODELES CONTINUS PARTICULIERS 99 Lien entre la loi exponentielle et la loi de Poisson Si des événements se produisent selon une loi de Poisson, X ~ P()), alors le temps qui s’écoule entre 2 réalisations de ces événements est distribué selon une loi exponentielle de moyenne @ = 3, ¥ ~ Exp(4). Attention: @ et doivent étre exprimés dans les mémes unités de temps. Exemple 3.13, Il se produit, en moyenne 2 accrochages en une heure sur un certain trongon de route, quelle est la probabilité que le temps entre 2 accrochages soit supérieur & 45 minutes? Solution : Posons d’abord X et ¥ telles que nombre d’accrochages en une heure sur ce trongon de route temps entre deux accrochages sur ce méme trongon de route (en minutes). Y On a alors X ~ P(2) et ¥ ~ Ezp(0). Pour trouver 0, qui représente un temps moyen en minutes, on doit d’abord exprimer \ = 2 accrochages par heure en nombre moyen d’accrochages par minute et ensuite utiliser la relation entre la loi de Poisson et l’exponentielle. Autrement dit, si on pose W = nombre d’accrochages en 1 minute, on a alors W ~ P(1/30). Ainsi, @ = } = yy = 30 et done ¥ ~ Exp(30). On obtient alors ,- 45/90 — 0.2931. PUY > 45) = 3.3.3 La loi normale La loi normale est une des lois les plus utilisées en statistique. Elle permet non seulement de modéliser plusieurs phénoménes pratiques mais elle est aussi A la base de plusieurs résultats Pinférence statistique comme nous le verrons dans la deuxigme partie du cours. Définition 3.16 Une variable aléatoire X variance 0? si sa densité est donnée par it une loi normale de moyenne js et de Sxl) = Fyne M Le support de X est noté Cx = R et on dit alors que X suit une lot normale de paramétres jet o?. On utilise la notation, X~N(u,0%). 100 CHAPITRE 3. VARIABLES ALEATOIRES Voici quoi ressemble le graphique d'une loi normale siz = 0 et pour quelques valeurs de a. Fic. 3.3 Loi normale Propriétés de la loi normale Si X ~ N(u,07), on a alors 1. Cx=R 2 f(z) = Zigge A) 3. E(X)=p 4. Var(X) = 0? De plus, les propriétés de linéarité et d'additivité suivantes seront trés importantes pour la suite du cours. 3.3. QUELQUES MODELES CONTINUS PARTICULIERS 101 Linéarité et additivité de la loi normale 1. Linéarité: soit X ~ N(q1,0) et deux constantes a et b € R. On a alors aX+b~N(apth, ao?) (3.7) 2. Additivité: soit X ~ N(yn , 0) et Xo ~ N(yi2 , 03) indépendantes et deux constantes a et bE R. On a alors Xt Xa~ Nt ya, 03 +03) (3.8) On peut d'ailleurs généraliser ce résultat & une suite de variables aléatoires indépendantes X1,Xo,...,Xy telles que X; ~ N(yi,0?) pour i = 1,...,n et deux suites de constantes a1,a2,-..,dy et b1,b2,.-.0n D@xi+h) ~N (Stow +h), Sotet) (9) =i foal I Les deux théorémes suivants, trés importants en statistique, découlent directement des propr (8.7) et (3.9). ‘Théoréme 3.4 La loi normale centrée réduite (la cote Z) Si X ~N(y,07) alors Z= Théoréme 3.5 La loi de X Soit une suite de variables aléatoires indépendantes Xy, Xo, telles que E(X;) = et Var(X,) = 0? pour i pour i +n. Soit la variable aléatoire X Xn de loi normale n. Autrement dit, X; ~ N(y1,0?) X;, on a alors X~Mu, 102 CHAPITRE 3. VARIABLES ALEATOIRES Le théoréme suivant est l'un des plus importants résultats en statistiques. Il est A la base de plusieurs résultats d’inférence statistique comme nous le verrons dans les prochains chapitres. ‘Théorsme 3.6 Le théoréme limite central Soit un échantillon aléatoire X1, X2,...,Xn constitué de n variables aléatoires indépendantes sélectionnées & partir d'une certaine population (infinfe ou avec remise). On a donc E(Xi) = t et Var(X;) =o? pour i= 1,...,n. Sin est suffisamment grand5, on a Ramu, =) 3.3.4 La loi du khi-deux Liutilisation la plus fréquente de la loi du khi-deux (x2) est dans le contexte d’un test: d'ajustement des données & une certaine distribution (voir annexe A.1) ou dans le contexte d'un test d'indépendance lorsqu’au moins une des variables est qualitative (voir annexe A.2.3). Définition 3.17 Une variable aléatoire X suit une loi khi-deux avec v degrés de liberté si sa densité est donnée par alee ary) 5° t*te"tdt. Le support de X est donné par Cx = 0, c0[ . On utilise x(a) = ott la fonction T(z) = la notation X ~ x3. ‘Voici quoi ressemble le graphique d'une loi khi-deux pour quelques valeurs de v. 53. Liordre de grandeur de n pour que la distribution de X converge vers une loi normale dépend de la forme de la distribution des X. Si la distribution est unimodale et relativement symétrique, un n aussi petit que 5 peut tre sufisant, alors que pour une distribution plutét asymétrique ou multimodale, on peut avoir beaucoup plus grand. Il est souvent coutume d’utiliser Ia condition d'avoir n > 30 pour a limite central. Vous trouverez en annexe des exemples de distributions et de la taille échantillonnale nécessaire our arriver & la convergence vers la loi normale. 3.3, QUELQUES MODELES CONTINUS PARTICULIERS 103 Fic. 3.4 Loi du x? Propriétés de la loi du Khi-deux Si X ~ x3, ona alors 1. Cx = ]0, cof = let 2 tele) = Se 3. B(X) =v 4, Var(X) = 2v 5. Lien avec la loi normale Soit Z1, Z2,... Zn tune suite de variables aléatoires indépendantes de loi N(0, 1) et X= PR, Z?. Ona alors Bea, 3.3.5 La loi de Student La loi de Sindent est principalement utilisée dans le contexte de Vestimation et des test Whypothéses, comme nous le verrons dans les prochains chapitres. 104 CHAPITRE 3. VARIABLES ALEATOIRES Définition 3.18 Une variable aléatoire X suit une loi de Student avec v degrés de liberté si sa densité est donnée par r(#) ving) (2 +1) F od la fonction P(x) = f° #~te~tdt. Le support de X est donné par Cx. utilise la notation X ~ t,. fx(e) = = 20,00[ . On Voici & quoi ressemble le graphique d’une loi de Student pour quelques valeurs de v. Fic. 3.5 Loi de Student 3.3, QUELQUES MODELES CONTINUS PARTICULIERS 105 Propriétés de la loi de Student SiX ~ ty, on a alors 1. Ox =] — 0,0 2 Sx Lh verry)(g41) 7 3. E(X)=0 4. Var(X) oly >2 5 Lien avec la loi normale et la loi du khi-deux Soit Z~ N(0,1) et X ~ xj, indépendantes et T = Fy on a alors T~tn 3.3.6 La loi de Fisher n, comme nous le La loi de Fisher est principalen verrons dans le dernier chapitre. utilisée dans le contexte de la régr 106 CHAPITRE 3. VARIABLES ALEATOIRES Définition 3.19 Une variable aléatoire X suit une loi de Fisher avec v; et vp degrés de liberté si sa densité est donnée par reg) (g) Fa Sx(0) = —— ae TERE) (Be +1) of la fonction I(x) la notation X ~ Fy Sg? #1e““dt. Le support de X est donné par Cx = ]0, co . On utilise Voici & quoi resemble le graphique d’une loi de Fisher pour quelques valeurs de 11 et v2. fx(@) Fig. 3.6 Loi de Fisher 3.3. QUELQUES MODELES CONTINUS PARTICULIERS 107 Propriétés de la loi de Fisher Si X ~ Fina, on a alors 1. Cx = ]0,00f 2 ty = TOP . fxle) = repre (gen) 3. E(X) = py od ty > 2 2 4, Var(X) = 3 site 5. Lien avec la loi khi-deux Soit Xi ~ x3, et Xa ~ x2, indépendantes et F = 7481, on a alors FY Fam 3.3.7 Résumé des lois continues Le tableau suivant résume les principales caractéristiques de chacune des distributions continues présentées. CHAPITRE 3. VARIABLES ALEATOIRES 4 . : BME = (ayxy Jeo'ol ex nop 11 z< eyo weg (tH) (dE . at 8? , (#) (ain) ao ax arr z

    You might also like